컨텍스트, 일관성 및 협업은 데이터 과학 성공에 필수적입니다.

님이 촬영 한 사진 mohamed_hassan · Pixabay의

인공 지능(AI) 및 머신 러닝(ML) 분야는 2021년 말에 더 이상 불확실한 미래가 있는 초기 분야가 아닙니다. AI와 ML은 데이터 과학의 더 넓은 세계에 막대한 영향력을 미치는 영역으로 성장했습니다. 보다 사실적으로 남아있다 올해 내내.

AI, ML, 그리고 이후 데이터 과학이 계속 확장됨에 따라 데이터 과학 팀의 성공 여부를 결정짓는 매개변수도 확장되었습니다. AI 및 ML 분야에서 중요하고 심오한 통찰력을 얻을 수 있는 기회는 단일 노트북으로 작업하는 데이터 과학자 한 명보다 더 큰 데이터 과학 팀에 기반을 두고 있습니다. 한 사람이 혼자 처리하기에는 데이터 과학자의 평균 근무일 중 상당한 부분을 차지하는 프로세스인 분석을 위해 확보, 정리 및 준비해야 하는 데이터가 너무 많습니다. 

최신 데이터 과학 프로젝트는 데이터 준비, 이전 데이터 과학 프로젝트 및 여러 데이터 과학과 공유해야 하는 데이터 모델을 배포하기 위한 잠재적인 방법에 관한 중요한 정보를 중심으로 진행됩니다. 따라서 데이터 과학 팀이 데이터 과학 성공을 보장하기 위해 데이터의 컨텍스트, 일관성 및 안전한 협업이 필요한 이유를 조사하는 것이 중요합니다. 앞으로의 데이터 과학 성공이 어떤 모습일지 더 잘 이해할 수 있도록 이러한 각 요구 사항을 빠르게 검토해 보겠습니다.

XNUMX부: 컨텍스트

 
미래 데이터 과학 성공에 대한 우리의 조사는 컨텍스트에서 시작됩니다: 반복적인 모델 구축 프로세스 없음 시도하고 실패하는 실험에 의존하는 문서화, 저장 및 데이터 과학자가 사용할 수 있는 제도적 지식 없이는 오래 지속될 수 있습니다. 그러나 적절한 문서화 및 보관 부족으로 인해 많은 제도적 지식이 정기적으로 손실되고 있습니다.

다음과 같은 일반적인 시나리오를 고려하십시오. 주니어 또는 시민 데이터 과학자는 기술을 향상시키기 위해 프로젝트에 참여했지만 곧 어려움을 겪습니다. 동기 및 비동기 협업 맥락이 부족하기 때문이다. 이러한 임시 팀 구성원은 상호 작용하는 데이터, 과거에 문제를 해결한 사람들, 이전 작업이 현재 프로젝트 환경에 어떤 영향을 미쳤는지에 대해 더 많이 알기 위해 컨텍스트가 필요합니다.

프로젝트와 데이터 모델 및 해당 워크플로를 적절하게 문서화해야 하는 경우 혼자 운영하는 단일 팀은 고사하고 데이터 과학자 팀이 쉽게 주의를 분산시킬 수 있습니다. 리더는 다음 옵션을 고려할 수 있습니다. 프리랜서 개발자 고용 현대 데이터 과학 프로젝트의 표준 검토 및 피드백 세션을 개선하기 위해 제도적 지식의 보존 및 보급에 시간을 할애합니다. 이러한 세션과 소프트웨어 시스템, 워크벤치 및 모범 사례는 프로젝트 관련 컨텍스트의 보다 효과적인 캡처를 간소화하여 미래에 주니어 및 시민 데이터 과학자의 데이터 검색 가능성을 향상시킬 수 있습니다.

데이터 과학 성공에는 간소화된 지식 관리 그리고 그 주변 상황. 이것이 없으면 신규, 주니어 및 시민 데이터 과학자는 온보딩 및 프로젝트에 대한 의미 있는 기여에 어려움을 겪을 수 있으며, 이는 결과적으로 팀이 이전 작업에 기여하기보다 프로젝트를 다시 생성하게 됩니다. 

XNUMX부: 일관성

 
ML 및 AI 분야는 금융 서비스, 건강 및 생명 과학, 제조와 관련하여 근본적인 변화에 기여했습니다. 그러나 이러한 산업은 상당한 규제 환경의 영향을 받습니다. 이는 규제된 환경에서 발생하는 AI 프로젝트가 명확한 감사 추적으로 재현 가능해야 함을 의미합니다. 다시 말해, 데이터 과학 프로젝트와 관련된 어떤 방식, 형태 또는 형태로든 IT 및 비즈니스 리더는 다음을 수행해야 합니다. 데이터 일관성 수준 보장 데이터 과학 프로젝트의 결과에 관해서. 

안정적인 수준의 일관성을 기대할 수 있는 IT 및 비즈니스 리더는 AI가 촉진하는 유형의 전략적 변화를 수행해야 할 때 더 큰 자신감을 가질 수 있습니다. 데이터 과학 프로젝트와 관련하여 많은 위험이 따르고 이에 따른 많은 투자가 있으므로 데이터 과학자는 보장된 수준의 재현성으로 운영할 수 있는 인프라가 필요합니다. 처음부터 끝까지. 이 완전한 재현성은 데이터 과학 프로젝트가 충분히 중요하고 비즈니스 목표와 일치하는지 여부를 결정하기 위해 최고 경영진이 찾고 있는 데이터의 일관성으로 해석됩니다.

이러한 최고 경영진은 과학 팀이 확장됨에 따라 이전 프로젝트의 결과 일관성을 보장하는 데 필요한 교육 세트 및 하드웨어 요구 사항도 확장될 것으로 예상해야 합니다. 따라서 환경을 관리하는 데 도움이 되는 프로세스와 시스템은 데이터 과학 팀 확장에 ​​절대적으로 필요합니다. 예를 들어 데이터 과학자가 랩톱을 사용하는 동안 데이터 엔지니어가 클라우드 VM에서 실행되는 다른 버전의 라이브러리를 실행하는 경우 해당 데이터 과학자는 데이터 모델이 시스템 간에 다른 결과를 생성하는 것을 볼 수 있습니다. 결론: 경영진은 데이터 공동 작업자가 똑같은 소프트웨어 환경을 일관되게 공유할 수 있도록 해야 합니다.

XNUMX부: 협업

 
마지막으로 안전한 협업의 중요성을 알게 되었습니다. 기업이 계속해서 재택근무 모델로 운영을 전환함에 따라 조직은 데이터 과학 협업이 대면 협업보다 훨씬 어렵다는 것을 깨닫고 있습니다. 일부 핵심 데이터 과학 업무는 단일 데이터 과학(데이터 준비, 연구 및 데이터 모델 반복)의 도움으로 관리할 수 있지만 대부분의 비즈니스 경영진은 실수로 협업을 중단하고 원격 생산성을 저해했습니다.

그러나 프로젝트 참가자 간의 효과적이고 원격 조정과 프로젝트 데이터의 보안을 어떻게 용이하게 할 수 있습니까? 그 해답은 데이터 과학 프로젝트와 관련된 공유 가능한 작업 파일 및 데이터에 있습니다. 더 실행 가능하게 만드는 원격으로 정보를 배포합니다. 그리고 프로젝트 관련 데이터의 보급이 단순할수록 정보 공유가 간편해지고 원격 데이터 협업이 용이해집니다. 데이터 과학 프로젝트 참가자는 클라우드 기반 도구를 활용하여 연구 이면의 보안을 강화할 수 있습니다. 그러나 너무 많은 리더들이 협업을 장려하지 않고 생산성을 저하시키는 실수를 저질렀습니다.

결론

 
최근 몇 년 동안 데이터 과학의 영역에서 전개된 순전한 발전은 전례가 없고 솔직히 놀랍습니다. 데이터 과학의 발전으로 인해 전 세계 기업들이 AI와 ML로 가능해진 혁신 없이 이전에는 쉽게 사용할 수 있는 답변이 거의 없었던 문제를 해결할 수 있게 되었습니다. 

그러나 데이터 과학의 세계가 계속 성숙하고 성장함에 따라 최고 경영자와 그들이 감독하는 데이터 과학 팀은 작업을 완료하는 보다 임시적이고 반응적인 방식에서 벗어나 마이그레이션해야 할 때입니다. 데이터 과학자가 소프트웨어 워크벤치와 같이 컨텍스트, 일관성 및 더 큰 협업을 생성하는 데 사용할 수 있는 리소스는 데이터 과학 성공에 필수적일 것입니다. 궁극적으로 프로젝트는 데이터 과학자, 엔지니어, 분석가 및 연구원의 노력을 덜 필요로 하며, 이들은 해당 분야의 지속적이고 놀라운 성공을 더 잘 가속화할 수 있습니다.

 
 
나흘 라 데이비스 소프트웨어 개발자이자 기술 작가입니다. 전 시간을 기술 저술에 전념하기 전에 그녀는 삼성, 타임 워너, 넷플릭스, 소니를 고객으로 하는 Inc. 5,000 경험 브랜딩 조직에서 리드 프로그래머로 일할 수 있었습니다.

출처: https://www.kdnuggets.com/2022/01/context-consistency-collaboration-essential-data-science-success.html