داده های بزرگ عملی: چگونه می توان شکاف بین دانشمندان داده و مهندسین را ایجاد کرد

حول و حوش داده های بزرگ ، تصور غلط گسترده ای را ایجاد کرده است: وجود صرف آن می تواند یک شرکت را با بینش عملی و نتایج مثبت در تجارت فراهم کند. واقعیت کمی پیچیده تر است. برای به دست آوردن ارزش از داده های بزرگ ، به یک تیم توانمند از دانشمندان داده نیاز دارید تا بتوانند آنرا بررسی کنند. در بیشتر موارد ، شرکت ها این مسئله را درک می کنند ، همانطور که از رشد 15x - 20x در مشاغل دانشمندان داده ها از سال 2016 تا 2019 مشهود است. با این وجود ، حتی اگر شما یک تیم توانمند از دانشمندان داده به دست دارید ، شما هنوز هم باید مشکل اصلی را پاک کنید. این ایده ها را تولید می کند. برای تحقق ارزش واقعی تجارت ، باید اطمینان حاصل کنید که مهندسان و دانشمندان داده خود را به طور هماهنگ با یکدیگر کار کنند. در اصل آنها دانشمندان مبتکرانی هستند که روزانه ایده ها و افکار جدیدی را از داده هایی که شرکت شما مصرف می کند استخراج می کنند ، در حالی که مهندسین به نوبه خود این ایده ها را خنثی می کنند و لنزهای پایداری ایجاد می کنند که در آن می توانند داده های ما را مشاهده کنند. دانشمندان داده وظیفه رمزگذاری ، دستکاری و تجارت داده ها برای نتایج مثبت تجارت را بر عهده دارند. برای تحقق این شاهکار ، آنها کارهای مختلفی از داده کاوی گرفته تا تحلیل آماری را انجام می دهند. جمع آوری ، سازماندهی و تفسیر داده ها همه در راستای شناسایی روندهای مهم و اطلاعات مربوطه انجام می شود. در حالی که مهندسین مطمئناً با دانشمندان داده به طور هماهنگ همکاری می کنند ، تفاوت های مشخصی بین این دو نقش وجود دارد. یكی از تفاوتهای اساسی این است كه مهندسان ارزش قاطعانتری را بر "آمادگی تولید" سیستم ها می گذارند. از مقاومت و امنیت مدلهای ایجاد شده توسط دانشمندان داده گرفته تا فرمت واقعی و مقیاس پذیری ، مهندسان می خواهند سیستم های آنها سریع و قابل اطمینان کار کنند. به عبارت دیگر: دانشمندان داده ها و تیم های مهندسی نگرانی های مختلف روزانه دارند. این سؤال را ایجاد می کند ، چگونه می توانید هر دو نقش را برای موفقیت جای دهید و درنهایت معنادارترین بینش را از داده های خود استخراج کنید؟ پاسخ این است که اختصاص زمان و منابع به کمال داده ها و روابط مهندسی. همانطور که برای کاهش درهم و برهمی یا "سر و صدا" در اطراف مجموعه داده ها مهم است ، همچنین صاف کردن همه و اصطکاک بین این دو تیم که نقش های مهمی در موفقیت کسب و کار شما دارند نیز مهم است. در اینجا سه ​​مرحله مهم برای تحقق این امر وجود دارد. کافی نیست فقط چند دانشمند و چند مهندس را در یک اتاق قرار دهید و از آنها بخواهید که مشکلات جهان را حل کنند. شما ابتدا باید آنها را مجبور کنید تا اصطلاحات یکدیگر را درک کنند و شروع به صحبت کردن با همان زبان کنند. یک راه برای انجام این کار ، تمرین متقابل تیم ها است. با جفت کردن دانشمندان و مهندسان به غلافهای دو ، می توانید یادگیری مشترک را ترغیب کرده و موانع را برطرف کنید. برای دانشمندان داده ، این به معنای یادگیری الگوهای کد نویسی ، نوشتن کد به روشی سازمان یافته تر و ، مهمتر از همه مهم ، درک پشته فناوری و مبادلات زیربنایی درگیر ورود مدل به تولید است. ارسال شده در 7wData.be