Когда в отрасли более 50% новых должностей ориентированы на определенный набор навыков и когда прогнозы различных рекрутинговых компаний показывают, что в мире не хватает определенных квалифицированных специалистов, а работодатели изо всех сил пытаются найти определенный тип ресурсов на рынке и готовы заплатить премию, чтобы получить их на борту, то это явный признак того, что мы находимся в цикле ажиотажа.
Навык здесь — наука о данных и ресурсы, специалисты по данным.
Новое ключевое слово, новый цикл шумихи
Те, кто работает в отрасли достаточно долго, могут это признать. Десять лет назад индустрия сходила с ума по подобным навыкам, известным как бизнес-аналитики, которых сейчас на рынке пруд пруди (извините, если я задел чьи-то чувства, но от правды никуда не деться). Я знаю некоторые организации, где определенное предпочтение отдается специалистам по моделированию данных, аналитикам данных и специалистам по данным, а не сидящим бизнес-аналитикам. Заказы просты, обновить или остаться позади.
Смею напомнить здесь, что я ни в коем случае не умаляю усилий, всех данных, которые ученые приложили для получения своего образования и докторских степеней, но я просто хочу подчеркнуть, что для того, чтобы получить наилучшие результаты аналитики, моделирование данных и модели машинного обучения, созданные специалистами по данным, мы должны привести их в действие с существующими системами и управлять действиями на основе результатов.
Для этого нам нужно рассматривать модели как данных, так и алгоритмические модели как часть общей системы. Да, мы можем построить лучшую модель, но мы практически не можем продолжать запускать эти модели вручную и по-прежнему иметь жесткую зависимость от специалиста по данным, который построил модель, чтобы модель работала и выдавала цифры.
Положение специалистов по данным на рынке
Я очень обеспокоен тенденцией, согласно которой мы как организация и, в основном, лица, принимающие решения, в значительной степени полагаются на специалистов по обработке и анализу данных в выполнении сквозной работы. Хотя я сам работал над несколькими реальными развертываниями проектов машинного обучения и работал с довольно многими специалистами по данным, но, как и в любой другой профессии, все специалисты по данным не одинаковы. У каждого есть свои сильные стороны и любимые стили и типы моделей для работы.
По моему опыту, специалист по данным полностью разбирается в различных типах моделей и обладает способностью определять модели, наиболее подходящие для конкретной задачи. варианты использования могут иметь ограниченные знания о стеке технологий банка или организации. Специалист по данным, работающий в стартапе в значительной степени как новое поле и возможность наилучшим образом создать всю архитектуру продукта с нуля, но вписать модель машинного обучения в устаревшую архитектуру намного сложнее, чем кажется.
Вам нужен кто-то, кто знает существующие системные ограничения и достаточно прогрессивен, чтобы масштабироваться до уровня специалиста по данным, по крайней мере, чтобы говорить на каком-то разумном языке и приносить наилучшие возможные результаты в существующий технологический стек.
Это накладывает еще одно ограничение на специалистов по данным. Поскольку они хорошо работают с такими языками, как Python, R и мой SQL, не в каждой организации эти приложения и базы данных изначально присутствуют, поэтому необходимо внедрить отдельную архитектуру приложений, а затем наука о данных становится частью аналитического модуля в более крупном масштабе. изображение или архитектура приложения. Там специалисты по данным находят ограниченный опыт, поскольку они могут быть не в полной мере способны построить правильные конвейеры для существующих систем. Это работа для команды инженеров или разработчиков, которая есть почти в каждой организации, поэтому вместо того, чтобы ставить специалиста по данным на пьедестал, организациям лучше смешать их с остальной частью команды, которая лучше всего подходит для перекрестного обучения.
После обсуждения со многими организациями их инициатив в области наук о данных и аналитики многие компании создают новые отделы аналитики данных, которые, как мне кажется, снова приведут к разрозненности внутри организации. Наука о данных должна быть горизонтальной услугой для всех вертикалей, а не отдельной вертикалью.
ИИ становится модным словом в маркетинге
Чтобы любая новая технология стала успешной и создала собственную нишу или изменила весь технический ландшафт, должно существовать ключевое преимущество или ключевая добавленная стоимость, которые будут продолжать возвращать людей к технологии. Java представила нейтральность платформы, а .Net обеспечила нейтральность платформы с удобными для разработчиков интерфейсами для кодирования. У обоих были свои отличительные черты. Использование наук о данных для создания систем искусственного интеллекта / машинного обучения должно основываться на прецедентах.
Нынешняя рыночная шумиха заключается в том, чтобы бросить все на ИИ и надеяться, что что-то приживется. Кроме того, потеря рабочих мест создает отдельную истерию, хотя нынешние системы еще недостаточно созрели, чтобы с уверенностью говорить, что они лучше людей справляются с поставленными задачами. Только для некоторых определенных задач мы можем сказать, что зрелость систем является достаточно приемлемой, чтобы на нее можно было положиться.
Люди утверждают, что Алго-трейдинг заменит трейдеров-людей, и мы должны понимать, что градация существует уже более десяти лет. Не каждый является математическим гением, способным взломать фондовый рынок и извлечь из него огромную прибыль. Кроме того, трейдинг или торговля CFT существовали и предпринимались много раз, в некоторых сценариях они были успешными, а в некоторых - нет. Это характерно для всех сторон жизни и различных профессий.
Медиакомпании и новостные интернет-сайты публикуют больше кликбейтов, чем реальных фактов. например, Newsweek в январе 2018 г. опубликовал статью Роботы теперь умеют читать лучше, чем люди, что ставит под угрозу миллионы рабочих мест. Во многих случаях они относят факты к примечаниям или крошечным заявлениям об отказе от ответственности, которые изменят весь контекст новости, и никто ее не прочитает. Это печальная правда. Журналы должны были быть проданы, как и газеты, так что ожидайте новых сенсаций по этой теме в ближайшем будущем.
Но случай, который я хотел подчеркнуть, заключается в том, что нынешняя зрелость моделей искусственного интеллекта определенно не соответствует уровню шумихи. Да, некоторые модели работают хорошо, но им требуется вмешательство человека в форме проверки или мониторинга контролируемого и частично контролируемого обучения, которое они должны выполнять.
Компании начали повсеместно использовать ИИ. Обычный отчет MIS теперь становится интеллектуальным отчетом, простая система управления мошенничеством с оповещениями теперь рекламируется как Intelligent Jarvis следующего поколения и так далее. Это делает хорошие заголовки в газетах или на новостных сайтах, но не обязательно является отличным технологическим активом.
Заключение
В заключение я хотел бы сказать, что хорошо, что данные сейчас занимают центральное место, чтобы стимулировать множество оценок и потенциально скрытых закономерностей, которые были неуловимы для нас, но теперь мы чрезмерно компенсируем процессы, задействуя специалистов по данным. пьедестал. Определите правильный вариант использования и разверните в нем лучшие модели. Пусть создание ценности будет саморекламой систем искусственного интеллекта, которые вы недавно применяли. Так жизнь была бы намного проще.
Эта статья была впервые опубликована на www.agilityexchange.com
