— А какая у тебя работа?
«Я Data Scientist»
. … остекление лица
Без сомнения, когда вы представляли себя Data Scientist, у вас тоже был этот опыт. Я знаю, у меня есть все, чтобы часто. К сожалению, шумиха вокруг того, что наука о данных является самой привлекательной профессией 21-го века, а данные — следующей нефтью — вставьте сюда любую другую хорошо придуманную фразу — не дошла до широкой публики. И я не удивлен. Будучи такой новой, специализированной отраслью, которая не всем знакома, откуда им знать? Но они должны, верно?
В настоящее время наш мир управляется наукой о данных и ее приложениями, а на нашу жизнь влияет наука о данных. Теперь это стало необходимостью, как и деньги, электричество. Без него мы бы пропали. Так разве мы не хотели бы, чтобы широкая публика имела немного понимания и прозрачности? Мне кажется, что большинство людей (ну, все пустые лица, с которыми я сталкиваюсь) совершенно не знают, что такое наука о данных. Не говоря уже о его влиянии на их жизнь. Это хорошо или плохо? Они вообще хотят знать? Если нынешний рост — это что-то, то Data Science никуда не денется.
Итак, мой вопрос: как представить себя Data Scientist? Если ответ '…. пустое лицо' не происходит, то часто это ответ '... о, ты должен быть умным!' Хотя ни то, ни другое они дают идеальную возможность просвещать и обучать их тому, что такое наука о данных, почему их это должно волновать и какие приложения им нужны. относиться тоже.
Проблема, с которой я часто сталкиваюсь, заключается в том, что мой ответ должен быть на правильном уровне. Я учился и теперь работаю в этой области, честно говоря, я забыл, сколько жаргона используется. Чаще всего я отвлекаюсь от отличного объяснения только для того, чтобы обнаружить, что моя аудитория теряется после первого технического термина. По знаменитым словам Эйнштейна: «Гений — это взять сложное и сделать его простым».
Недавно у меня состоялся замечательный разговор с менеджером по маркетингу нашей компании. Он описал науку о данных, а точнее машинное обучение, на примере Go. Я думал, что это было здорово. Во-первых, все знают шахматы. Итак, есть общая ссылка. Во-вторых, каждый понимает, как работают шахматы, и может интуитивно понять, как вероятность используется для победы в партии. Он объяснил, что модель выучила правила игры. Затем, сыграв сотни игр против людей, можно было бы оптимизировать свою стратегию, чтобы победить. Вуаля! Как просто!
Да, это захватывающий пример. Но кого это волнует, если машина может обыграть любого человека в шахматы. Вряд ли это имеет отношение к нашей повседневной жизни. Еще один способ, который я использую, — это упорядочение новостей и элементов в новостной ленте каждого пользователя Facebook. Опять же, у всех есть Facebook. И увидеть, как наука о данных применяется в реальном мире.
Люди часто быстро сбрасывают со счетов важность науки о данных. Будь то то, что они против замены рабочих мест ИИ, потери подлинного опыта обслуживания клиентов или предвзятых алгоритмов. Их баллы действительны. Но они также отчуждены от полной истории.
Опять же, это прекрасная возможность просветить и сделать приложения более прозрачными. Таким образом, они знают, какую роль играют эти приложения, получают как можно больше контекста и откуда берутся ответы. Так что они могут принимать взвешенные решения. И отличать хорошее от плохого. Для того, чтобы чувствовать себя менее интимным. Вместо того, чтобы сразу исправлять науку о данных.
Важно, чтобы имя науки о данных росло. Мне бы хотелось услышать, как вы представляете себя в качестве специалиста по обработке и анализу данных и примеры используете для описания своих повседневная работа. Ведь мы все разделяем такую сильную страсть к этой области, кто еще лучше познакомит с ней других, чем мы.
