چگونه در سال آینده محقق داده (data scientist) بزرگی بشویم؟

سال آینده شما به عقب نگاه می­کنید و از پیشرفت خود به عنوان یک محقق داده شگفت زده خواهید شد. من شک ندارم و شما هم شک نداشته باشید. هرچند برای انجام این کار تمرین و سخت کوشی نیاز است. در ادامه، پنج تصمیم برای شروع درست یک سال جدید مورد بحث و بررسی قرار خواهد گرفت.

هر روز بیاموزید

سال آینده سال رشد و پیشرفت شماست. متعهد شوید که هر روز حداقل سی دقیقه وقت برای یادگیری صرف می کنید. یادگیری می­‌تواند به هر شکلی باشد که شما می­‌خواهید. می‌­تواند خواندن یک کتاب، شروع یک دوره جدید آنلاین، رفتن به یک جلسه یا شروع یک وبلاگ باشد.

برای این هدف، زیاد به آنچه که قرار است یاد بگیرید فکر نکنید و فقط یادگیری را شروع کنید. طبق تجربه من تقریباً تمام دیتاساینتیست‌­ها از یادگیری انگیزه می­‌گیرند؛ اما اغلب، وقت زیادی را صرف فکر کردن در مورد آنچه باید یاد بگیرند می‌کنند. ما می‌­خواهیم بهترین موضوع ممکن را انتخاب نماییم؛ بنابراین به جای یادگیری، وقت خود را صرف فکر کردن در مورد موضوع یادگیری می­‌نماییم.

این بدان معنا نیست که شما نباید وقتی برای فکر کردن در مورد آنچه می‌­خواهید بیاموزید صرف کنید؛ بلکه فقط کافی است که ایده را بدانید و طبق آن پیش روید. شاید شما همیشه خواسته باشید که در مورد تقویت یادگیری بیش‌تر بیاموزید. این کار را انجام دهید! چند روز اول یادگیری فقط می­‌تواند صرف یافتن بهترین منابع تقویت یادگیری شود. سپس می­‌توانید کار اصلی را شروع کنید.

همچنین فراموش نکنید که شما برای یادگیری زمان‌تان را صرف می‌­کنید. بنابراین اگر همچنان نسبت به یادگیری شک دارید، آن را تغییر دهید. موضوع دیگری را انتخاب کنید، روش یادگیری دیگری پیدا کنید یا با یک دوست مشورت کنید. نکته اصلی این است که راهی بیابید برای اینکه هر روز بتوانید یاد بگیرید. اگر بتوانید این کار را انجام دهید سال آینده سال رشد و پیشرفت شگرف شما خواهد بود.

یک مالک باشید (كار را مال خود كنيد)

مهم نیست نقش شما چیست، مردم در سال آینده شما را به عنوان کسی که نقش مهمی در شرکت داشته است می‌­شناسند. شما یک ذهنیت مالک بودن با استفاده از سوالات زیر ایجاد خواهد کردید (پروژه را مال خود کنید):

  • چگونه این پروژه شرکت را به اهداف خود نزدیکتر می­‌کند؟
  • آیا من چشم‌انداز پروژه را درک می­‌کنم و آیا می‌توانم راه‌حلی خلاقانه­ بیابم؟
  • چگونه می­‌توانم اطمینان یابم که این پروژه موفق می­‌شود؟ حتی اگر برخی موارد، جزئی از وظیفه شغلی من نباشد.

بسیاری از سؤال‌­های دیگر نیز وجود دارند که می‌­توانید بپرسید. اما این 3 مورد می­‌تواند شروع خوبی برای تغییر ذهنیت شما برای به سرانجام رسیدن کارها باشند. شما شگفت زده خواهید شد که چقدر این مورد باعث تغییر کار شما خواهد شد. در واقع شما به سمت یک مشارکت‌کننده بهتر، یادگیری مهارت‌­های جدید و نوآوری سوق داده می‌شوید؛ زیرا تا زمانی ­که کاری را که می‌خواهید انجام دهید، مال خود نکنید، آن کار انجام نخواهد شد.

به نظر من این مهارت برای محققان داده از اهمیت ویژه‌­ای برخوردار است زیرا داده­‌ها بخش عمده‌­ای از شرکت‌ها را تشکیل می‌دهند. این بدان معنی است که شما به عنوان یک محقق داده مجبور هستید در بسیاری از بخش­‌های شرکت کار کنید تا اطمینان حاصل کنید که کارتان باارزش است. اگر بتوانید بر این مهارت تسلط داشته باشید، ارزشمند می‌شوید.

ساده شروع کنید

مطمئناً مدل­‌های پیچیده‌­ای وجود دارند که می­‌توانند نتایج فوق العاده‌­ای را ارائه دهند؛ اما هنگام شروع یک پروژه از خود خواهید پرسید:

چگونه می توانم اولین مدل خود را در یک روز بسازم؟

ساخت اولین مدل­تان در مدت یک روز شما را وادار می کند تا فقط بر روی ساده ماندن و حل کردن بحرانی‌ترین مشکلات متمرکز شوید. به احتمال زیاد مدل شما بسیار بد خواهد بود؛ اما اکنون یک پایه و زیربنا خواهید داشت که می‌توانید مراحل بعدی را بر آن بنا کنید. افزودن پیچیدگی به مراتب آسان­‌تر از حذف آن است. شما به عنوان یک محقق داده با پیروی از این قانون ساده می‌­توانید پیچیدگی­‌ها را نادیده بگیرید و تنها بر مشکلات اصلی که نیاز دارید حل شوند تمرکز کنید.

شکست بیش‌تر

همان­طور که گفته می‌­شود: «شما بیشتر از شکست یاد می گیرید تا از موفقیت.» من صد در صد به این جمله معتقدم. شکست فقط به معنای یادگیری یا رشد نیست. عدم موفقیت و سپس وقت گذاشتن برای یافتن علت آن و تعیین اهداف برای بهبود می‌­تواند به رشد و پیشرفت شما به طور قابل توجهی کمک کند.

امسال هدف شما این خواهد بود که بهتر از بقیه شکست بخورید. اهداف شما در جهت محدویت‌هایتان خواهد بود که نهایتاً به شکست شما منجر می‌شود و هنگامی که شکست بخورید، آنگاه رشد خواهید کرد.

به عنوان مثال، می‌توانید یك نوع مدل یادگیری ماشین (machine learning) كه قبلاً هرگز از آن استفاده نکرده­‌اید را به عنوان هدفتان ارائه دهید. این می‌­تواند چیزی مانند یادگیری تقویتی یا یادگیری عمیق احتمالی (probabilistic deep learning) باشد. این نوع هدف، شما را به بیرون از ناحیه امن‌تان سوق می‌دهد و شما را مجبور به رشد می­‌کند.

هرچند باید مراقب باشید که به درستی شکست بخورید. انجام یک ریسک بزرگ در مورد یک پروژه مهم و حساس ایده خوبی نیست. هر چند همین هدف در یک پروژه فرعی می‌­تواند ایده خوبی باشد. این هدف در واقع این جمله «ساده شروع کنید» را تکمیل می­‌کند؛ از این جهت که شما را به سمت محدودیت­هایتان سوق می­‌دهد؛ در غیر این صورت، شاید هیچ گاه از وجود الگوریتم‌­ها یا تکنولوژی­‌های جدید و باارزش آگاه نمی‌شدید.

کمک كردن به دیگران

و در آخر در سال آینده هدفی را برای کمک كردن به دیگران تعیین کنید. زمانی را برای مشاوره دادن، تدریس، راهنمایی یا کمک به رشد دیگران پیدا کنید. دفعه بعد که یک محقق داده جوان در لینکدین (LinkedIn) به دنبال راهنمایی است، پاسخ دهید و به او کمک کنید. آدام گرانت (Adam Grant) در مورد ارزش کمک کردن به دیگران (giver) بسيار زيبا صحبت كرده است كه من به شدت با او موافقم. نه تنها به دیگران کمک می­‌کند بلکه به شما نيز کمک می‌­کند.

من مطمئن هستم که فارغ از تجربه یا سطح مهارت‌تان، می­‌توانید راه‌­هایی برای کمک به دیگران بیابید. فقط بايد نگاه کنيد. امیدوارم که اين پنج تصمیم به شما کمک کنند سال جديد را به درستی شروع کنید؛ به طوري كه سال آینده براي شما به عنوان سال رشد و یيشرفت، يادگيري و موفقيت باشد.

منبع: towardsdatascience