دانشمند داده زیرک چگونه رفتار می‌کند؟

منتشر‌شده در: towardsdatascience به تاریخ 10 فوریه2021
لینک منبع: How To Identify A Clever Data Scientist In 7 Minutes Or Less

بین باهوش و زیرک تفاوت وجود دارد. به طور کلی، دانشمندان داده و متخصصان یادگیری ماشینی، باهوش هستند، به این معنی که آن‌ها هوش فنی عمومی دارند که آن‌ها را در حرفه خود قدرتمند می‌سازد.

از سوی دیگر، زیرکی یک قدم فراتر از توانایی‌های عقلانی می‌گذارد. برای هدایت اقدامات و تصمیمات، دانشمندان داده زیرک نشانه‌های احساسی، الگوهای رفتاری، دانش محیطی و موارد دیگر را در طول تعاملات با هم ترکیب می‌کنند.

آن‌ها داستان‌های جذابی تعریف می‌کنند.

داستان‌سرایی، عبارتی که ویژگی‌ها و مهارت‌های مورد نیاز یک ارتباط‌دهنده نمونه را در خود جای می‌دهد. یک دانشمند داده زیرک، یک ارتباط برقرار کننده موثر است. آن‌ها از هنر داستان‌سرایی برای رسیدن به اهداف تعیین‌شده یا انتقال ایده‌ها استفاده می‌کنند.

نیاز به داشتن مهارت‌های نرم مانند ارتباط را می‌توان نیاز ثانویه مهارت‌هایی مانند برنامه‌نویسی، تحقیق آزمایشی یا مهارت‌های تحلیلی دانست.
با این حال، یک دانشمند داده زیرک، اهمیت ایجاد یک رابطه پایدار با مشتریان، اعضای تیم، مصرف کنندگان و مدیران را به رسمیت می‌شناسد. و داستان‌سرایی یک روش اثبات شده ‌برای رسیدن به این هدف است.

من از داستان‌سرایی برای توضیح تاثیر تصمیمات تکنولوژیکی خاص بر تحویل پروژه، اجرای برنامه و نگهداری استفاده کرده‌ام. برای مثال، استفاده از داستان‌های شخصی برای توضیح اینکه چرا استفاده از یک مدل یادگیری عمیق منتشر شده توسط اپل برای استفاده از یک راه‌حل منبع باز نگهداری شده توسط یک شخص ثالث مطلوب است.

در سناریوی بالا، استفاده از داستان‌سرایی نتیجه بهتری نسبت به بیان صریح این واقعیت آشکار داشت که سطح بالایی از قابلیت اطمینان بر روی نرم‌افزار منتشر شده توسط برندی معتبری مانند اپل وجود دارد. گاهی اوقات، افزودن یک حس شخصی افراد به دیدگاه‌ها در انتهای ماجرا طنین‌انداز می‌شود.

علاوه بر این، داستان‌سرایی یک مولفه انسانی را به قابلیت توجیه تکنیک‌ها و ابزارهای اهرمی در پروژه‌های یادگیری ماشینی به افراد غیرفنی اضافه می‌کند. غیرمنطقی است که از افراد عادی انتظار داشته باشیم که اصطلاحات فنی که ما با همکاران یادگیری ماشین خود به کار می‌بریم را درک کنند.

(استیو جابز) قصه‌گوی بزرگی بود و مهارت‌های قصه‌گویی او به سخت‌افزار ساده روح می‌بخشید. دانشمندان داده‌ زیرک نیز همین کار را با داده‌ها انجام می‌دهند. هوش جمعی از داده‌های با علامت‌های کلامی انسانی جمع‌آوری شده‌ است، و شما توانایی تحت تاثیر قرار دادن مخاطبان را به دست خواهید آورد.

داستان‌سرایی لزومی ندارد کلامی باشد. یادداشت‌ها، مقالات و یا اسناد نوشته شده می‌توانند پیام‌ها و ایده‌ها را در یک طرز فکر منتقل کنند که فرم‌های شفاهی قادر به انجام آن نیستند.

برای مثال، دانشمندان داده در رسانه را در نظر بگیرید. من با افرادی برخورد کرده‌ام که در مشاغل مربوطه خود برتر هستند، اما یک گام اضافی برای برقراری ارتباط با تجارب، دانش و تخصص خود را از طریق مقالات متوسط برمی‌دارند. اطلاعات بسیار زیادی برای به اشتراک گذاشتن در داستان‌سرایی وجود دارد، و مزایای آن زمانی محقق می‌شوند که در نقش‌های فنی به کار برده شوند. اما من آن را برای یک مقاله در آینده ذخیره می‌کنم.

گام‌هایی برای بهبود داستان‌سرایی و مهارت‌های ارتباطی:

تا جایی که می‌توانید به طور عمومی صحبت کنید.
کتاب‌های بیشتری بخوانید.
از سایر سخنرانان خوب یاد بگیرید.

مطالعه مقاله ۲۱ توصیه و نکته برای دانشمندان داده در سال ۲۰۲۱ به شدت توصیه می‌شود.

آن‌ها تاثیرگذاری را نادیده نمی‌گیرند.

من در نقش فعلی خود به عنوان یک مهندس ویژن کامپیوتر، سعی می‌کنم تاثیری که بر بخش‌های دیگر کسب‌وکار دارم را تشخیص دهم. من تصدیق می‌کنم که سرعت و دقت راه‌حل یکپارچه شده در برنامه کاربردی شاخص ما عواملی هستند که نرخ پذیرش محصول را در میان مخاطبان هدف ما تعیین می‌کنند.

دانشمندان داده تاثیر دارند، و همچنین خروجی که ما تولید می‌کنیم. در زیر چند دسته از تاثیرگذاری برای بررسی شما آورده شده است:

تاثیر کسب‌وکار: فعالیت‌های مرتبط با داده، هسته اصلی شرکت‌های مبتنی بر فن‌آوری هستند. اقداماتی که دانشمندان داده انجام می‌دهند، جریان عملیات تجاری، تصمیمات و تحقیقات معمول را اجرا می‌کنند.
تاثیر محصول: راه‌حل‌ها یا کسب‌و‌کارهای خدماتی محور در تحویل مداوم به مشتریان باید موفق باشند. متخصصان DS و ML مسئول اجرای ویژگی، نگهداری و ارتقا مسئولیت تحویل، یک محصول قابل‌استفاده و کاربردی را به اشتراک می‌گذارند.
تاثیر جامعه: در عصر حاضر که AI و فن‌آوری‌های مبتنی بر داده در جوامع یکپارچه شده‌اند، کار دانشمندان داده بر روی گروه‌ها و فعالیت‌های جوامع تاثیر می‌گذارد.
تاثیر اخلاقی: کاری که ما تولید می‌کنیم نتیجه مستقیم یا غیرمستقیم بر معیشت افراد دارد. متخصصان ML مسئولیت در نظر گرفتن اصول تکنولوژی و برنامه‌های توسعه‌یافته را دارند.

یک محقق داده متوسط معمولا با تاثیر فنی در ارتباط است؛ به طور خاص، تکنیک‌ها، توابع و کدهای اجرا شده بر روی نتیجه مورد نظر تاثیر دارند. داشتن دیدگاه تاثیر فنی نه تنها مضر نیست. بلکه یک دانشمند داده زیرک، وقت و زمان بیشتری می‌گذارد و اثرات دیگر را نیز در نظر می‌گیرد.

با در نظر گرفتن دیگر اشکال تاثیر که می‌تواند ناشی از خروجی کار علوم داده باشد، این تصور که شما، به عنوان یک متخصص یادگیری ماشینی، افکاری با نتایج بلندمدت دارید را پشتیبانی می‌کند.

به عنوان یک واسطه بین تیم فنی و سهامداران پروژه، برخورد با مهندسان ML که عوامل فراتر از نگرانی‌های فنی را در نظر می‌گیرند، فرح‌بخش است. به طور خاص‌تر، من تحت تاثیر تیم‌هایی قرار گرفته‌ام که در برآورد زمان تحویل برنامه و هزینه آنها، مزیت اولین محرک را در نظر می‌گیرند.

گام‌هایی برای بهبود بررسی تاثیر:

سوالات درست را بپرسید.
خودتان را جای دیگر افراد درگیر در یک پروژه بگذارید: مشتری‌ها، کاربران نهایی، توسعه دهندگان، طراحان و غیره.
همدل باشید.

آن‌ها واقعا گوش می‌دهند.

توانایی گوش دادن یک هنر گمشده است. ممکن است متناقض به نظر برسد، اما اولین گام پیشنهادی برای تبدیل شدن به یک رابط موثر این است که شنونده دقیقی شوید.

پیش از این، من مقاله‌ای نوشتم که مراحل مشترک در یک پروژه یادگیری ماشین معمولی را نشان می‌داد. اولین گام شامل گوش دادن به مشکلات مشخص‌شده توسط مشتری، مصرف‌کننده، یا کاربران است. من در روزه‌های اول به عنوان یک توسعه‌دهنده وب به جای گوش دادن هدفمند به مشتریان در مورد مشکلاتشان، مشتاق بودم تا از تعریف مساله و فاز تجزیه و تحلیل عبور کنم و مستقیما تصمیم بگیرم که یا از حالت زاویه‌ایی، واکنش یا ویو برای ایجاد یک راه‌حل استفاده کنم. این باعث شد که من نقاط درد کلیدی که مشتری ابراز می‌کرد را از دست بدهم، و در نتیجه، من راه‌حل‌هایی را اجرا کردم که مشتری به آن‌ها نیازی نداشت.

درسی که در اینجا یاد گرفتیم این است که گوش دادن فعال به نقاط مشکلات سهامداران پروژه شما را از ماه‌ها اجرای راه‌حل‌هایی که مشکلات اشتباه را حل می‌کنند، نجات می‌دهد.

متخصصان فعال ML در جزئیات کتابخانه‌ها، معماری‌های شبکه عصبی و ابزارهای ساخت راه‌حل‌های پیشنهادی گرفتار می‌شوند. این تقصیر هیچ‌کس نیست، ماهیت رشته AI افراد فن‌آوری محور را فرا می‌خواند. اما این اهمیت دارد که ما به عنوان طرفداران تکنولوژی، هدف خود تکنولوژی را به یاد ‌آوریم، که کاهش مسئولیت‌های دستی و پر زحمت در زندگی‌مان است.

گام‌هایی برای بهبود توانایی‌های گوش دادن:

بدون دلیل حرف کسی را قطع نکنید.
نسبت به ایده‌ها و افکار مختلف روشن فکر باشید.
حواس‌پرتی‌ها را حذف کنید.
به نشانه‌های زبان بدنی دقت کنید.

ممکن است مطالعه مقاله بهترین راه برای آماده‌سازی شغلی در علم داده / یادگیری ماشینی چیست؟ برای شما مفید باشد.

آن‌ها سوالات درستی می‌پرسند.

علم یک زمینه مرتبط با کشف و استفاده از دانش است، که در آن موفقیت یا حداقل پیشرفت با پرسش از ماهیت جهان هدایت می‌شود. گاهی اوقات ما مولفه «علم» را در علوم داده فراموش می‌کنیم.

رشته علوم داده نیازمند این است که افراد دارای ماهیت کنجکاوی باشند. متخصصان DS / ML همکاران، مشتریان، و بدیهی است، داده‌ها را زیر سوال می‌برند. درک اینکه چگونه و چه موقع باید سوالات درست را بپرسید، مسیر موفقیت را هدایت می‌کند.

تعداد سوالاتی که می‌پرسید مهم نیست، بلکه چیزی که شما از آن سوال می‌کنید، موردی است که تعامل موثر و مفید ایجاد می‌کند و به کیفیت سوالات پرسیده شده بستگی دارد.

مشارکت مشتری

نتیجه فرعی گوش دادن فعال، شناسایی سوالات مناسب برای پرسیدن و زمان مناسب برای پرسیدن آن‌ها است.

دانشمندان داده اغلب با مشتریان تعامل می‌کنند، یا کاربران محصول با پرسیدن سوالات مناسب، مقدار زیادی از دانش را به دست می‌آورند. اگرچه ممکن است نشان دادن تخصص و دستاوردهای فنی به مشتریان بالقوه وسوسه برانگیز باشد، اما استخراج اطلاعات از طرف دیگر بسیار حیاتی است.

استخراج موثر اطلاعات ارزشمند از مشتریان با پرسیدن سوالات باز و اجتناب از سوالات پیشرو به دست می‌آید.

سوال ۱: چه دیدگاه‌هایی برای موفقیت کسب‌وکار شما ارزشمند هستند؟
سوال ۲: آیا می‌خواهید دیدگاه‌های داده‌ای را استخراج کنیم که به همبستگی بین مشتریان و مکان آن‌ها اشاره دارد؟

سوال ۱در بالا مثالی از یک سوال باز است. به مشتری این امکان را می‌دهد تا اطلاعاتی را در رابطه با عوامل مهم و با ارزش ارائه دهد.

سوال دوم، از طرف دیگر، اجازه یک پاسخ دودویی، بله یا خیر را می‌دهد. هیچ فرصتی به مشتری داده نمی‌شود که توضیح دهد، و حتی بدتر از آن، فرضیات با درخواست از دانشمند داده ایجاد می‌شوند.

تعامل فنی

اخیرا من با یک تیم یادگیری ماشینی تعامل می‌کنم و در مورد اینکه استخراج ویژگی داده‌های خام باید در داخل خط اصلی برنامه انجام شود، اختلاف‌نظر وجود داشت.

به جای اینکه دیدگاه‌هایم را به آنها تحمیل کنم و تخصصم را نشان دهم. من تصمیم گرفتم که سوالات درست را بپرسم. و از طریق تبادل غیرخودخواهانه دانش، هر دو طرف به طور مثبت از تعامل برخوردار شدند.

پرسیدن سوالات درست در مشارکت‌های فنی فرصتی برای یادگیری از دیگران فراهم می‌کند، و به طور گسترده، یک رابطه بین فردی با همکاران ایجاد می‌کند.

گام‌هایی برای پرسیدن سوالات درست:

سوالات توضیحی و توصیفی بپرسید که به طرف مقابل اجازه می‌دهد تا موضوعات خاص را شرح دهد.
سوالات را به اندازه کافی فرموله کنید.

نتیجه‌گیری

دانشمندان داده در همه شکل‌ها و اندازه‌ها حضور دارند. با توجه به تجربه‌ام، متوجه شدم که دانشمندان موفق داده، تعادلی بین هوش فنی و هوش هیجانی پیدا می‌کنند.

ویژگی‌هایی را که احساس می‌کنید یک متخصص زیرک یادگیری ماشینی باید داشته باشد در بخش نظرات به اشتراک بگذارید.

این متن با استفاده از ربات مترجم مقاله علوم دیتا ساینس ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به‌صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.