К вашему сведению, я работаю Data Scientist (DS) с 2019 года по настоящее время. Я работал в разных отраслях, таких как консалтинг, FMCG и контент-маркетинг, что дало мне разные взгляды на работу Data Scientist.
В прошлом месяце я присоединился к своей третьей компании, которая занимается платформой контент-маркетинга. Мой первый проект — создать информационную панель, чтобы понять, как работают наши модели НЛП. Часто ли наши пользователи используют его для замены ручного способа или они предпочитают создавать контент самостоятельно, что означает, что модели NLP не работают с нашими пользователями.
Создание дашборда — не скучная работа с моей стороны. Мне бы это понравилось, но эта домашняя работа заставляет меня задуматься, выполняю ли я работу DS или нет. Создавая причудливые модели машинного обучения, я чувствую, что следую тенденциям, делаю правильную работу DS и иду по правильному пути, чтобы стать Senior DS.
Поэтому я ставлю себя на место владельца или руководителя высокого уровня и пытаюсь понять, почему меня нанимают?
Одна вещь, которую я усвоил, это то, что с точки зрения бизнеса, в конце концов, все зависит от затрат и выгод. Как мы можем получить прибыль? Как уменьшить или сэкономить? Как увеличить наш доход? Как оптимизировать работу или лучше обслуживать клиентов?
Быть Data Scientist — часть этой деятельности. Раньше я создавал отличную модель машинного обучения с высокой скоростью отзыва. Однако, когда я показал свою «отличную» работу с моей точки зрения заинтересованным сторонам, им было наплевать. Причина в том, что моя модель не решает ни одной проблемы с их точки зрения. Я не могу доказать выгоду, чтобы принести его на развертывание и применить в организации. Сложная модель машинного обучения с высокой точностью не имеет смысла, если она не согласуется с бизнес-моделью, не устраняет болевые точки или не приносит особой пользы.
Помня об этих болезненных воспоминаниях, я напоминаю себе, что сначала я должен позиционировать себя как Решатель проблем, прежде чем сохранить свой БОЛЬШОЙ титул Data Scientist. Это причина, по которой знание предметной области представляет собой большой круг на диаграмме Венна, которую мы часто видим. Понимание бизнес-модели и основ отрасли, над которой мы работаем, чрезвычайно важно.
Новые тенденции будут приходить и уходить. В 2000-х все дело в программном обеспечении. В 2010-х наука о данных и искусственный интеллект доминировали на всех медиа-страницах. А в последнее время все о NFT, Metaverse и т. д. Но проблемы никогда не перестанут к нам приходить.
Сосредоточение внимания на решении проблем и влиянии на мою организацию делает мой ум более спокойным и спокойным, чем погоня за новейшими технологиями, и ограничивает машинное обучение как единственный инструмент для решения моей назначенной «домашней работы».
Это мое мнение. Как насчет вашей? Дайте мне знать в поле для комментариев!!! :)
