Inhalt
- Abwechslungsreiche Definitionen, abwechslungsreiche Aufgaben
- Keine Bugs, kein Stress - Ihre schrittweise Anleitung zur Erstellung lebensverändernder Software, ohne Ihr Leben zu zerstören
- Die Fähigkeiten eines Data Scientist
Quelle: Sergey Khakimullin / iStockphoto
Wegbringen:
Datenwissenschaftler haben vielfältige Aufgaben, die je nach Anwendung erheblich variieren. Allen gemeinsam ist jedoch das Bestreben, die Daten optimal zu nutzen.
Was macht ein Data Scientist im Bereich künstliche Intelligenz und maschinelles Lernen? Viele Profis, die sich jeden Tag mit solchen Projekten beschäftigen, würden sagen, die Frage sei einfach schwer zu beantworten. Eine bessere Frage wäre: Was machen Data Scientists NICHT?
Ein Data Scientist ist ein wesentlicher Bestandteil eines AI- oder ML-Prozesses, da all diese Projekte von Big Data oder komplexen Eingaben abhängen. Der Data Scientist ist der unverzichtbare Karrierist, der weiß, wie man mit Daten arbeitet, um Ergebnisse zu erzielen.
Es gibt jedoch einige Möglichkeiten, darüber zu sprechen, was ein Data Scientist tut, welche Qualifikationen er benötigt und welche Rolle er dabei spielt.
Lesen: 6 Wissenschaftliche Schlüsselkonzepte, die Sie durch Online-Lernen beherrschen können
Abwechslungsreiche Definitionen, abwechslungsreiche Aufgaben
Viele Experten, die die Arbeit eines Datenwissenschaftlers beschreiben, sprechen darüber in groben Zügen.
„In kleinen Unternehmen oder auf einem neuen Markt besteht die Aufgabe eines Datenwissenschaftlers darin, relativ neue (aber offensichtliche) Datenquellen in Daten umzuwandeln, die ein Problem für den Endbenutzer lösen, das früher nicht möglich gewesen wäre. Wo die eingesetzten Technologien nicht existierten, sagt Antonio Hicks, Account Manager bei Mercury Global Partners. "Der ideale Kandidat ist jemand, der teils Mathematiker, teils Softwareentwickler und teils Unternehmer ist."
Andere halten an dieser Grundidee fest und erwähnen, welche Daten Wissenschaftler benötigen, um Modellierungsprojekte anzugehen.
„Das wichtigste Attribut, das ein Data Scientist benötigt, ist eine tiefe Neugier auf die Welt um ihn herum - ob sie Fragen beantworten oder Modelle bauen, der Wunsch, das Problem vor sich zu verstehen, ist der Schlüssel“, sagt Erin Akinci, Data Scientist Manager bei Asana. „Von dort aus werden die meisten Leute Kenntnisse in Mathematik und Programmierung benötigen, um Lösungen zu finden, aber die spezifischen Arten von Mathematik und Programmierung variieren stark je nach Fachgebiet innerhalb der Datenwissenschaft.“
Keine Bugs, kein Stress - Ihre schrittweise Anleitung zur Erstellung lebensverändernder Software, ohne Ihr Leben zu zerstören
Sie können Ihre Programmierkenntnisse nicht verbessern, wenn sich niemand um die Softwarequalität kümmert.
„Exzellente wissenschaftliche Arbeit hat mehr mit der Art und Weise zu tun, wie ein Wissenschaftler über ein Problem denkt, als mit den Tools, mit denen sie es lösen“, fügt Charlie Burgoyne, Gründer und CEO von Valkyrie Intelligence, hinzu. Valkyrie ist ein Beratungsunternehmen für angewandte Wissenschaft mit beeindruckenden Projekten wie dem Mark I, einer dedizierten Netzwerk-Appliance, die das Training und Testen neuronaler Netzwerke fördert und die Möglichkeiten vorhergehender cloudbasierter Plattformen für maschinelles Lernen verbessert.
"Der Markt verlangt nach Wissenschaftlern, die sich mit Python-Entwicklung, neuronaler Netzwerkkonstruktion und der Möglichkeit auskennen, ein Datenrepository in die neueste Datenbankarchitektur umzugestalten", sagt Burgoyne. „Für einen talentierten Wissenschaftler stehen diese Fähigkeiten jedoch auf dem Spiel. Was weniger offensichtlich ist, ist die Begabung eines Wissenschaftlers für unerschrockene Neugier, aggressiven Einfallsreichtum und das Festhalten an der wissenschaftlichen Methode. “
Die Fähigkeiten eines Data Scientist
Was die praktischen Fähigkeiten angeht, benötigen Datenwissenschaftler beim Modellieren ein gewisses Maß an Kreativität und Geschicklichkeit. Sie können auch eine Menge davon profitieren, wenn sie über „harte Fähigkeiten“ verfügen, wie z. B. Erfahrung im Codieren in Python, C ++ oder anderen für ML-Projekte üblichen Sprachen.
„Python und C ++ sind unerlässlich, und die Fähigkeit, Codierungsfähigkeiten mit Datenanalyse und -verarbeitung zu kombinieren, ist eine Kernkompetenz, die einen Data Scientist als starken Kandidaten oder Mitarbeiter auszeichnet“, sagt Val Streif von Pramp, einer Online-Plattform für nachgemachte Interviews für Softwareingenieure, Entwickler und Datenwissenschaftler. "Ein Teil der Programmierkenntnisse könnte durch die Zusammenarbeit eines Data Scientists mit einem Entwickler beseitigt werden. Aus Sicht eines Unternehmens ist es jedoch viel einfacher, beide Fähigkeiten in einem zu kombinieren."
Andere Experten erweitern die Liste um R, Hadoop, Spark, Sas und Java sowie um Technologien wie Tableau, Hive und MATLAB.
All dies ist ein eindrucksvoller Lebenslauf, aber einige, die Erfahrung mit der Rekrutierung von Datenwissenschaftlern haben, sagen auch, dass die anderen „menschlichen“ Seiten wichtig sind. (Eine Art von Data Scientist ist der Citizen Data Scientist. Weitere Informationen finden Sie unter Die Rolle von Citizen Data Scientists in der Big Data-Welt.)
„Traditionell sind Personen mit einer vielfältigen Ausbildung im Bereich der freien Künste hervorragende Datenwissenschaftler“, sagt Burgoyne und unterscheidet zwischen Ingenieuren, die auf der Gebäudeseite arbeiten, und Datenwissenschaftlern, deren Arbeit viel konzeptioneller sein kann. Er fährt fort:
Fachkenntnisse in einem traditionellen MINT-Bereich mit einem komplementären Schwerpunkt in den Bereichen Geisteswissenschaften, Kunst oder Wirtschaft ergeben die Eigenschaften, die einen exzellenten industrieorientierten Wissenschaftler auszeichnen. Es muss gesagt werden, dass es für die Fähigkeit der Organisation ebenso wichtig ist, diese Qualitäten zu nutzen und ihre Leidenschaft und Methoden auf produktive Weise zu gestalten. Ich habe festgestellt, dass die Organisation, wenn eine datenwissenschaftliche Initiative nicht erfolgreich ist, wahrscheinlich genauso schuldig ist wie die Wissenschaftler. Wissenschaftler sind keine Ingenieure. Sie sind nicht getrieben, um auszuführen und zu bauen. Sie sind getrieben zu entdecken und zu verstehen. Organisationen, die diesen Unterschied verstehen, werden für die Bearbeitung beider Felder gut belohnt.
Was Data Scientists normalerweise tun, hat mit den Kernzielen des Unternehmens zu tun. Einige Firmen verfolgen ein dezentrales Internet - andere spielen mit IoT oder SaaS herum. Andere versuchen, „benutzerfreundliche“ oder „ethische“ oder „transparente“ KI voranzutreiben.
In jedem Fall ist es wahrscheinlich, dass Datenwissenschaftler die Kluft zwischen den harten Metriken für die von ihnen verwendeten Daten, unabhängig davon, auf welchem Technologie-Stack sie sich befinden, und der Freilaufarbeit bei der Konzeption der AI / ML-Funktionalität überbrücken.
„Wir beauftragen Data Scientists mit der Verwaltung der Datenerfassung und -bereinigung sowie der Umsetzung dieser Daten in aussagekräftige Informationen“, sagt Michael Hupp, Manager für Data Science und Analytics bei G2 Crowd. Er arbeitet aus:
In der Regel bedeutet dies, alle wichtigen Algorithmen zu verwalten, die die Daten-Engine eines Unternehmens antreiben, und die wichtigsten Analysetools und -sprachen zu beherrschen. In den letzten Jahren wurden jedoch auch neue Bereiche wie die Verarbeitung natürlicher Sprachen, maschinelles Lernen und andere Formen der AI-fähigen Analyse berücksichtigt. Die erfolgreichsten Datenwissenschaftler sind diejenigen, die ihre harten Fähigkeiten mit der Fähigkeit, schnell zu lernen, und der Fähigkeit, die aufgedeckten Erkenntnisse effektiv zu kommunizieren, kombinieren, damit sie für ihr Geschäft von Bedeutung sind.
Mit diesen Erkenntnissen ist es für junge Berufstätige oder Studenten einfacher, herauszufinden, ob Datenwissenschaftler für sie eine gute Rolle spielen und wie sie Fähigkeiten erwerben können. Das MINT-Lernen wird in Schulen im ganzen Land immer zugänglicher, aber es gibt keinen Ersatz für die Leidenschaft für Codierung und Technologie und die Fähigkeit, spontan zu lernen.