人工智能和数据科学团队中的十种角色 - kdnuggets


如果您希望通过决策智能工程方法使您的数据有用,那么这就是我的团队成长顺序:
 
#0数据工程师
当然,我们开始从零开始计数,因为您需要具备在讨论数据分析之前有意义的数据获取能力。如果要处理小型数据集,则数据工程实质上是在电子表格中输入一些数字。当您以更大的规模运行时,数据工程本身就变成了复杂的学科。您团队中的某人将需要负责处理棘手的工程方面,即提供其余员工可以使用的数据。
 
#1决策者
在聘用受过博士学位的数据科学家之前,请确保您有一位了解数据驱动决策的艺术和科学的决策者。
在团队可以从数据中获取价值之前,必须具备决策能力。
该人员负责确定值得对数据做出的决策,对它们进行构架(从设计度量到统计假设的一切决策),并根据对业务的潜在影响确定所需的分析严格度。寻找一位思想深刻的思想家,他不停地说:“哦,哎呀,在我思考这个决定时,我竟然没有想到。” 
 
#2分析师
然后下一个雇用者是…每个已经与您合作的人。每个人都有资格查看数据并获得启发,唯一可能会丢失的是对非常适合该工作的软件的一点熟悉。如果您曾经看过数码照片,那么就可以完成数据可视化和分析。
学习使用R和Python之类的工具只是对MS Paint的升级,以实现数据可视化。它们只是用于查看更多数据集的功能更广泛的工具,而不仅仅是 红绿蓝像素矩阵
如果您曾经看过数码照片,那么就可以完成数据可视化和分析。这是同一件事。
嘿,如果您只需要查看电子表格中的前五行数据,那总比没有好。如果整个员工都有权这样做,那么您将比没有人看任何数据时更好地把握业务发展。
 
#3专家分析师
可以更快地查看更多数据。这里的游戏是速度,探索,发现……很有趣!这与严谨和谨慎的结论无关。相反,这是帮助您的团队尽可能多地关注您的数据的人,以便您的决策者可以更加谨慎地了解值得追求的东西。
这里的工作是速度,要尽快遇到潜在的见解。
这可能是违反直觉的,但是不要让您的最可靠的工程师来编写此角色,这些工程师只是负责编写华丽而强大的代码。这里工作强调的是速度,要尽可能快地遇到潜在的见解,但是不幸的是,那些痴迷于代码质量的人可能会发现很难足够快地缩放数据以在此角色中发挥作用。
那些热衷于代码质量的人可能会发现很难在这个角色中发挥作用。
 
#4统计师
灵感很便宜,但严谨却很昂贵。统计人员可以帮助决策者安全地得出数据之外的结论。
例如,如果您的机器学习系统在一个数据集中工作,那么您可以放心地得出结论,它在 该 数据集中工作。它在生产中运行时会工作吗?你应该启动它吗?您需要一些额外的技能来处理这些问题:统计技能。 统计人员可以 帮助决策者安全地得出结论,而不是分析数据。
 
#5应用机器学习工程师
应用AI / 机器学习 工程师的最佳属性不是对算法如何工作的理解。 他们的工作是使用它们,而不是建造它们。 (这就是研究人员所做的。)您正在寻找能够使现有算法能够接受并搅动数据集的整理代码的专业技能。
除了快速编码手指,还要寻找可以应对失败的个性。即使您认为自己在做什么,您也几乎永远不知道自己在做什么。您可以通过一系列算法尽快运行数据,并查看数据是否正常运行……有合理的预期,在成功之前,您将失败很多。工作的很大一部分是盲目摸索,并且需要某种个性才能享受。
完美主义者倾向于作为一名ML工程师奋斗。
由于您的业务问题不在教科书中,因此您无法事先知道将要解决的问题,因此您不能指望在第一时间就能获得理想的结果。没关系,请尽快尝试许多方法并迭代解决方案。
谈到“通过算法运行数据”……什么数据?当然,分析人员认为这些输入可能很有趣。这就是为什么分析师作为早期雇员有意义。
尽管有很多修补程序,但对于机器学习工程师来说,对过程中至关重要的部分深切尊重是很重要的:评估。该解决方案实际上适用于新数据吗?幸运的是,您在以前的工作中做出了明智的选择,因此您所要做的就是将严谨交给统计学家。
最强大的应用ML工程师对应用各种方法需要多长时间有很好的认识。当潜在的ML应聘者可以在各种数据集上尝试选项的时间对选项进行排名时,这是会让人印象深刻的应聘者。
 
#6数据科学家
数据科学家是前三个角色的全面专家。
该职位处于第6位,因为聘用真正的三合一是一项昂贵的选择。如果您可以在预算范围内聘用一个人,这是一个好主意,但是如果您的预算很紧,请考虑提高技能并发展现有的单一角色专家。
 
#7 分析经理/数据科学Leader
分析经理是下金蛋的鹅:他们是数据科学家和决策者之间的混合体。他们在团队中的存在起到了倍增的作用,确保您的数据科学团队不会陷入困境,而不是为您的业务增值。
决策者+数据科学家混合体是力量倍增器。不幸的是,他们很少见,很难雇用。
这个人在晚上会被诸如“我们如何设计正确的问题?我们如何做出决定?我们如何最好地分配专家?值得做什么?技能和数据是否符合要求?我们如何确保良好的输入数据?”
如果您很幸运地雇用了其中之一,请坚持使用它们,永远不要让他们离开。在此处了解有关此角色的更多信息。
 
#8定性专家​​/社会科学家
有时,您的决策者是组织政治的杰出领导者、经理、激励人、有影响力的人或领航者……但却不熟练掌握决策的艺术和科学权衡。如果您的决策者没有磨练自己的才能,那么他们可能造成的损害大于好处。
您可以解雇定性专家,而不是解雇不熟练的决策者。
不要解雇不熟练的决策者,而要增强他们。您可以雇用他们以帮手的形式升级。定性专家在这里补充他们的技能。
此种人通常具有社会科学和数据背景: 行为经济学家, 神经[url=https://www.behavioraleconomics.com/resources/introduction-behavioral-economics/]经济学家[/url]和 JDM 心理学家接受最专业的培训,但自学成才的人也可能会擅长于此。这项工作是帮助决策者阐明想法,检查所有角度,并将模棱两可的直觉转化为经过深思熟虑的语言说明,以便团队其他成员易于执行。
我们没有意识到社会科学家是多么有价值。与数据科学家相比,他们通常更有能力将决策者的直觉和意图转化为具体的指标。
定性专家不负责任。相反,他们可以确保决策者充分掌握可供调用的机会。他们还是值得信赖的顾问,集思广益的同伴和决策者的顾问。让他们加入董事会是确保项目以正确方向启动的好方法。
 
#9研究员
许多招聘经理认为他们的第一位团队成员需要是一位曾担任过教授的人,但实际上,您不需要这些博士学位,除非您已经知道该行业不会提供所需的算法。大多数团队不会事先知道,所以按正确的顺序做事更有意义:在为自己组装那支太空笔之前,首先要检查铅笔是否能完成工作。首先开始,如果您发现可用的现成解决方案并没有给您带来太多的爱,那么您应该考虑雇用研究人员。
如果您是第一位研究人员,那么您可能没有合适的环境来充分利用它们。
不要马上将它们引入团队。最好等到您的团队发展到足以弄清楚他们需要研究人员的工作为止。等到您用尽所有可用工具后,再雇用某人为您构建昂贵的新工具。
 
#10 +额外人员
除了我们看过的角色之外,还有一些我最喜欢的人欢迎您参加决策智能项目:

  • 领域专家
  • 伦理学家
  • 软件工程师
  • 可靠性工程师
  • 用户体验设计师
  • 互动式展示台/平面设计师
  • 数据收集专家
  • 数据产品经理
  • 项目/项目经理

许多项目离不开它们-在我的前十名中没有列出它们的唯一原因是决策智能不是他们的主要业务。相反,他们是各自学科的天才,并且对数据和决策了解得足够多,对您的项目非常有用。认为他们有自己的专业或专长,但是对决策智能的热爱使他们选择了辅修专业。