g u t x .com.tr İpek yolu - Çin'i anlamaya götürürüm

Düşük akımlar artıyor, veri bilimcileri neden aceleyle işi bırakıp işleri değiştirebiliyor?

Tam metin 3616 Kelimeler, tahmini öğrenme süresi 11 dakika

Kaynak: Unsplash

Her şeyden önce şüphesiz! Veri bilimcileri için pazar çok iyi.

Şimdi 2020'ye girerken, çok az meslek canavarlarla savaşmak, üstün zafere ulaşmak ve bir veri bilimcisinin talimatlarıyla kıyaslanabilir.

Xiaoxin, veri bilimcilerinin veya teknik olmayan uzmanların veri bilimcilerini süper güçlere sahip insanlar olarak görmelerine tanık oldu. Bu, birden çok faktörden kaynaklanır ve bunun nedenlerinden biri de medya abartısıdır. Ancak şüphe yok ki en kritik nokta, veri bilimcilerinin çalışmalarına toplum tarafından çok değer veriliyor.

Gartner tarafından yayınlanan 2019 yapay zeka olgunluk eğrisi aşağıdadır:

Bu bakış açısını desteklemek için, Linkedin'in 2019'daki en güvenli işlerinin bir özetini burada bulabilirsiniz. En iyi işi kesinlikle tahmin edebilirsiniz:

Bu rakamlar şaşırtıcı. Fortune 500 şirketlerinden perakende mağazalarına kadar dünyanın her yerindeki şirketler, en iyi veri bilimi yeteneklerinden oluşan bir ekip oluşturmayı umuyor. Veri bilimi ve yapay zekaya yapılan yatırım 2019'da yeni bir zirveye ulaştı.

Momentum iyi olmasına rağmen, hala bir düşük akım var. Veri bilimcileri işleri değiştirmeye veya istifa etmeye isteklidir. Bu neden oluyor? Bunun bilinmeyen bir nedeni var mı?

Aşağıda, veri bilimcilerin hayallerindeki işi bırakmasının 5 ana nedenini analiz edeceğiz.

1. Veri bilimcilerini iş hedefleriyle eşleştirin

Bu popüler olmayan bir beklenti sorunudur. Esas olarak son yıllarda veri bilimi ve yapay zekayı çevreleyen yutturmaca nedeniyle.

Yöneticiler, CxO (e-ticaret şirketlerinin baş sürpriz sorumlusu), C-Suitefolks (küresel yöneticiler), yatırımcılar, şirketin tepesindeki tüm insanlar, şirketlerinin veya projelerinin en son teknolojik gelişmelerin ön saflarında olduğunu göstermek istiyor.

Bu sorun, sayısız yönetici, yapay zekanın iş sorunları için her derde deva olduğunu düşünüyor. Yapay zekaya ve doğru uzmanlara yatırım yaptıkları sürece sorunları hızlı bir şekilde çözebilirler.

Kaynak: Unsplash

İşlerin ters tepmesi üzücü. Veri bilimi projeleri, nihai sonuç alınmadan önce genellikle çok sayıda deney, deneme, hata yöntemi ve aynı sürecin yinelemesini içerir. Bu, istenen sonuçları elde etmenin genellikle aylar sürdüğü anlamına gelir.

Veri ambarları ve yapay zeka altyapısı, büyük ölçüde şirketin büyüklüğüne bağlı olan çok fazla yatırım gerektirir, ancak bu çalışmada keşfetmek zaman alır, çünkü büyük miktarda veriden eyleme geçirilebilir içgörüleri özetlemek zaman alır. Bu nedenle veri bilimcilerin, verileri işlemek için zaman ve alan sağlayan esnek yöntemlere ihtiyacı vardır.

Birçok iş lideri bunu istemiyor. Veri bilimcileri nihayet liderlikleri ve gerçekçi olmayan beklentileriyle hayal kırıklığına uğradığında, bu projenin iptal edilmesine yol açar.

Veri bilimcileri ve iş liderleri nasıl etkili bir şekilde işbirliği yapabilir:

· Veri bilimcileri ve iş ekipleri arasındaki iletişimi güçlendirin. Birlikte çalışmaları gerekir.

· Veri bilimcileri için harikalar yaratabilecek iş liderlerinin iş sezgilerini ve bilgilerini kullanın.

· Veri bilimcilerin ilerlemesini ölçmek için ölçülebilir bir iş performansı matrisi geliştirin.

· Veri bilimcileri için tetikte olmak önemlidir.

2. Farklı platformlarda farklı veri bilimi projelerinin büyük teşhiri

İki seçenekten tercih edersiniz:

· Seçenek 1: 9'dan 5'e kadar çalışarak, şirketin hedeflerine ulaşmak için becerilerinizi ve başarılarınızı ayarlamalısınız veya

· Seçenek 2: Son derece esnek çalışma hayatı, her yerde çalışabilir ve yüksek derecede kendi kendine büyüme sağlayabilir.

Çoğu insan 2'yi tercih edebilir. Kim esnek ve özgürce çalışmak istediğini seçmekten hoşlanmaz?

Kaynak: Unsplash

Günümüzde veri bilimcilerin çok fazla seçeneği var:

· Şanslarını Kaggle, Analytics Vidhya gibi platformlarda deneyebilir ve heyecan verici bonuslar ve toplulukta büyük bir itibar kazanabilirler

· Bugünün şirketleri heyecan verici kısa vadeli projeler sunuyor ve serbest çalışanlar için büyük bir talep var

· Serbest veri bilimcileri, Spark, Hadoop, Hive, Pig, SQL, Neo4J, MySQL, Python, R, Scala, TensorFlow, NLP, bilgisayarla görme veya diğer makine öğrenimi yöntemleriyle iş buluyor çünkü bu soruna katılacaklar Ve sorunu nasıl çözeceğinizi keşfedin.

· Birçok veri bilimcisi bu sezon blogları ve kişisel bölümleri seçme konusunda isteklidir. Tıpkı Grant Sanderson gibi - o benim favorim!

Açık lojistik ve proje ile ilgili nedenlerden dolayı şirketler, yerleşik veri bilimi uzmanlarına yukarıdakilerin çoğunu sağlayamaz. Dürüst olmak gerekirse, bu herhangi bir projenin kaçınılmaz bir maliyetidir.

3. İdeal ve gerçeklik - büyük bir boşluk!

Bu, veri bilimi alanında yaygın bir sorundur. Veri bilimcilerin bekledikleri ile gerçekte yaptıkları arasında büyüyen bir uçurum var.

Buna birçok faktör neden olur ve veri bilimcisinden veri bilimcisine değişir. Tecrübe seviyesi de bu beklenen farkın bir parçasıdır.

Amatör veri bilimcilerini örnek olarak alın. Genellikle kendi kendilerine öğretilirler, kitaplardan ve çevrimiçi kaynaklardan bilgi alırlar. Gerçek projelerle veya veri setleriyle fazla temasları yoktu. Bunun gibi birçok veri bilimcisiyle tanıştım, bilmiyorlar:

· Makine öğrenimi iş akışı nasıl çalışır?

· Veri bilimcilerinin beceri setinde yazılım mühendisliği yazmanın konumu nedir?

· Bir modeli üretime sokmak veya bir modeli devreye almak ne demektir? ve daha fazlası

· Veri temizliğinin önemi nedir? Neden çoğu zaman sürüyor?

Yukarıdaki girişte de belirtildiği gibi, popüler makine öğrenimi araçlarını ve en gelişmiş çerçeveleri kullanma fırsatına sahip olmak, acemiler için gerçekten çekici. Açıkçası, bu başkalarını cezbediyor.

Ancak gerçek şu ki, bu sektör hiç de böyle değil. Çevrimiçi bir veri bilimi yarışmasına yakın bir veri bilimi projesine sahip olmak için çok fazla faktör var.

Verilerin nasıl toplanıp depolanacağı; sürüm kontrolünün nasıl doğru bir şekilde uygulanacağı; modellerin üretime nasıl dağıtılacağı - bunlar, şirketlerin bilim adamlarının uzmanlaşmasını beklediği temel hususlardır.

Beklentilerdeki bu uyumsuzluk, veri bilimcilerinin istifasına yol açan temel çelişkidir. Acemilerin ve amatör veri bilimcilerin, idealler ile gerçeklik arasındaki boşluğu doldurmak için selefleri ve şirket mezunları ile iletişim kurması önerilir.

4. Veri bilimi uzmanları beceri geliştirmeden yoksundur

Zorlukları kim sevmez? Veri bilimi alanının hızlı ilerleme hızı nedeniyle bu zorluklarla yüzleşmesinin zamanı geldi. Örnek olarak doğal dil işleme (NLP) alanını ele alalım Son iki yıldaki geliştirme projelerinin sayısı inanılmaz.

Hemen hemen her veri bilimcisi bu yeni teknolojileri ve çerçeveleri incelemeye isteklidir. Sonuçta, kim aynı Lojistik modelini yıllarca inşa etmek ve yinelemek ister?

Veri bilimciler durgunluk faktörlerine karşı bağışık değildir. Belirli bir zamandan sonra, bir duvarla karşılaşacaksınız ve yeni zorluklarla karşılaşma isteği her zaman elinizin altındadır.

Kaynak: Unsplash

Ek olarak, yukarıda belirtildiği gibi yönetim beklentileriyle ilgili iki faktör vardır. Gerçek her zaman karmakarışıktır, değil mi? Herhangi bir çalışanın belirli bir zamandan sonra motivasyon eksikliği çekmesi kaçınılmazdır.

Bu özellikle büyük katı şirketler için geçerlidir. Herhangi bir blue chip şirketinde çalıştıysanız, bu durumu yaşamış olma şansınız yüksektir. Yeni başlayanlar ve orta ölçekli şirketler bu konuda daha iyi iş çıkarıyor, ancak farklı zorlukları da beraberinde getiriyorlar.

Aşağıdakiler, çalışan değişim hızının üç temel nedenidir:

· Altyapı eksikliği: Çoğu şirket için durum böyledir, veri bilimcilerini desteklemek için bilgi işlem sistemleri ve araç erişilebilirliği gibi altyapılardan yoksundurlar.

· İş kapsamı: İşletmenin işletim yetenekleri sınırlı olabilir. Veri bilimcileri için verilerden daha fazla içgörü elde etmek zor olabilir.

· İlgili Ar-Ge eksikliği: Veri bilimcileri, çalışmalarının kapsamı dışındaki alanları keşfetmek isteyeceklerdir. Örneğin, bir bilgisayar görme uzmanıysanız ve NLP hakkında bilgi edinmek istiyorsanız, o zaman Ar-Ge alanı en iyi yerdir. Ancak, çoğu şirket bunu yapmadı, bu da çalışanların cirosunun nedenidir.

5. Maaş ödemesi için net bir standart yoktur

Kaynak: Unsplash

Parlak mı? Maaş, insanların veri bilimi alanına girmek ve tam zamanlı işe girmek istemelerinin ana nedenlerinden biridir.

McKinsey ve Glassdoor gibi şirketlerin raporları, veri bilimcilerinin ortalama maaşının çok yüksek olduğunu gösteriyor. Çoğu insan bu raporlarda yer alan rakamlardan korkacak.

Veri bilimcisi maaşları için karşılaştırma ölçütü, kalkacak kadar yüksektir. Başlıca veri bilimcileri Google ve Apple gibi şirketler tarafından saldırıya uğradığında, Ian Goodfeller ile ilgili bu yılki haberleri okumuş olmalısınız.

Bu sık sık olur. Kendi alanlarında olağanüstü işler yapan veri bilimcileri, genellikle gülünç derecede yüksek maaşlar sunan Fortune 500 şirketlerinin yüksek maaşları tarafından kaçırılırken, orta ve küçük şirketler genellikle bu kadar fazlasını sağlayamaz.

Maaş konusunda bir mihenk taşı olması gerekiyor. Orta gelirli bir şirkette bile, daha yüksek teknik seviyeye sahip bir aceminin maaşı, deneyimli bir veri bilimcisinin maaşından açıkça ayrılmalıdır.

· Yüksek potansiyele sahip çalışanlar için bile, işte tatmin edici olmayan yönler var

· Bu, çalışanların ofiste birbirlerini etkilemeleri ve diğer iş fırsatlarını değerlendirmeleri için önemli bir nedendir.

Bu yönü diğer işlerden pek farklı değil, değil mi?

Şirketler yıldız veri bilimcilerini nasıl elinde tutabilir?

Kaynak: Unsplash

Aşağıdakiler, şirketlerin en yetenekli veri bilimcilerini elinde tutmasını sağlamak için denenmiş yöntemlerdir:

· Yüksek enerjili bir öğrenme ortamı yaratın: Bu, kişinin kişisel ve mesleki gelişimi için vazgeçilmezdir. Bu alanda her gün keşfedilmesi gereken yeni şeyler var, bu gelişme hızına ayak uydurmak ve veri bilimcileri için ilerici bir öğrenme ortamı sağlamak hayati önem taşıyor.

· Güçlü bir Ar-Ge ekibi oluşturun: Bu alanda yüksek kaliteli araştırma yapmak için bir Ar-Ge ekibi oluşturun. Çalışanların daha derin konularda araştırma yapmasını sağlamak, mükemmellik arayışının sırrıdır.

· Maaş standartları belirleyin: Maaş standartları belirlemek güveni güçlendirecek ve veri bilimcilerinin ücretlerinin en iyi endüstri standartlarına göre ödenmesini sağlayacaktır. Bu anlaşılabilir, ancak yapılması zordur.

Sonuç

Kaynak: Unsplash

Veri bilimi alanındaki her şey hiper dinamiktir. Hala birçok şeyi yavaş yavaş anlıyoruz, bu nedenle bir şirketin sadece belirli bir yön, süreç veya yapı içinde kalması çok zor.

Zamanla, gelecekte eksiksiz sistemler ve süreçler olacak ve veri bilimcileri tatmin edici bir çalışma ortamına sahip olacak. İster iş açısından ister veri bilimci bakış açısından, herkesin çok çalışması gerekir.

Aynı durumla karşılaştıysanız veya kişisel deneyiminizi ve diğer şeyleri paylaşmak istiyorsanız, lütfen makalenin sonundaki yorum alanına bir mesaj bırakın!