La data science è uno sport di squadra, come si scelgono i giocatori giusti?

Costruire capacità di data science profonde e durature non è un processo facile: richiede le persone giuste, i processi giusti e la tecnologia giusta. Trovare le persone giuste per i posti di lavoro giusti si è rivelato una sfida continua, come dimostrano i datori di lavoro e le persone in cerca di lavoro.

Diversi esperti hanno discusso di questo argomento durante una tavola rotonda organizzata da Domino Data Lab. “Il lato umano è probabilmente l’aspetto meno compreso di tutta questa equazione”, afferma John Thompson, responsabile globale dell’analisi avanzata e dell’intelligenza artificiale di CSL Behring.

In qualità di Head of Analytics presso una delle aziende biotecnologiche leader a livello mondiale, John Thompson supervisiona i team di data science che gestiscono un’ampia gamma di iniziative. Gli ospiti della tavola rotonda virtuale hanno convenuto che misurare la scienza dei dati richiede più degli scienziati dei dati.

La scienza dei dati è praticata in team

Per lanciare iniziative di data science presso CSL Behring, John Thompson afferma che “inizia con il team di base necessario per il successo di un progetto”. Questo team è generalmente composto da ingegneri, data scientist, interfaccia utente o data visual UX ed esperti in materia.

Affinché un team di data science sia efficace, ha bisogno anche di un leader in grado di garantire che i progetti rimangano focalizzati sugli obiettivi di business.

“Se diciamo che la scienza dei dati è uno sport di squadra, non hai solo bisogno di tutti i giocatori, hai bisogno di un allenatore”, concorda Matt Aslett, Direttore di Data Research, IA e Analytics presso 451 Research.

Stai lontano dalla tecnologia dell’informazione

Ovviamente, l’intero team di data science non è composto solo da data scientist, ma non ha necessariamente senso riunire team di data science nel dipartimento IT, aggiunge Nick Elbrin, CEO e cofondatore. Da Domino Data Lab.

“Una delle cose che abbiamo visto tra le aziende di maggior successo con cui lavoriamo è che allineano strettamente questi team agli obiettivi aziendali”, afferma. “Il modo in cui dirigi il loro lavoro e stabilisci le priorità, più ti avvicini al raggiungimento dell’obiettivo principale dell’azienda, più è probabile che [réussir]. Man mano che ti muovi maggiormente nell’informatica, ti allontani dagli obiettivi primari. “

I manager dovrebbero anche pensare a come organizzare i propri team durante l’assunzione, afferma Nick Elbrin. Secondo lui, dovrebbero chiedersi “quali sono le competenze di base, cosa porterà la cooperazione con gli altri”.

“Le aziende riescono in [constituer des équipes de data science] Con persone che conoscono le statistiche di base e la programmazione e che vengono addestrate da persone che conoscono devOps o altre capacità ingegneristiche”, aggiunge.

Ottieni la gestione a bordo

Nel frattempo, è importante chiedersi quando sono effettivamente necessari data scientist professionisti, rispetto agli strumenti che pretendono di “democratizzare” la scienza dei dati e l’apprendimento automatico.

“Dipende dalla natura del problema che stai affrontando con i professionisti della scienza dei dati e dell’apprendimento automatico”, afferma Nick Elprin. Per problemi più classici, alcune soluzioni automatizzate di machine learning possono essere efficaci.Se stai parlando di un problema che è unico per la tua azienda o al centro della tua differenziazione, hai bisogno della maggiore flessibilità che deriva dallo sviluppo dei tuoi modelli proprietari e dall’utilizzo il potere del codice di esprimere quelle idee.”

Infine, lo sviluppo di progetti di data science di grande impatto richiede il supporto dei leader, osserva John Thompson. “La vera sfida è il processo di gestione del cambiamento a livello macro, che non è realmente un processo di data science”, spiega. Per realizzare il pieno valore di un’iniziativa di data science, è importante far capire ai dirigenti che “questo alla fine porterà al cambiamento. Devi essere preparato a guidare il cambiamento… Se non vuoi farlo, probabilmente dovresti costruire un progetto più che un programma”.

Fonte : ZDNet.com