Какая роль в компании у вашего Data Scientist

Большую часть времени вы разрабатываете и обучаете новые модели, делаете их точнее и быстрее? Возможно, у вас даже есть GitHub с открытым исходным кодом реализации некоторых современных моделей из последней International Conference on Learning Representations (ICLR)? Поздравляем, скорее всего, вы алгоритмист и можете дорасти до позиции технического директора.

Вас не очень заботит точность модели, но интересуют новинки? Вы пытаетесь решить основные проблемы новыми способами, экспериментируете с обучением без учителя и обучением с подкреплением? Вам близка позиция исследователя. Возможно, вы уже работаете в исследовательском стартапе, университете или какой-то лаборатории FANG (Facebook-Amazon-Netflix-Google).

Разработка новых и точных алгоритмов — это круто, но кто-то должен сделать из них продукт и гарантировать, что весь процесс анализа данных: от сбора и маркировки до фактического вывода, всегда будет работать и моделироваться как разработчиками, так и клиентами. Если вы отвечаете за это, ваша роль — инженер, и перед вами много путей развития. Многие разработчики стали продакт-менеджерами, техническими руководителями и специалистами, занимающимися развитием бизнеса.

Роли аналитика и инженера находятся вне «рамок науки о данных». Из-за повсеместного распространения процессов, связанных с анализом данных, бизнес-аналитику приходится вникать в Data Science и изучать используемые инструменты, но это не делает его Data Science-специалистом.

То же самое касается инженеров данных, которые выполняют важные задачи с ETL-конвейерами, масштабированием, развертыванием и инфраструктурой решений, что больше связано с разработкой программного обеспечения, чем с наукой о данных как с дисциплиной. Поэтому продолжим разбираться только с универсалами, консультантами, исследователями и алгоритмистами.

Матрица компетенций Data Science

После долгих размышлений и дискуссий были выбраны 10 групп знаний: логика, вычисления, математика (алгебра, исчисление и связанные с ними вещи), теория вероятностей и статистика, оптимизация, предиктивное моделирование, алгоритмы машинного обучения, глубокое обучение, исследования и границы и навыки общения и презентации:

Кажется, что требований слишком много.

Действительно ли вы должны знать высшую математику, понимать основные теоретические принципы информатики, работать со всеми алгоритмами машинного обучения, разбираться в логике и в то же время делать хорошие презентации и грамотно преподносить свои результаты начальству? Делать все и сразу не нужно. Но если вы ищете опытного консультанта с десятилетним опытом работы с прогностическими моделями, ожидайте, что он не просто подключит и настроит библиотеки Python, но и будет хорошо понимать, что делает и с точки зрения бизнеса, и с точки зрения математики.

Если вы алгоритмист, годами работающий над созданием великолепных алгоритмов, то должны разбираться в особенностях различных сред и понимать, как упорядочить модели, чтобы они четко работали на этапе производства.

Даже если вы аналитик, вам все равно потребуются хорошие знания логики, статистики и основ алгоритмов машинного обучения, чтобы представлять, что можно использовать, а что нельзя. А навыки презентации или знание математики всегда пригодятся.

Диаграммы баланса навыков

Для визуализации этих ролей удобно использовать «диаграммы жизненного баланса» — в нашем случае они будут представлять баланс навыков для каждой роли. Например, универсал знает все на более или менее хорошем уровне, потому он универсал.

Консультант проявляет бОльшую склонность к моделированию, машинному обучению, исследованиям и коммуникациям и имеет меньше навыков для подготовки демонстрационной версии продукта. Ему не нужно владеть объемным массивом теоретических знаний, потому что он может обратиться к исследователям или алгоритмистам.

Аналитик концентрируется на коммуникации, логике, статистике, оптимизации и предиктивном моделировании. Разработка алгоритмов или программирование обычно не входят в поле его деятельности.

Алгоритмисты часто разрабатывают новые модели с нуля, поэтому им нужны хорошие навыки программирования, математические знания и опыт работы с машинным и глубоким обучением. Однако они могут «пожертвовать» логикой, статистикой и навыками общения, потому что им редко приходится представлять свои результаты.

Исследователям необходимы глубокие математические, статистические знания и навыки оптимизации, они также должны быть в курсе последних исследований и иметь хорошие коммуникативные навыки.

Наконец, инженеры могут «пожертвовать» многим, но должны обладать логикой, отличными навыками программирования и математическими знаниями, чтобы гарантировать, что определенные консультантом, изученные исследователем и разработанные алгоритмистом модели будут работать.

Интерактивные тесты

Чтобы проверить знания в вышеописанных областях, пройдите тестирование для начального, среднего или продвинутого уровня. Если вы или ваш кандидат — начинающий специалист, попробуйте первый. Если чувствуете себя более опытным, переходите к следующим. Не расстраивайтесь, если с чем-то не знакомы.

Отличный исследователь может не знать некоторых деталей реализации, но при этом обладать глубокими математическими знаниями. А если вы претендуете на роль аналитика или консультанта, то можете потерпеть неудачу в вопросах по оптимизации или математике, но хорошо проявите себя в алгоритмах. Надеемся, что тест поможет раскрыть ваши сильные стороны и обратить внимание на те, над которыми стоит поработать. Удачи!

Непросто найти «правильного» Data Scientist или стать им, потому что идеального специалиста для любых задач любой компании не существует. Если вы менеджер, постарайтесь определить, какого рода специалист по данным вам нужен на конкретный проект. Надеемся, что после прочтения этой статьи у вас будет более четкое понимание, кто может быть полезен компании.

Если вы специалист по анализу данных, не стесняйтесь проходить тесты, определяйте свои сильные и слабые стороны и обращайтесь в компании, где ваши навыки будут востребованы.