Google首席决策师告诉你AI和数据科学团队需要哪10种角色?

大数据 数据分析
如果你想要通过智能的工程决策方法使数据变得有用,并且希望从事相关的职业,那么下面我对团队发展中的角色顺序(从0开始)提出的看法或许对你会有帮助。

【导读】组建一个出色的数据团队都需要哪些角色?Google 的首席决策工程师 Cassie Kozyrkov 在这一问题上有自己独到的见解。在她看来,一个好的 AI 和数据科学团队需要 10 种不同的角色。无论你是公司的管理者、招聘者,还是想在数据科学领域工作的求职者,都可以在这篇文章中找到对自己有用的信息。 

Google 的 Geoffrey Hinton 是我的偶像,也是深度学习领域的开山鼻祖,但我不希望一个团队中有10个 Geoffrey Hinton 这样的成员而没有其他角色。

应用数据科学是高度跨学科的领域,依赖于整个团队的共同协作,多角度的观点尤为重要。事实上,观点和态度的重要性仅次于教育和经验。

如果你想要通过智能的工程决策方法使数据变得有用,并且希望从事相关的职业,那么下面我对团队发展中的角色顺序(从0开始)提出的看法或许对你会有帮助。

[[240433]]

0.数据工程师

在数据分析之前,你要获取所需的数据。如果你需要处理的是小型数据集,那么数据工程实际上就是在电子表格中输入一些数字。但当你需要处理大规模数据时,数据工程本身就成为了一门复杂的学科。就需要团队中有一个人来专门负责处理棘手的工程问题,以便团队中其他人基于此协同工作。

1.决策者

在你想聘请一位博士毕业的数据科学家前,其实更需要拥有一位了解数据驱动决策的科学决策者。

他主要负责决定哪些问题可以用数据来解决,进行初步规划,并从商业角度来确定所需的分析级别。一位深思熟虑的人,他不会一直说,“哦,哎呀,我在思考这个决定时甚至都没有想到这种状况。” 作为决策者要考虑周到,思考所有可能的情况并作出决策。

2.分析师

数据分析师是你下一个需要考虑的角色。他有能力查看数据、了解数据结构并从中获得灵感,唯一的不足是他可能对这项工作中需要使用的软件并不熟悉。如果你看过数码照片,那么你已经接触过数据可视化及分析了。

学习使用 R 和 Python 等工具只是对 MS Paint 进行数据可视化的升级;它们是用来查看多类别数据集的一种多功能可视化工具,而不仅仅是 RGB 像素矩阵。 

分析师可以利用饭后时间多观察数据,从中找到些灵感,肯定比不做这些要好。如果整个团队的成员都这么做的话,那么你一定可以比其它不这样做的团队更能把握行业的命脉。 

[[240434]]

Nessie 1934:这是数据,请明智地给出结论。

有一点非常重要,作为一名数据分析师,所做出的任何结论都不能脱离数据。这是一种需要专业训练的技能,就如上面的照片一样,你可以说:“这就是我的数据所要展示的内容。”但不要因此给出结论,如“尼斯湖水怪真的存在”这样的言论。

3.专业分析师 

这是一个节奏很快的角色。胜任这份工作的人要能够更快速地查看更多数据。快速处理数据,并善于探索发现有趣的东西是这类人才所需的技能!同时,这一角色不需要给出小心严谨的意见,而是帮助团队尽可能多地关注数据本身,以便让决策者了解真正值得关注的因素。

这可能与我们的直觉想法不同,但不要把这样的工作交给你最信任的,那些很会写代码的工程师去做。我们需要的不仅是能够快速工作的人才,还尽可能快地发现数据背后潜在的信息,而对于那些乐于编程的工程师来说,观察数据可能是比较难的,因此也就很难胜任这份角色的工作。 

我曾见过一名分析师被工程文化浓厚的团队欺负,因为团队成员显然没有意识到所谓“优秀代码”很难用描述性分析进行解释。正是如此,这里的“优秀”指的是“高效和谦虚”。如果一个高效但粗心的程序员无法融入团队,他们自然会离开,而这也证明了自己对业务反应敏捷。

4.统计学家

现在,我们已经找到帮助我们分析数据的员工了,而统计学家能够协助决策者在分析数据后得到严谨、有依据的结论。

我们最好还是控制一下这种"喂数据"的疯狂。如果你能克制住学习真实情况之外的冲动的话,那么看“Nessie”这张图没问题。但是你会克制住吗?尽管人类非常擅长于合理分析图片,但其他数据类型似乎无法用常理解释。所以,统计学家的出现可能有助于团队在分析数据后得到严谨、有据的结论。

例如,如果你的机器学习系统正在一个数据集上工作,那么所有你能得出的结论都是基于该数据集的。换句话说,你的系统在该数据集上是起作用的,但它在生产过程中也一定会起作用吗?你能得出这个结论吗?这时候你就需要一些额外的技能来处理这些问题,统计方面的知识或许能帮到你。 

灵感是很便宜,但严谨的态度是昂贵的。很多时候我们可以用纯粹的灵感来满足自己。

在你需要认真做出一个决定之前,如果还没有完全地认识到事实真相的话,那么请放慢速度,谨慎思考。 

[[240436]]

5.应用型机器学习工程师

对于一个应用型的 AI /机器学习工程师来说,最好的品质并不是知晓算法如何工作。工程师的日常工作是使用这种算法,而不是构建它们 (这是研究人员所做的事)。我们需要的是那些拥有与现有算法匹配的编程能力,并应用于数据集的工程能力。

除了需要快速编程的能力,这类工程师还需要具备能应对失败的品质。你可能永远不会知道你正在做什么,即使你的意识里觉得自己正在做。通过算法尽可能快地运行数据,并查看算法是否能够正常工作......在这过程中你可能会经历远多于成功的失败过程。这类工作很大一部分需要工程师去不断地尝试,因此你需要不断应对失败的过程;同时,具备从容应对失败的能力,将让你更好地胜任这份工作。

由于日常所碰到的业务问题是无法在教科书中找到,因此你事先也无法知道什么算法会起作用,你也不能期望在第一时间获得完美的结果。你只能尽可能快地尝试很多方法,并不断迭代以找到最好的解决方案。

谈到“针对什么数据用什么算法”这个问题,对于分析师而言,他们会认为这些输入很有意思。这也不难理解为什么要先有数据分析师了。

虽然在问题解决过程会碰到很多磕磕绊绊,但机器学习工程师必须要严谨地深入方法评估这个至关重要的部分。得到的解决方案是否真的适用于新数据呢?幸运的是,你在之前已经有了一个明智的决定,现在需要做的是将这个接力棒传给统计学家。

此外,最强的应用型 ML 工程师要非常清楚应用不同方法所需要的时间。 

6.数据科学家

在这里,我所说的数据科学家,是具备前面提到的三个角色技能的全面专家。不是每个人都使用我这里的定义,也有具备三选一的专家能力时也自称自己是“数据科学家”,在这里需要注意区分一下。 

在数据科学团队中,我将这个角色排在第6位,因为能够聘请到一个真正集三者技能于一身的数据科学家,是一个昂贵的选择。如果你有足够的预算,那么这是一个不错的选择。但如果没有充裕的经费,可以考虑培养现在具备单一技能的专家。

7.分析经理/数据科学领导

分析经理是一个是数据科学家和决策者的混合体角色。他们在团队中的角色是凝聚整个团队的力量,以确保团队中的人员不会分崩瓦解,而不是为日常业务增加价值。这是一个非常少见、也非常难雇佣的角色。 

每天他都需要保持清醒的头脑,思考诸如“如何设计问题更合理? 如何做决策?如何最好地分配我们的专家?什么值得做?技能和数据是否符合要求?如何确保输入数据的质量?”等问题。

如果你能够聘请到一位这样的分析经理,那么恭喜你和你的团队,你们很幸运,请尽可能地留住这样的人才,永远不要让他离去。

8.定性专家/社会科学家

有时候,你的决策者是一名优秀杰出的领导者,经理人,激励者,影响者或导航者......但他们在做决策时可能并不具备艺术性和科学性。做决策不仅仅需要天分。如果你的决策者在这方面没有很扎实的能力,那么他们带来的损害可能多与收益。 

请不要解雇一个技能不够纯熟的决策者,你可以通过专家定性帮助他们提升自身技能。

这类人通常具有社会科学和数据科学的背景,如行为经济学家,神经经济学家和接受过专业培训的 JDM 心理学家,而那些自学成才的人也能够擅长这份角色。这项工作是帮助决策者理清思路,审视所有角度,并将模棱两可的直觉感受转化为成熟的、语言形式的指令,使团队的其他成员也能够轻松地执行。 

通常,定性专家在会完全了解并掌握所有的情况的基础上,帮助决策者进行决策,而不是片面地对某些情况。他们是值得信赖的顾问,头脑风暴的伙伴,以及决策者的参谋人。他们的参与可以确保项目朝着正确的方向进行。

9.研究者

许多经理在招聘时认为,团队的第一个成员需要有过当教授的经验,但实际上你并不需要那些博士学位的人才,除非你已经知道这一领域的现有算法都已经不能满足你的需求了。但大多数的团队通常都不会提前知道,因此只能按照正常招聘流程,这就好比你想在太空中使用一支笔之前,你得先保证这支笔是能够正常地工作。你可以先试着开始,当现有的方法都不能解决你的问题时,再考虑聘请相关的研究人员。 

不要给研究者贴上特殊的标签。最好的是,等到团队发展到一定程度,足以意识到需要研究人员的时候再考虑请他们加入。但这样也会存在一个问题,换句话说,等到你用完所有可用的工具之后,再雇用你所需要的人,通常需要更昂贵的成本。 

[[240437]]

在发明在太空笔之前,请检查现有笔是否能够正常工作并满足我们的需求。

10+ 额外人员

除了以上提到的这些角色,下面我还列举了一些我比较喜欢的角色,这些角色也将在未来的智能决策项目中发挥重要的重要:

许多项目离不开这些角色,之所以没将这些列入前10名,主要是因为做决策并不是他们的主要业务。相反,他们都是各自学科的人才,并能为各自领域项目的数据学习和决策制定做出有用的工作。可以把这些角色想像成各自领域的专家,并对智能决策充满兴趣。

大团队 or 小团队?

读到这里,你可能已经不堪重负了。这么多需要了解的角色!深吸一口气,根据自己的需要,你可以从前几个角色中获得足够多有价值的信息。 

我曾将应用型机器学习比作在厨房中烘焙:如果您个人想要开一家工业规模的比萨店,那么你需要一个大的制作团队或需要与一些供应商/顾问合作。如果你想利用周末时间制作一两个独特的披萨,如焦糖凤尾鱼披萨,那么你仍需要考虑我们所提到的所有角色,包括你要决定做什么 (角色1),使用哪些配料 (角色2和3),在哪里获得配料 (角色0),如何定制食谱 (角色5),以及如何测试披萨的口味 (角色4),以便制成品能给人留下深刻印象。但如果你只是想用来消遣的话,你可以自己承担所有的工作。当然,如果你的目标只是制作标准的传统披萨,那么你甚至不需要上述提到的这一切:你只需要拿来别人已经尝试和测试过的配方和配料(无需亲自重复发明),就可以开始烤披萨啦!

 

责任编辑:未丽燕 来源: AI科技大本营
相关推荐

2022-10-17 08:00:00

机器学习数据驱动数据科学

2023-05-17 14:24:09

2022-07-29 09:25:13

NFT可视化探索投资者

2019-05-07 19:23:46

大数据漫威人物

2023-09-01 14:20:33

2023-08-11 13:48:54

数据质量首席数据官

2023-05-04 15:03:53

AI微软

2023-05-04 12:35:39

AI科学

2019-04-30 15:14:11

数据科学家计算机

2018-03-20 13:04:55

GDPR数据科学数据保护

2018-04-16 11:11:56

2019-10-23 19:30:23

AI 数据人工智能

2020-07-22 14:42:40

AI 数据人工智能

2022-07-06 07:44:50

贝叶斯数据技术

2016-11-08 16:42:03

算法AI大数据

2017-01-23 16:00:25

数据科学家大数据数学家

2021-01-10 11:19:04

数据科学工具技术

2019-04-26 14:27:07

大数据数据科学数据工程师

2019-10-23 14:29:09

数据分析师数据科学统计

2016-05-11 10:36:16

数据科学家数据科学大数据
点赞
收藏

51CTO技术栈公众号