Noll
Var ska data forskarna kommer från? De är inte alla som har Disputerat, och kommer från en mängd olika områden, nivåer av utbildning och tidigare jobb. Det är slutsatsen av Chris Lindner, en produkt som vetenskapsman på Faktiskt, som nyligen tittat på högar av cv att hans företag processer.
Foto: IBM Medier.
Bara 20 procent av uppgifter forskare har Disputerat, han finner, och de kommer från olika bakgrunder. “Många kommer från masters och PhD-program, inom områden som sträcker sig från astrofysik till zoologi, han finner. “Andra kommer från de många nya uppgifter vetenskap graduate program som universitet erbjuder nu. Och ändå andra kom från andra tekniska roller, såsom software engineering eller analys av data.”
Många uppgifter specialister inom naturvetenskap var också programvara ingenjörer i sina tidigare arbeten, Lindner har påpekat. “Många övergången till analytiker roller, medan andra hoppa direkt till data vetenskap.”
Hans råd till arbetsgivare: när man söker data vetenskap kompetens, hålla möjligheterna öppna. “Om du letar efter en generalist data scientist, inte kasta ut ett cv bara därför att området eller en examen är inte vad du förväntar dig. Data forskare är olika i sin utbildning och bakgrund. Även om de flesta har en avancerad examen i vissa område, det är inte ett område som dominerar arbetsmarknaden. Om du har svårt att anställa erfarna data forskare eller vetenskapsmän ur den akademiska världen, överväga att ta in personer från software engineering eller data analytiker roller, så det är helt klart en gemensam väg för data vetenskap.”
Slutligen, den mångfald som krävs för att flytta data vetenskap — och därför, artificiell intelligens-framåt kräver en mängd kunskaper. För AI och data vetenskap för att vara användbart till ett företags, det måste vara en lagsport.
IBM: s Vijay Vijayasankar, för en, är en förespråkare för data-vetenskap-ett-team strategi. Som han förklarade i en nyligen online prata med Diginomica s Jon Reed, de färdigheter som behövs för att AI och data vetenskap kan inte destilleras till en enda person eller funktion i organisationen. Denna typ av funktion “behöver statistik upplevelse, det måste science upplevelse, det måste berättande upplevelse, det behöver bra visualisering erfarenhet; det kräver en hel del domän erfarenhet.” förklarade han.
Problemet arbetsgivare har är att de söker exceptionella individer som är skickliga i många av dessa områden-människor som är svåra att hitta, eller redan är rekryterade av några stora glamorösa webbegendom. För vanliga företag, det måste finnas en insikt om att grupper av personal från en rad olika domäner — ja, som inkluderar humaniora — kan pool sin expertis och leverera data-driven utveckling. “En massa människor som rekryterar data forskare ofta inte tänker på det här laget karaktären av detta arbete och för att sedan bli väldigt frustrerad senare när det inte ger dem den typ av nytta som de vill,” Vijayasankar sagt.
“Det här är egentligen inte om några rockstjärna som kommer in och viftar med den magiska data vetenskap trollspö,” fortsatte han.
Vijayasanka illustreras ett exempel som kan ses på ett flygplan delar tillverkare: De snurrande hjul på vissa data analytiska problem, “och det var inte förrän de satte sig ner med ingenjörer och specialister och chefer med uppgifter som det är när glödlampan började gå ut. Det var att sitta ner med domän-experter som har varit i området i 20 år, att de kunde omedelbart se problemet.”
Det är “inte tillräckligt många för att man vet att den lärande aspekten, man behöver också veta processen,” fortsatte han.”Hur citat-till-kontanter fungerar i alla ERP är inte något som du kan lära en data scientist på i två dagar. Det är också svårt att undervisa i en maskin lärande till ett ERP specialist inom ett par dagar eller veckor. Det är viktigt att vi korsbefruktas kunskap.”
Relaterade Ämnen:
Big Data Analytics
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem
0