¿Qué tan inteligentes son los científicos de datos?

Hay una diferencia entre inteligente e inteligente. En general, los científicos de datos y los profesionales del aprendizaje automático son inteligentes, lo que significa que tienen inteligencia técnica general que los hace formidables dentro de su profesión.

Inteligente, por otro lado, va un paso más allá de las capacidades intelectuales. Para guiar las acciones y decisiones, los científicos inteligentes de datos combinan señales emocionales, patrones de comportamiento, conocimiento ambiental y mucho más durante las interacciones.

Cuentos, una frase que encapsula las características y habilidades exigidas a un comunicador ejemplar. Un científico de datos inteligente es un comunicador eficaz. Aprovechan el arte de contar historias para lograr metas determinadas o transmitir ideas.

El requisito de tener habilidades blandas como la comunicación podría considerarse secundario a habilidades como la programación, la investigación de pruebas o habilidades analíticas. Sin embargo, un científico inteligente de datos reconoce la importancia de cultivar una relación estable con los clientes, los miembros del equipo, los clientes y los gerentes. Y contar historias es un método probado para lograr esto.

He utilizado la narración para explicar el impacto de decisiones tecnológicas específicas en la ejecución de proyectos, la implementación de aplicaciones y el mantenimiento.

Por ejemplo, usar anécdotas personales para explicar por qué aprovechar un modelo de aprendizaje profundo lanzado por Apple es favorable a utilizar una solución de código abierto mantenida por un tercero.

En el escenario anterior, la utilización de storytelling tuvo un mejor resultado que afirmar claramente el hecho obvio de que hay un alto nivel de fiabilidad en el software lanzado por marcas establecidas como Apple. A veces, añadir un toque personalizado a los puntos de vista resuena con los individuos en el extremo receptor.

Además, storytelling añade un componente humanizador a la explicabilidad de las técnicas y herramientas apalancadas en proyectos de aprendizaje automático a individuos no técnicos. Es casi irrazonable esperar que la gente normal entienda la jerga técnica que utilizamos con nuestros compañeros practicantes del aprendizaje automático.

Steve Jobs era un gran narrador y sus habilidades para contar historias le dieron un alma al hardware. Datos inteligentes Los científicos hacen lo mismo con los datos. Un par de inteligencia recopilada a partir de datos con anotaciones verbales humanizantes, y usted ganará la capacidad de influir en las audiencias.

La narración no tiene que ser verbal. Las notas escritas, los artículos o el documento pueden transmitir mensajes e ideas de un modo que las formas orales son incapaces de hacer.

Tomemos, por ejemplo, Data Scientists on Medium. Me he encontrado con individuos que sobresalen en sus respectivas profesiones, pero dan un paso adicional para comunicar sus experiencias, conocimientos y experiencia a través de artículos de Medium.

Hay tanta información que compartir sobre la narración, y los beneficios realizados cuando se aplican dentro de los roles técnicos. Pero lo guardaré para un artículo futuro.

Pasos para mejorar las habilidades de narración y comunicación:

En mi papel actual como Ingeniero de Visión por Computadora, trato de reconocer el impacto que tengo en otras partes del negocio. Reconozco que la velocidad y precisión de la solución que integro en nuestra aplicación insignia son factores que determinan la tasa de adopción de productos entre nuestro público objetivo.

Datos Los científicos tienen un impacto, y también la salida que producimos. A continuación se presentan algunas categorías de impacto para su consideración:

Impacto empresarial : Las actividades relacionadas con los datos son fundamentales para las empresas impulsadas por la tecnología. Las acciones que realizan los científicos de datos imponen el flujo de las operaciones comerciales típicas, las decisiones y la investigación.
Impacto en el producto : Las soluciones o empresas impulsadas por el servicio prosperan en la entrega continua a los clientes. Los profesionales de DS y ML responsables de la implementación de funciones, mantenimiento y actualización comparten la responsabilidad de entregar un producto utilizable y funcional.
Impacto comunitario : En la era actual, en la que la IA y las tecnologías basadas en datos se integran en las sociedades, el trabajo de los científicos de datos influye en los grupos y las actividades de las comunidades.
Impacto ético : El trabajo que producimos tiene una consecuencia directa o indirecta en los medios de vida de las personas. Los profesionales del ML tienen la responsabilidad de considerar la moralidad de la tecnología y las aplicaciones desarrolladas.

Un científico de datos promedio se ocupa típicamente del impacto técnico; específicamente, las técnicas, funciones y código implementado tienen sobre el resultado deseado. Tener una perspectiva de impacto técnico únicamente no es perjudicial. Pero un inteligente Data Scientist va más allá y considera otros impactos.

Teniendo en cuenta otras formas de impacto que pueden surgir de la producción de la ciencia de datos el trabajo apoya la impresión de que usted, como un profesional de aprendizaje automático pensar a largo plazo.

Como intermediario entre el equipo técnico y las partes interesadas del proyecto, es refrescante encontrarse con ingenieros de ML que consideran factores más allá de las preocupaciones técnicas. Más específicamente, estoy impresionado por los equipos que factor en la ventaja de primer-mover en su estimación del tiempo de entrega de la aplicación y el costo.

Medidas para mejorar la consideración de los efectos:

Haga las preguntas correctas... más sobre esto más tarde.
Póngase en los zapatos de otras personas involucradas en un proyecto: clientes, usuarios finales, desarrolladores, diseñadores, etc.

Puede sonar contradictorio, pero un primer paso propuesto para convertirse en un comunicador eficaz es convertirse en un oyente meticuloso.

Anteriormente, escribí un artículo presentar las fases comunes dentro de un proyecto típico de aprendizaje automático. El primer paso consiste en escuchar los problemas especificados por el cliente, el cliente o los usuarios.

En mis primeros días como desarrollador web en lugar de escuchar a propósito a los clientes en su problema, estaba ansioso por superar la fase de definición y análisis de problemas y saltar directamente en la decisión de utilizar Angular, React o Vue para construir una solución. Esto me hizo perder los puntos clave de dolor que el cliente expresó, y como consecuencia, implementé soluciones que el cliente no necesitaba.

La lección aprendida aquí es que escuchar activamente los puntos de dolor de las partes interesadas del proyecto te ahorra meses de implementación de soluciones que resuelven los problemas equivocados.

Los apasionados profesionales del ML quedan atrapados en los detalles de las bibliotecas, arquitecturas de redes neuronales y herramientas para construir soluciones propuestas. No es culpa de nadie, la naturaleza del campo de la IA requiere individuos impulsados por la tecnología.

Pero es primordial que como defensores de la tecnología nos recordemos el propósito de la tecnología misma, que es aliviar las responsabilidades manuales y laboriosas en nuestros medios de vida.

Pasos para mejorar las habilidades de escucha:

La ciencia es un campo que se ocupa del descubrimiento y la utilización del conocimiento, donde el éxito o, al menos, el progreso se guían por interrogación la naturaleza del mundo. A veces nos olvidamos de la ‘ Ciencia ’ componente dentro de Data Science.

La disciplina de Ciencia de Datos requiere que los individuos tengan una naturaleza inquisitiva. Los profesionales del DS/ML interrogan a colegas, clientes y, obviamente, datos. Comprender cómo y cuándo hacer las preguntas correctas guía el camino hacia el éxito.

No es la cantidad de preguntas que haces lo que importa, sino lo que crea un compromiso impactante y fructífero es la calidad de las preguntas que haces.

Compromiso del cliente

Un subproducto de la escucha activa es identificar las preguntas correctas para hacer, y el momento adecuado para hacerlas.

Datos Los científicos a menudo interactúan con los clientes, o los usuarios de productos obtienen una gran cantidad de conocimiento haciendo las preguntas apropiadas. Aunque puede ser tentador mostrar experiencia técnica y logros a clientes potenciales, es más vital extraer información de la otra parte.

La extracción efectiva de información valiosa de los clientes se logra haciendo preguntas abiertas y evitando preguntas importantes.

Pregunta 1: ¿Qué ideas son valiosas para el éxito de su negocio?

Pregunta 2: ¿Le gustaría que extraigamos información que apunte a una correlación entre sus clientes y su ubicación?

La pregunta 1 es un ejemplo de una pregunta abierta. Permite al cliente proporcionar información sobre factores considerados importantes y de alto valor.

La segunda pregunta, por otra parte, permite una respuesta binaria, ya sea Sí o No. No hay oportunidad presentada al Cliente para elaborar, y lo que es peor, las suposiciones son hechas por el Data Scientist que pregunta.

Compromiso técnico

Recientemente me comprometí con un equipo de Machine Learning, y hubo un conflicto de opinión sobre dónde la extracción de la característica de datos en bruto debe ocurrir dentro de la tubería de aplicación.

En lugar de empujar mis puntos de vista por sus gargantas y mostrar mi experiencia. Elegí hacer las preguntas correctas. Y a través de un intercambio no egoísta de conocimientos, ambas partes se alejaron positivamente del compromiso.

Hacer las preguntas correctas en los compromisos técnicos proporciona una oportunidad para aprender de otros, y ampliamente, crear una relación interpersonal con los colegas.

Pasos para hacer las preguntas correctas:

Haga preguntas abiertas y de seguimiento que permitan a la otra parte detallar temas específicos.
Formular preguntas adecuadamente.

Datos Los científicos vienen en todas las formas y tamaños. A través de mi experiencia, he encontrado que los científicos de datos exitosos encuentran un equilibrio entre inteligencia técnica e inteligencia emocional.

Comparta las cualidades que usted siente que un practicante inteligente de aprendizaje automático debe mantener en la sección de comentarios.