Bilgi yaratan ve verilerden keşifler yapan veri bilimcinin rolü, beyan Harvard Business Review’da “21. yüzyılın en seksi işi”.
Ne için ? İki yıl önce çalışmanın yazarları tahminlerini revize etti : Veri bilimcilerinin, özellikle yapay zeka ve makine öğrenimi (ML) çağında, işletmeleri için kesinlikle hayati önem taşıdığına inanıyorlar.
İş aynı zamanda kısmen iyiye doğru ama aynı zamanda kötüye doğru da gelişti.
Yapay zekaya rağmen veriler hâlâ temizleniyor
Çalışmanın yazarları, “Daha kurumsallaştı, işin kapsamı yeniden tanımlandı, arkasındaki teknoloji büyük ilerlemeler kaydetti ve etik ve değişim yönetimi gibi teknik olmayan uzmanlığın önemi arttı” diyor. .
Aynı zamanda, veri bilimcileri “zamanlarının çoğunu verileri temizlemek ve değiştirmek için harcadıklarını ve veri yönetimini geliştirmek için yapay zeka kullanımındaki bazı ilerlemelere rağmen bu durumun hala geçerli olduğunu” belirtiyorlar.
Daha da önemlisi, araştırmada “birçok kuruluşun veri odaklı bir kültüre sahip olmadığı ve veri bilimcilerin sağladığı içgörülerden faydalanmadığı” ortaya çıkıyor.
“Birçoğu hüsrana uğramış durumda, bu da yüksek ciroya yol açıyor”
Ve oldukça sert bir gözlem yapın. “İşe alınmak ve iyi maaş almak, veri bilimcilerin işverenleri için bir fark yaratabilecekleri anlamına gelmiyor. Sonuç olarak çoğu kişi hayal kırıklığına uğruyor ve bu da yüksek iş değişimine yol açıyor.”
Profesyoneller şirket içindeki veri bilimcilerine saygı duyar. Ancak yakın zamanda başka bir kişi tarafından da onaylandığı gibi, tavsiyelerini veya fikirlerini uygulamama eğilimindeler. soruşturma Rexer Analytics’ten.
Ankette, veri bilimcilerin yalnızca %22’si girişimlerinin (çoğunlukla yeni bir süreç veya yeteneği etkinleştirmek için geliştirilen modeller) genellikle dağıtımla sonuçlandığını söylüyor. Katılımcıların onda dördünden fazlası (%43) yeni modellerinin %80 veya daha fazlasının uygulanmadığını söylüyor.
Sorunun merkezinde meslekler ve veri bilimcileri arasındaki etkileşim
Çoğu durumda mevcut modellerde yapılan değişiklikler bile üretime geçmiyor. “Açık Tümü Çalışmada, mevcut dağıtımlar için modellerin yenilenmesi de dahil olmak üzere makine öğrenimi projelerinin yalnızca %32’sinin modellerinin genellikle dağıtıldığını söylediği belirtildi.
Peki sorun ne?
İşletme ve veri bilimi ekipleri arasındaki etkileşim (ya da etkileşim eksikliği) birçok sorunun temelinde yer alıyor gibi görünüyor.
Bir tanım sorunu
Ankete göre veri bilimcilerin yalnızca %34’ü, veri bilimi projelerinin hedeflerinin “genellikle başlamadan önce iyi tanımlandığını” söylüyor.
Ayrıca yarıdan azı (%49), modellerin uygulanmasını onaylaması gereken iş liderlerinin “bu tür kararları tam olarak vermek için yeterince bilgi sahibi olduklarını” söylüyor.
Genel olarak, önerilen makine öğrenimi modellerinin uygulanmaması için belirtilen en önemli nedenler arasında şunlar yer alıyor:
- Politika yapıcılar mevcut operasyonların yeni modellerle değiştirilmesini onaylamaya istekli değiller.
- Projeleri gerçekleştirmek için yeterli planlamanın olmayışı.
- Model dağıtımını yürütmenin doğru yolunun anlaşılmaması.
- Model değerlendirmesi için gerekli verilerin kullanılabilirliğiyle ilgili sorunlar.
- Dağıtımı yönetmek için herhangi bir kişi atanmamıştır.
- Personel model sonuçlarıyla etkili bir şekilde çalışmak istemiyor veya yapamıyor.
- Modelin mevcut sistemlere uygulanmasının/entegre edilmesinin önündeki teknik engeller.
Dağıtım mücadelesi
Araştırmaya göre dağıtım mücadelesi iki ana faktörden kaynaklanıyor:
- Araştırmada “Yaygın yetersiz planlama ve paydaşların somut görünürlük eksikliği. Birçok veri uzmanı ve iş lideri, makine öğrenimi operasyonlarının en küçük ayrıntısına kadar planlanması ve her makine öğrenimi projesinin başlangıcından itibaren kararlılıkla sürdürülmesi gerektiğini henüz anlamadı” diyor. .
- Çalışma, iş dünyası liderlerinin veya profesyonellerinin “ML’nin operasyonlarını tam olarak nasıl geliştireceği ve bu iyileştirmenin sunması beklenen değer konusunda” daha fazla görünürlüğe ihtiyaç duyduğunu ekliyor. “Bir modeli dağıtmak için yeşil ışık yakmak ve ondan önce de dağıtım öncesi aşamalar boyunca projenin yürütülmesini etkilemek için buna ihtiyaçları var.”
ML projesinin performansının çoğu zaman ölçülmediğini de belirtmek önemlidir.
Çoğu zaman performans ölçümleri yatırım getirisi gibi iş ölçümleri yerine belirsiz teknik ölçümlere dayanır.
Giderek artan mesleki tatmin seviyesi
Ancak veri bilimcinin işi, Rexer anketinin de belirttiği gibi sürekli gelişen harika bir iştir.
2020’de yapılan önceki ankette, kurumsal veri bilimcilerinin %23’ü yüksek düzeyde iş tatmini yaşadıklarını bildirmişti. Bu en son ankette neredeyse ikiye katlanarak %41’e çıkan bir oran. 2020’deki %12’ye kıyasla yalnızca %5’i memnun olmadığını söylüyor.
Veri bilimi becerilerine yönelik iştah da büyümeye devam ediyor.
Veri bilimcilerini bulmak hâlâ zor; %40’ı şirketlerindeki yetenek eksikliğinden endişe duyduklarını söylüyor. Yarısı, kuruluşlarının veri bilimi becerilerini geliştirmek için şirket içi eğitimleri artırdığını söylerken, %39’u veri bilimine ilgiyi artırmak için üniversitelerle işbirliği yaptığını söylüyor.
Kaynak : “ZDNet.com”
