Eyleme geçirilebilir büyük veriler: Veri bilimcileri ve mühendisleri arasındaki uçurum nasıl kapatılır?

Büyük verilerin etrafındaki vızıltı, yaygın bir yanlış anlama yarattı: sadece varlığı, bir şirkete eyleme geçirilebilir içgörü ve olumlu iş sonuçları sağlayabilir. Gerçek biraz daha karmaşık. Büyük verilerden değer elde etmek için, veriyi incelemek için yetenekli bir veri bilim ekibine ihtiyacınız var. Şirketler, 2016'dan 2019'a kadar veri bilimcisi işlerindeki 15x - 20x büyüme ile kanıtlandığı gibi bunu anlıyor. Ancak, elinizde veri bilimcilerinden oluşan yetenekli bir ekibiniz olsa bile, hala bu fikirleri üretime sokuyor. Gerçek iş değerini anlamak için mühendislerinizin ve veri bilimcilerinizin birbirleriyle uyumlu çalışmasını sağlamanız gerekir. Veri bilimcileri özünde, şirketinizin günlük olarak aldığı verilerden yeni fikirler ve düşünceler çıkartan yenilikçilerken, mühendisler de bu fikirleri geliştirir ve verilerimizi görüntülemek için sürdürülebilir lensler oluşturur. Veri bilimcileri, olumlu iş sonuçları için verileri deşifre etmek, işlemek ve satın almakla görevlendirilir. Bu başarıyı elde etmek için, veri madenciliğinden istatistiksel analize kadar çeşitli görevleri yerine getiriyorlar. Veri toplama, organize etme ve yorumlama, önemli eğilimleri ve ilgili bilgileri belirleme amacıyla yapılır. Mühendisler kesinlikle veri bilimcileriyle birlikte çalışırken, iki rol arasında bazı farklılıklar vardır. Temel farklılıklardan biri mühendislerin sistemlerin “üretime hazır olmasına” kesinlikle daha yüksek bir değer vermesidir. Veri bilimcileri tarafından üretilen modellerin esnekliğinden ve güvenliğinden, gerçek format ve ölçeklenebilirliğe kadar, mühendisler sistemlerinin hızlı ve güvenilir bir şekilde işlevsel olmasını ister. Başka bir deyişle: Veri bilimcileri ve mühendislik ekipleri farklı günlük kaygılara sahiptir. Bu, her iki rolü başarı için nasıl konumlandırabileceğiniz ve sonuçta verilerinizden en anlamlı bilgileri nasıl elde edebileceğiniz sorusunu akla getiriyor. Cevap veri ve mühendislik ilişkilerini mükemmelleştirmek için zaman ve kaynak ayırmada yatıyor. Tıpkı veri kümelerinin etrafındaki karmaşayı veya “gürültüyü” azaltmak gibi, işinizin başarısında hayati rol oynayan bu iki takım arasındaki sürtünmeyi de düzeltmek önemlidir. İşte bunu gerçeğe dönüştürmek için üç kritik adım. Bir odaya birkaç bilim adamı ve birkaç mühendis koymak ve dünyadaki sorunları çözmelerini istemek yeterli değildir. Önce birbirlerinin terminolojisini anlamalarını ve aynı dili konuşmaya başlamalarını sağlamalısınız. Bunu yapmanın bir yolu takımları çapraz eğitmektir. Bilim adamlarını ve mühendisleri iki kapsülle eşleştirerek, ortak öğrenmeyi teşvik edebilir ve engelleri aşabilirsiniz. Veri bilimcileri için bu, kodlama modellerini öğrenmek, kodu daha organize bir şekilde yazmak ve belki de en önemlisi, üretime bir model sokmakla ilgili teknoloji yığınını ve altyapı değişimlerini anlamak anlamına gelir. Yayınlanan 7wData.be