Comment gérer efficacement les projets et les équipes de données

Ce n'est jamais une mauvaise idée de réévaluer la façon dont nous abordons notre travail. Cela est vrai que vous soyez un étudiant travaillant sur un projet de portefeuille, un ingénieur ML chevronné gérant un pipeline de bout en bout ou un cadre responsable du succès de toute une équipe de données.

Il pourrait s'agir d'une étape superflue que vous finirez par supprimer. Peut-être décidez-vous de revoir le format de votre appel d'équipe hebdomadaire, ou de mettre en place un dernier contrôle de qualité qui prend quelques minutes mais fait parfois gagner des heures. Votre kilométrage peut (et variera probablement) selon les équipes et les disciplines, mais l'idée est la même : vos flux de travail peuvent presque certainement bénéficier de quelques ajustements et rationalisations.

Pour vous aider à démarrer ce voyage avec quelques idées concrètes, nous avons sélectionné plusieurs points forts récents à l'intersection de la science des données, du leadership et de la gestion de projet. Prendre plaisir!

• Comment dépanner votre projet de science des données . Valeurs aberrantes, valeurs manquantes, ensembles de données déséquilibrés : tôt ou tard, vous les rencontrerez au pire moment possible. Jason Chong sauve la mise avec une introduction sur certains des problèmes les plus courants que vous êtes susceptible de rencontrer en tant que scientifique des données, et propose "un cadre sur la façon de les traiter correctement ainsi que leurs compromis respectifs. ”
• Les défis et les récompenses d'un nouveau rôle de leadership . CJ Sullivan réfléchit à une transition de carrière majeure : de la technologie à l'industrie du ski, et du travail en tant que contributeur individuel à celui de directeur de la science des données. Son article dévoile les leçons qu'un tel changement peut nous apprendre sur la façon de diriger les autres et sur l'ajustement de la façon dont nous communiquons la valeur de notre travail aux parties prenantes non techniques.
• Qu'y a-t-il dans une feuille de route ? Déterminer comment atteindre les objectifs que nous nous sommes fixés peut nécessiter un long processus d'essais et d'erreurs, mais atterrir sur les bons objectifs en premier lieu est encore plus délicat. Marie Lefevre explique les avantages d'une feuille de route bien définie pour une équipe de données et partage un cadre pour en créer une qui vous donnera l'espace pour "penser stratégiquement plutôt qu'opérationnellement".

• L'importance de construire une plate-forme de données robuste . Combler l'écart entre la valeur potentielle des données pour une entreprise et leur impact réel revient souvent à mettre les bons outils entre les mains des bonnes personnes. Mahdi Karabiben explore les (nombreuses) limitations que les catalogues de données imposent actuellement aux parties prenantes et plaide pour moins d'interfaces utilisateur, plus d'API et une poussée vers une plus grande accessibilité des données.
• Pour prendre les bonnes décisions, vous devez trouver les bonnes métriques . « Comment étudiez-vous rigoureusement et scientifiquement des concepts que vous ne pouvez pas définir facilement ? » Avant de collecter des données et de les analyser, Cassie Kozyrkov attire notre attention sur la tâche difficile d'avoir une idée claire et exploitable des phénomènes que nous cherchons à mesurer.
• Pourquoi les projets de données prospèrent grâce à l'itération et à l'empathie . Les data scientists sont des résolveurs de problèmes ; Comme l' explique Taylor Jensen , une meilleure compréhension des objectifs de leurs clients internes est au moins aussi importante (sinon plus) qu'une bonne maîtrise des algorithmes et des statistiques. Taylor suggère que l'emprunt des principes de la pensée conceptuelle - de l'empathie au prototypage - peut être une décision puissante pour les équipes de données.

• Nous avons accueilli la première contribution d' Anna Rogers à TDS, une réflexion stimulante sur l'originalité et l'attribution dans le contexte des outils d'IA générative.
• L'art généré par l'IA était également une priorité pour Danie Theron , qui a étudié le genre, le teint et les biais intersectionnels dans les sorties visuelles des images de diffusion stable.
• Pour une ressource complète et unique sur les expressions régulières et leur utilisation en Python, ne manquez pas le dernier article de Susan Maina .
• Si votre carrière en science des données n'en est qu'à ses débuts, le premier article TDS d' Arunn Thevapalan fournit une feuille de route utile pour mettre le pied dans la porte .
• L'histoire détaillée de Furcy Pin de l'écosystème Hadoop est un rappel utile de la réalité (relativement parlant) du big data.
• Que signifie la récente vague de licenciements dans le secteur de la technologie pour l'avenir de l'IA ? Wouter van Heeswijk, PhD, se demande si l'hiver de l'IA approche à grands pas .

Jusqu'à la variable suivante,

Éditeurs TDS