Como gerenciar projetos e equipes de dados com eficácia

Nunca é uma má ideia reavaliar a maneira como abordamos nosso trabalho. Isso é verdade, seja você um estudante trabalhando em um projeto de portfólio, um engenheiro de ML experiente gerenciando um pipeline de ponta a ponta ou um executivo responsável pelo sucesso de toda uma equipe de dados.

Pode ser um passo supérfluo que você finalmente nix. Talvez você decida revisar o formato de sua chamada de equipe semanal ou implementar uma última verificação de qualidade que leva minutos, mas ocasionalmente economiza horas. Sua milhagem pode (e provavelmente irá) variar entre equipes e disciplinas, mas a ideia é a mesma: seus fluxos de trabalho quase certamente podem se beneficiar de alguns ajustes e simplificação.

Para ajudá-lo a iniciar esta jornada com algumas ideias concretas, selecionamos vários destaques recentes na interseção de ciência de dados, liderança e gerenciamento de projetos. Aproveitar!

• Como solucionar problemas do seu projeto de ciência de dados . Outliers, valores ausentes, conjuntos de dados desequilibrados: mais cedo ou mais tarde, você certamente os encontrará no pior momento possível. Jason Chong salva o dia com uma cartilha sobre alguns dos problemas mais comuns que você provavelmente encontrará como cientista de dados e propõe “uma estrutura sobre como lidar adequadamente com [eles], bem como suas respectivas compensações. ”
• Os desafios e recompensas de uma nova função de liderança . CJ Sullivan reflete sobre uma importante transição de carreira: da tecnologia para a indústria de esqui e do trabalho como colaborador individual para se tornar um diretor de ciência de dados. Sua postagem revela as lições que essa mudança pode nos ensinar sobre como liderar outras pessoas e sobre como ajustar a maneira como comunicamos o valor de nosso trabalho às partes interessadas não técnicas.
• O que há em um roteiro? Descobrir como atingir as metas que estabelecemos para nós mesmos pode exigir um longo processo de tentativa e erro, mas atingir as metas certas em primeiro lugar é ainda mais complicado. Marie Lefevre explica os benefícios de um roteiro bem definido para uma equipe de dados e compartilha uma estrutura para criar uma que lhe dará espaço para “pensar estrategicamente em vez de operacionalmente”.

• A importância de construir uma plataforma de dados robusta . Fechar a lacuna entre o valor potencial dos dados para uma empresa e o impacto real que eles causam geralmente se resume a colocar as ferramentas certas nas mãos das pessoas certas. Mahdi Karabiben explora as (muitas) limitações que os catálogos de dados atualmente impõem às partes interessadas e defende menos UIs, mais APIs e um impulso para maior acessibilidade aos dados.
• Para tomar as decisões certas, você precisa encontrar as métricas certas . “Como você estuda rigorosamente e cientificamente conceitos que você não pode definir facilmente?” Antes de coletar dados e analisá-los, Cassie Kozyrkov chama nossa atenção para a difícil tarefa de chegar a uma ideia clara e acionável dos fenômenos que pretendemos medir.
• Por que os projetos de dados florescem por meio da iteração e da empatia . Os cientistas de dados são solucionadores de problemas; como explica Taylor Jensen , uma melhor compreensão dos objetivos de seus clientes internos é pelo menos tão importante (se não mais) do que um forte domínio de algoritmos e estatísticas. Taylor sugere que tomar emprestados os princípios do design thinking – da empatia à prototipagem – pode ser um movimento poderoso para as equipes de dados.

• Demos as boas-vindas à primeira contribuição TDS de Anna Rogers - uma reflexão instigante sobre originalidade e atribuição no contexto de ferramentas generativas de IA.
• A arte gerada por IA também foi uma das principais preocupações de Danie Theron , que estudou gênero, tom de pele e preconceitos interseccionais nas saídas visuais de imagens Stable Diffusion.
• Para obter um recurso completo e abrangente sobre expressões regulares e como usá-las em Python, não perca a última postagem de Susan Maina .
• Se sua carreira em ciência de dados está em seus estágios iniciais, a postagem de estréia no TDS de Arunn Thevapalan fornece um roteiro útil para colocar o pé na porta .
• A história detalhada de Furcy Pin sobre o ecossistema Hadoop é um lembrete útil de quão recente (relativamente falando) o big data realmente é.
• O que a recente onda de demissões no setor de tecnologia significa para o futuro da IA? Wouter van Heeswijk, PhD, se pergunta se um inverno de IA pode estar chegando .

Até a próxima Variável,

Editores TDS