วิธีจัดการโครงการข้อมูลและทีมอย่างมีประสิทธิภาพ

ไม่ควรประเมินวิธีการทำงานของเราใหม่อีกครั้ง นี่เป็นเรื่องจริงไม่ว่าคุณจะเป็นนักเรียนที่ทำงานในโครงการพอร์ตโฟลิโอ วิศวกร ML ที่ช่ำชองในการจัดการไปป์ไลน์แบบ end-to-end หรือผู้บริหารที่รับผิดชอบความสำเร็จของทีมข้อมูลทั้งหมด

มันอาจเป็นขั้นตอนที่ฟุ่มเฟือยจนในที่สุดคุณก็ห้ามได้ บางทีคุณอาจตัดสินใจแก้ไขรูปแบบการโทรติดต่อทีมรายสัปดาห์ของคุณ หรือใช้การตรวจสอบคุณภาพครั้งสุดท้ายที่ใช้เวลาไม่กี่นาที แต่บางครั้งอาจประหยัดเวลาได้หลายชั่วโมง ระยะทางของคุณอาจ (และมีแนวโน้มจะ) แตกต่างกันไปตามทีมและสาขาวิชา แต่แนวคิดนั้นเหมือนกัน: เวิร์กโฟลว์ของคุณสามารถได้รับประโยชน์อย่างแน่นอนจากการปรับแต่งและปรับปรุงประสิทธิภาพ

เพื่อช่วยให้คุณเริ่มต้นเส้นทางนี้ด้วยแนวคิดที่เป็นรูปธรรม เราได้เลือกแนวคิดที่โดดเด่นล่าสุดหลายข้อจากการผสมผสานระหว่างวิทยาศาสตร์ข้อมูล ความเป็นผู้นำ และการจัดการโครงการ สนุก!

• วิธีแก้ปัญหาโครงการวิทยาศาสตร์ข้อมูลของคุณ ค่าที่ผิดปกติ ค่าที่ขาดหายไป ชุดข้อมูลที่ไม่สมดุล ไม่ช้าก็เร็ว คุณจะต้องพบกับสิ่งเหล่านี้ในเวลาที่เลวร้ายที่สุด Jason Chongช่วยประหยัดเวลาด้วยไพรเมอร์ในประเด็นที่พบบ่อยที่สุดที่คุณอาจพบเจอในฐานะนักวิทยาศาสตร์ข้อมูล และเสนอ "กรอบการทำงานเกี่ยวกับวิธีจัดการกับ [พวกเขา] อย่างเหมาะสม ตลอดจนการแลกเปลี่ยนที่เกี่ยวข้องกัน ”
• ความท้าทายและผลตอบแทนของบทบาทผู้นำใหม่ CJ Sullivanสะท้อนถึงการเปลี่ยนแปลงในอาชีพที่สำคัญ: จากเทคโนโลยีสู่อุตสาหกรรมสกี และจากการทำงานเป็นผู้สนับสนุนรายบุคคลสู่การเป็นผู้อำนวยการฝ่ายวิทยาศาสตร์ข้อมูล โพสต์ของเธอเผยบทเรียนต่างๆ การเปลี่ยนแปลงดังกล่าวสามารถสอนเราเกี่ยวกับการเป็นผู้นำผู้อื่น และเกี่ยวกับการปรับวิธีที่เราสื่อสารคุณค่าของงานของเราแก่ผู้มีส่วนได้ส่วนเสียที่ไม่ใช่ด้านเทคนิค
• มีอะไรอยู่ในแผนงาน? การหาวิธีบรรลุเป้าหมายที่เราตั้งไว้สำหรับตัวเราเองอาจต้องใช้กระบวนการลองผิดลองถูกที่ยาวนาน แต่การไปถึงเป้าหมายที่ถูกต้องตั้งแต่แรกนั้นยากยิ่งกว่า Marie Lefevreอธิบายถึงประโยชน์ของแผนการทำงานที่กำหนดไว้อย่างดีสำหรับทีมข้อมูล และแชร์กรอบงานสำหรับการสร้างกรอบงานที่จะให้พื้นที่ในการ "คิดเชิงกลยุทธ์มากกว่าดำเนินการ"

• ความสำคัญของการสร้างแพลตฟอร์มข้อมูลที่แข็งแกร่ง การปิดช่องว่างระหว่างมูลค่าที่เป็นไปได้ของข้อมูลสำหรับธุรกิจและผลกระทบที่เกิดขึ้นจริงมักจะทำให้ต้องลงเอยด้วยการวางเครื่องมือที่เหมาะสมไว้ในมือของคนที่เหมาะสม Mahdi Karabibenสำรวจแคตตาล็อกข้อมูลข้อจำกัด (จำนวนมาก) ที่มีอยู่ในปัจจุบันเกี่ยวกับผู้มีส่วนได้ส่วนเสีย และโต้แย้งถึง UI ที่น้อยลง, API ที่มากขึ้น และการผลักดันให้เข้าถึงข้อมูลได้มากขึ้น
• ในการตัดสินใจที่ถูกต้อง คุณต้องค้นหาเมตริกที่เหมาะสม “คุณศึกษาแนวคิดทางวิทยาศาสตร์อย่างเข้มงวดซึ่งคุณไม่สามารถให้คำจำกัดความได้ง่ายๆ ได้อย่างไร” ก่อนที่คุณจะรวบรวมข้อมูลและวิเคราะห์นั้น Cassie Kozyrkovดึงความสนใจของเราไปที่งานที่ยากในการหาแนวคิดที่ชัดเจนและนำไปใช้ได้จริงเกี่ยวกับปรากฏการณ์ที่เราตั้งเป้าที่จะวัด
• เหตุใดโครงการข้อมูลจึงรุ่งเรืองผ่านการทำซ้ำและ การเอาใจใส่ นักวิทยาศาสตร์ข้อมูลเป็นนักแก้ปัญหา ตามที่ Taylor Jensenอธิบาย ความเข้าใจที่ดีขึ้นเกี่ยวกับเป้าหมายของลูกค้าภายในของพวกเขามีความสำคัญพอๆ กัน (หากไม่มากไปกว่านั้น) มากกว่าความเข้าใจในอัลกอริทึมและสถิติ เทย์เลอร์แนะนำว่าการยืมหลักการของการคิดเชิงออกแบบ ตั้งแต่การเอาใจใส่ไปจนถึงการสร้างต้นแบบ อาจเป็นวิธีที่มีประสิทธิภาพสำหรับทีมข้อมูล

• เรายินดี กับผลงาน TDS ครั้งแรกของ Anna Rogers ซึ่งเป็น ภาพสะท้อนที่กระตุ้นความคิด เกี่ยวกับความคิดริเริ่มและการระบุแหล่งที่มา ในบริบทของเครื่องมือสร้าง AI
• ศิลปะที่สร้างโดย AI ยังเป็นความคิดอันดับต้นๆ ของDanie Theronผู้ซึ่งศึกษาเรื่องเพศ สีผิว และอคติทางแยกในการแสดงผลทางภาพของภาพ Stable Diffusion
• สำหรับแหล่งข้อมูลแบบครบวงจรที่ครอบคลุมเกี่ยวกับนิพจน์ทั่วไปและวิธีใช้งานใน Python อย่าพลาดโพสต์ล่าสุดของSusan Maina
• หากอาชีพด้านวิทยาศาสตร์ข้อมูลของคุณยังอยู่ในช่วงเริ่มต้นโพสต์ TDS ที่เปิดตัวครั้งแรกของArunn Thevapalan จะให้แผนงานที่เป็นประโยชน์สำหรับการก้าวเข้า สู่ประตู
• ประวัติ โดยละเอียด ของ Furcy Pin เกี่ยว กับระบบนิเวศ Hadoopเป็นเครื่องเตือนใจที่มีประโยชน์ว่าข้อมูลขนาดใหญ่ (ค่อนข้างพูด) ล่าสุดเป็นอย่างไร
• กระแสของการปลดพนักงานในภาคเทคโนโลยีมีความหมายอย่างไรต่ออนาคตของ AI? Wouter van Heeswijk, PhDสงสัยว่าฤดูหนาวของ AI อาจอยู่ใกล้แค่เอื้อมหรือไม่

จนกว่าจะถึงตัวแปรถัดไป

บรรณาธิการ TDS