Jeśli, jak stwierdził pisarz science fiction Arthur C. Clarke, "każda wystarczająco zaawansowana technologia jest nieodróżnialna od magii", to czasami wydaje się, że nauka o danych jest postrzegana jako wyciąganie królików z kapeluszy. Ta narracja jest oczywiście błędna. Jest to postrzeganie tego, co nazywam "magią danych", gdzie ludzie wierzą, że dane mogą być pompowane do jednego końca "maszyny nauki o danych", a idealny widget (rozwiązanie problemów wszystkich) wyłoni się po drugiej stronie.
W znacznym stopniu dzieje się tak dlatego, że zdecydowana większość ludzi nie rozumie działania nauki o danych, a kiedy wejdziesz w bardziej zaawansowane obszary, takie jak głębokie uczenie się, nawet wielu naukowców zajmujących się danymi przyzna, że nie rozumie wielu poziomów złożoności. Ale jeśli jesteś naukowcem zajmującym się danymi, (w większości) wiesz wystarczająco dużo, aby wiedzieć, kiedy jesteś poza swoją głębią. Jednak poza społecznością data science nie zawsze tak jest. I jest to zrozumiałe.
Po części jest to nasza własna wina. To trudny klub; historycznie trudno było "osobom z zewnątrz" przeniknąć, a tym bardziej zrozumieć. Języki nauki o danych były trzymane blisko klatki piersiowej. Podobnie jak Kościół rzymskokatolicki wybrał łacinę kościelną jako podstawowy język komunikacji w celu kontrolowania wiadomości, szczególnie w średniowieczu i we wczesnym okresie nowożytnym, my, naukowcy zajmujący się danymi, możemy zostać oskarżeni o podobne działania - choć oczywiście nie na taką samą skalę i nie mające tak bezpośredniego wpływu na całe populacje. Ale tak jak reformacje w XVI wieku doprowadziły do uwolnienia języka, czyniąc doktryny różnych kościołów chrześcijańskich bardziej dostępnymi dla mas, tak nauka o danych musi teraz dalej rozszerzać swój język.
Wspólny język pozwoliłby nam wyjść poza przekonanie, że naukowcy zajmujący się danymi mają mistyczne zdolności do rozwiązywania wszelkich problemów, przepuszczając dane przez środowisko sztucznej inteligencji, aby uzyskać pożądane wyniki, jak za dotknięciem czarodziejskiej różdżki. Pomogłoby to ludziom zrozumieć, że nauka o danych nie jest magicznym panaceum.
W rzeczywistości, jeśli naprawdę chcesz zaawansowanej nauki o danych, jedną z najgorszych rzeczy do zrobienia jest przydzielenie analityka danych do rozwiązywania pojedynczych lub doraźnych problemów, ponieważ spowoduje to silosową komunikację, utrzymując naukę o danych na zapleczu.
Najlepszym sposobem na rozpowszechnienie nauki o danych jest raczej ujawnienie problemów na poziomie przedsiębiorstwa, rozumiejąc, że nauka o danych jest sportem zespołowym. Posiadanie multidyscyplinarnych zespołów dedykowanych produktom lub klientom przynosi lepsze wyniki biznesowe i rozwija interdyscyplinarne zrozumienie. Kohorta składająca się ze współpracownika handlowego, menedżera produktu, inżyniera, analityka danych i przedstawicieli innych kluczowych organizacji funkcjonalnych powinna być zamknięta w nieprzerwanym pomieszczeniu w celu spotkania umysłów skupionych na największych potrzebach i możliwościach. To tutaj dzieje się prawdziwa magia.
Mimo to podróżnik w tej podróży powinien być świadomy znaków ostrzegawczych. Jeśli podczas pracy z klientami lub innymi stronami trzecimi w duchu współpracy zaczniesz szukać rozwiązań, które można wyjaśnić absolutnie wszystkim, zatrzymaj się. Podobnie jak magik nie ogranicza swojego występu do podstawowych sztuczek, publiczność rozumie, że naukowcy zajmujący się danymi nie powinni ograniczać się do łatwych do wyjaśnienia rozwiązań. Celowe osłabianie procesu może mieć efekt uboczny w postaci dostarczenia mniej niż optymalnego rozwiązania problemu. To równowaga.
Równowaga ta opiera się na zaufaniu firm do możliwości ich analityków danych. Zaufanie, że naukowcy zajmujący się danymi będą dzielić się naszym językiem tak bardzo, jak to tylko możliwe, ale nie będą rozcieńczać rozwiązań, gdy sprawy staną się zbyt techniczne, i że zawsze pozostaniemy wierni naszej dyscyplinie Jest to rodzaj zaufania i równowagi umożliwiający zaawansowanym technologicznie firmom dotarcie do ich odpowiednich zestawów prawdy.
Ten artykuł został pierwotnie opublikowany na Medium.
