Warum so viele Daten sind die Wissenschaftler verlassen Ihre Arbeitsplätze – Hin zu Data Science

Mein nehmen auf, warum die Wissenschaftler und machine-learning-Ingenieure an die Spitze der Liste der Entwickler, die auf der Suche nach neuen jobs. Es beleuchtet die weniger glamouröse Seite von data science
wie viel Daten die Wissenschaftler machen

Enttäuschungen der data scientist!

Ja, ich bin ein Daten-Wissenschaftler und ja, Sie habe gelesen, dass die Titel korrekt, aber jemand musste es sagen. Wir Lesen so viele Geschichten über data science als sexiest job of the 21st century und die attraktive Summen an Geld, die Sie vornehmen können, als ein Wissenschaftler, der es kann scheinen, wie der absolute Traumjob. Faktor in das Feld enthält eine fülle von hoch qualifizierten Personen geeking heraus, um komplexe Probleme zu lösen (ja, es ist eine positive Sache “geek out”), es ist alles zu Liebe, über den job.

Aber die Wahrheit ist, dass die Daten, die Wissenschaftler in der Regel “verbringen Sie 1-2 Stunden in der Woche auf der Suche nach einem neuen job” wie bereits in diesem Artikel von der Financial Times. Weiterhin werden die Artikel auch fest, dass “Machine-learning-Spezialisten gekrönt die Liste der Entwickler, die sagten, Sie waren auf der Suche nach einem neuen job, bei 14,3 Prozent. Daten konnten Wissenschaftler eine enge zweite, mit 13,2 Prozent.” Diese Daten wurden gesammelt von Stack Overflow in Ihrer Studie, basierend auf 64,000 Entwickler.

Auch ich habe in dieser position und haben vor kurzem switched data science jobs mich.

Also, warum sind So viele Daten, die Wissenschaftler auf der Suche nach neuen jobs?

Bevor ich diese Frage beantworte ich klarstellen, dass ich noch eine Daten-Wissenschaftler. Auf der ganzen, Liebe ich den job und ich will nicht entmutigen anderem von angehenden Daten von Wissenschaftlern, denn es kann Spaß machen, anregend und lohnend. Das Ziel dieses Artikels ist es, den Advocatus Diaboli spielen und setzen einige der negativen Aspekte der Arbeit.

Aus meiner Sicht, hier sind die 4 großen Gründe, warum ich denke, dass viele Daten, die Wissenschaftler sind unzufrieden mit Ihren jobs.

1. Erwartung nicht mit der Realität übereinstimmen

Dieses Zitat ist so treffend. Viele junior Wissenschaftler Daten die ich kenne (das schließt mich) wollte in Daten Wissenschaft, da ging es um die Lösung komplexer Probleme mit coolen neuen machine-learning-algorithmen, die riesige Auswirkungen auf ein Unternehmen. Dies war eine chance zu fühlen, wie die Arbeit, die wir getan haben, war wichtiger als alles, was wir getan haben, bevor. Dies ist jedoch oft nicht der Fall.

Meiner Meinung nach, die Tatsache, dass Erwartungen nicht mit der Realität übereinstimmen, ist der ultimative Grund, warum viele Wissenschaftler Daten verlassen. Es gibt viele Gründe für diese, und kann ich vielleicht mit kommen eine erschöpfende Liste, aber dieser Beitrag ist im wesentlichen eine Liste von nur einige der Gründe, die ich traf.

Jedes Unternehmen ist anders, deshalb kann ich nicht für Sie sprechen alle, aber viele Unternehmen stellen Daten Wissenschaftler, ohne eine entsprechende Infrastruktur im Ort, um zu beginnen immer mit dem Wert aus der AI. Dies trägt zu den Kaltstart-problem im KI. Paar dies mit der Tatsache, dass diese Unternehmen nicht zu mieten senior/erfahrenen Daten-Praktizierende, vor der Einstellung Junioren, Sie haben jetzt ein Rezept für ein desillusioniert und unglücklich Beziehung für beide Parteien. Die Daten der Wissenschaftler kam wahrscheinlich zu schreiben, intelligente machine-learning-algorithmen zu fahren, Einblick, aber nicht tun können, denn Ihre erste Aufgabe ist es heraus zu Sortieren, die Daten-Infrastruktur und/oder erstellen analytische Berichte. Im Gegensatz dazu, das Unternehmen wollte nur ein Diagramm, dass Sie in Ihrer Vorstandssitzung jeden Tag. Das Unternehmen dann frustriert, weil Sie nicht sehen, den Wert getrieben schnell genug, und all dies führt auf die Daten Wissenschaftler unglücklich in Ihrer Rolle.

Es ist wichtig zu beurteilen, wie gut unsere Bestrebungen richten mit dem kritischen Pfad der Umwelt sind wir in. Finden Sie Projekte, teams, und Unternehmen, deren kritische Weg am besten ausgerichtet mit Ihnen.

Dies unterstreicht der 2-Wege-Beziehung zwischen dem Arbeitgeber und der data scientist. Wenn das Unternehmen nicht an der richtigen Stelle oder hat Ziele ausgerichtet, die von der Daten-Wissenschaftler dann werde es nur eine Frage der Zeit, bis die Daten Wissenschaftler wird etwas anderes finden.

Für diejenigen, die interessiert sind, Samson Hu hat eine fantastische Serie, wie das analytics-team wurde an Wünschen, die fand ich auch sehr aufschlussreich.

Ein weiterer Grund, die Daten der Wissenschaftler sind desillusioniert ist ein ähnlicher Grund, warum ich war enttäuscht mit der Wissenschaft: ich habe geglaubt, ich wäre in der Lage, einen enormen Einfluss auf die Menschen überall, nicht nur innerhalb des Unternehmens. In der Realität, wenn das Kerngeschäft des Unternehmens ist nicht in der Maschine lernen (mein früherer Arbeitgeber ist ein media-publishing-Unternehmen), ist es wahrscheinlich, dass die Daten der Wissenschaft, dass Sie nur gehen, um kleine Gewinne. Diese summieren sich zu etwas sehr bedeutendes oder Sie können mit etwas Glück zu stolpern auf einer Goldmine Projekt, aber dies ist weniger verbreitet.

2. Politik herrscht

Das Thema Politik hat bereits einen Brillianten Artikel gewidmet: Das schwierigste in Daten Wissenschaft: Politik – und ich fordere Sie, es zu Lesen. Die ersten paar Sätze aus diesem Artikel ziemlich viel zusammenfassen, was ich sagen will:

Als ich um 6 UHR morgens aufzuwachen zu studieren, Support Vector Machines ich dachte: “Das ist wirklich hart! Aber, hey, zumindest werde ich sehr wertvoll für meinen zukünftigen Arbeitgeber!”. Wenn ich noch den DeLorean, ich würde in der Zeit zurück gehen und rufen “Bulls**t!” auf mich.

Wenn Sie ernsthaft denken, dass das wissen viele machine-learning-algorithmen machen Ihnen die meisten wertvollen Daten, die Wissenschaftler anschließend zurück zu meinem ersten Punkt oben: Erwartung nicht mit der Realität übereinstimmen.

Die Wahrheit ist, die Menschen in den Unternehmen mit der meisten Schlagkraft brauchen, um eine gute Wahrnehmung von dir. Das kann bedeuten, dass Sie ständig ad-hoc-arbeiten, wie erste zahlen aus einer Datenbank zu geben, die richtigen Leute, zur richtigen Zeit, machen einfache Projekte nur so, dass die richtigen Menschen das Recht haben, die Wahrnehmung von Ihnen. Ich hatte, dies zu tun eine Menge in meinem vorherigen Platz. So frustrierend kann es fühlen, es war ein notwendiger Teil des Jobs.

3) bist Du der go-to-person, die über alles-Daten

Nach etwas zu tun, bitte die richtigen Leute, die sehr gleichen Leute, die mit allen Schlagkraft, verstehen oft nicht, was gemeint ist, durch “data scientist”. Dies bedeutet, dass Sie den analytics-Experten sowie die go-to-reporting Kerl und laßt uns nicht vergessen, dass Sie die Datenbank-Experte zu.

Es ist nicht nur nicht-technische Führungskräfte, dass zu viele Annahmen über Ihre Fähigkeiten. Andere Kollegen in der Technik nehme an, Sie wissen alles zugehörigen Daten. Sie wissen, Ihren Weg rund um Spark, Hadoop, Hive, Pig, SQL, Neo4J, MySQL, Python, R, Scala, Tensorflow, A/B-Tests, NLP, nichts maschinelles lernen (und nichts anderes zugehörigen Daten, die man sich denken kann — BTW, wenn Sie sehen, eine job-Spezifikation mit all diesen geschrieben, bleiben auch gut klar. Es riecht nach einem job spec von einer Firma, die keine Ahnung hat, was Ihre data-Strategie ist und Sie jemanden ein, weil Sie denken, dass die Einstellung alle Daten person wird fix alle Ihre Daten-Probleme).

Aber es ist noch nicht vorbei. Weil Sie das alles wissen und Sie haben natürlich Zugriff auf ALLE Daten, die Sie erwartet, um die Antworten zu ALL den Fragen, die durch……. naja, es sollte schon landete in der relevanten person Posteingang 5 Minuten vor.

Versucht zu sagen, jeder, was Sie eigentlich wissen und kontrollieren kann hart sein. Nicht, weil jemand tatsächlich denken, weniger von Ihnen, aber weil Sie als junior data scientist mit wenig Industrie Erfahrung, die Sie machen sich sorgen, dass die Menschen denken, die weniger von Ihnen. Dies kann durchaus eine schwierige situation.

4) Arbeiten Sie in einem team isoliert

Wenn wir sehen, dass erfolgreiche Daten-Produkte, die wir oft sehen, von Experten entwickelt Benutzeroberflächen mit intelligente Funktionen, und die meisten wichtiger ist, eine sinnvolle Ausgabe, die zumindest wahrgenommen wird, indem der Benutzer zur Lösung eines relevanten Problems. Nun, wenn ein data scientist verbringt Ihre Zeit nur lernen, wie man schreiben und ausführen von machine-learning-algorithmen, dann können Sie nur eine kleine (wenn auch notwendige) ein Teil eines Teams, das führt zum Erfolg eines Projektes, das erzeugt ein wertvolles Produkt. Dies bedeutet, dass data-science-teams, die Arbeit in isolation kämpfen, nutzen zu bieten!

Trotz dieser, viele Unternehmen immer noch eine data-science-teams, die kommen mit Ihren eigenen Projekten und code schreiben, um zu versuchen und lösen ein problem. In einigen Fällen kann dies ausreichen. Zum Beispiel, wenn alles, was benötigt wird, ist eine statische Tabelle, die produziert wird, einmal im Quartal, dann kann es einige Wert. Auf der anderen Seite, wenn das Ziel ist, zu optimieren, bieten intelligente Vorschläge in einem maßgeschneiderten website-Gebäude-Produkt, dann wird dies bedeuten, viele verschiedene Fähigkeiten, die sollte nicht erwartet werden, dass für die überwiegende Mehrheit der Wissenschaftler Daten (nur die wahren Daten-Wissenschaft Einhorn lösen können). Also, wenn das Projekt ist eine isolierte data-science-team ist es wahrscheinlich nicht (oder sehr lange dauern, weil die Organisation von einzelnen teams arbeiten auf das kollaborative Projekt in großen Unternehmen nicht leicht).

So werden ein effektives data scientist in Branche es reicht nicht nur gut zu tun in der Kaggle-Wettbewerbe und füllen Sie einige online-Kurse. (Un)glücklicherweise (je nachdem, auf welche Art und Weise man es betrachtet) geht es darum zu verstehen, wie Hierarchien und die Politik arbeitet im Geschäft. Suche nach einem Unternehmen, das ausgerichtet ist mit Ihrer kritischen Pfad sollte ein wichtiges Ziel bei der Suche nach einem data science job, der Ihre Bedürfnisse zu befriedigen. Jedoch können Sie immer noch nachregeln müssen Ihre Erwartungen, was zu erwarten von einem data science Rolle.

Wenn jemand irgendwelche weitere Kommentare, Fragen oder Einwände haben, bitte fühlen Sie sich frei zu kommentieren, weil eine Konstruktive Diskussion notwendig ist, zu helfen, angehende data scientists machen gut informierte Entscheidungen über Ihren Berufsweg.

Leave a Reply

Your email address will not be published. Required fields are marked *