por Isaac Sacolick
“La primera decisión en la toma de decisiones es cuándo tomar una decisión”, proclamó Mike Hayes, director de transformación digital de VMWare y excomandante de SEAL Team. Asistí a Rev 3 la semana pasada (mayo de 2022), una conferencia sobre ModelOps y, en términos más generales, una conferencia para que los científicos de datos aprendan y se conecten en red sobre sus prácticas para experimentar y entregar modelos de aprendizaje automático que impulsan el impacto comercial.
Fue en The Marriott Marquis en Broadway en Nueva York, y el salón de baile estaba lleno de aspirantes a Digital Trailblazers realmente inteligentes, en su mayoría jóvenes y muy ansiosos .
Pero para mí, en realidad estaba siguiendo otra de las recomendaciones de Hayes: “Disminuya la velocidad y tómese ese tiempo para pensar”. Sí, señor. Y mi recomendación: consulte el libro de Mike, Never Enough: A Navy SEAL Commander on Living a Life of Excellence, Agility, and Meaning .
En la conferencia y mucho antes, he estado pensando en cómo más personas pueden mejorar su alfabetización de datos y, más específicamente, volverse más prácticos trabajando en programas de ciencia de datos ciudadanos . Aprendí algunas recomendaciones en la conferencia y hablando con expertos.
1. Aprenda de las pymes, haga preguntas, desafíe el status quo
Otros dos grandes consejos llegaron directamente durante la sesión de apertura. Hayes recomendó a la audiencia: “Lo que importa es quién está más cerca del problema y quién es el adecuado según la experiencia para resolverlo”. Estaba compartiendo una de sus mejores prácticas en torno a la toma de decisiones: las personas que entienden el problema, los riesgos y las ramificaciones son las que deben ver los datos para ayudar a guiar las decisiones. En el caso de Hayes, eso puede ser apretar el gatillo de una operación especial.
Más adelante en la sesión de apertura, Linda Avery, directora de datos y análisis de Verizon , compartió cómo desafiaron su cultura central de mentalidad operativa. Ella dijo: “Con una operación orientada a la ejecución viene una cultura muy directiva. Tenemos que alejarnos de eso a una cultura en la que está bien cuestionar”.
Este consejo se aplica aún más a los aspirantes a líderes de datos, y me recuerda una publicación que escribí hace nueve años sobre cómo hacer preguntas inteligentes sobre big data . Esa publicación se produjo después de un ayuntamiento en el que varios líderes empresariales mostraron sus visualizaciones de datos y otras herramientas de datos para analizar los datos operativos y de los clientes. Ese fue mi primer grupo de ciencia de datos de ciudadanos, y su viaje no comenzó con el aprendizaje de nuevas herramientas. Comenzó siendo inquisitivo y aprendiendo qué datos estaban disponibles para tomar decisiones más informadas.
2. Lleve sus preguntas y datos a un programa de aprendizaje que funcione para usted
Una vez que tenga una pregunta y algunos datos, estará mejor equipado para aprender prácticas y herramientas de datos. Está bien comenzar con los ejemplos de herramientas, libros y cursos, pero sus ejercicios a menudo pasan por alto las realidades de trabajar con la calidad de los datos y los problemas de abastecimiento.
Hablando con Rosaria Silipo antes de la conferencia, científica de datos principal y jefa de evangelismo en KNIME , sugiere estas cinco formas de aprender prácticas y herramientas de ciencia de datos:
- La forma práctica: Encuentra un problema para resolverlo, aprende y aplica diferentes técnicas hasta resolverlo
- La forma clásica: Obtenga un libro, estudie los algoritmos y haga los ejercicios recomendados en el libro
- La forma virtual: Regístrese para un curso rápido en línea. Siga las explicaciones, haga los ejercicios y obtenga su certificado (si lo tiene)
- La manera integral: asistir a un programa de ciencia de datos en un colegio/universidad
- La forma de tutoría: trabaje con un colega que sea lo suficientemente amable como para presentarle el mundo del aprendizaje automático
Mi sugerencia: el aprendizaje es una inversión de tiempo y, a menudo, de dinero, así que elija un enfoque que funcione mejor para su estilo de aprendizaje y lo que pueda pagar. Para pasar de lo básico a la maestría, probablemente tendrá que aplicar varios enfoques. Por ejemplo, puede aplicar “la forma clásica” para aprender estadísticas, “la forma virtual” cuando aprende una herramienta de visualización de datos y “la forma integral” cuando está listo para aprender las matemáticas, la ciencia y la implementación detrás del aprendizaje automático. algoritmos
Lauren Clayberg, ingeniera de software en mabl , también me envió estas sugerencias independientemente de cómo realice su aprendizaje. Ella dice: “El aprendizaje del aprendizaje automático comienza con la comprensión de sus componentes principales: las matemáticas detrás de la optimización, cómo encontrar datos de alta calidad y los beneficios de diferentes métricas de rendimiento. Dado que el aprendizaje automático es solo optimización automatizada, construir una comprensión sólida de estos pilares permite a las personas profundizar en modelos específicos y cómo usarlos”.
3. Únase a un equipo de análisis, entregue un modelo que impacte en el negocio
Rev 3 estuvo lleno de los mejores científicos de datos que querían expandir sus conjuntos de habilidades, y Nick Elprin, director ejecutivo y cofundador de Domino Data Lab , compartió esta revelación clave con ellos. Dijo: “Se acabó el tiempo de juego para la ciencia de datos. Si su trabajo se relega a un laboratorio de innovación, entonces ya está atrasado”.
Ese también es un gran consejo para los aspirantes a científicos de datos y científicos de datos ciudadanos. Llevar visualizaciones de datos, análisis y modelos de aprendizaje automático a la producción, generar un impacto comercial y brindar soporte en torno a los modelos no es un esfuerzo de una sola persona. Se necesita un equipo de expertos en la materia que conozcan el negocio, ingenieros de operaciones de datos, científicos de datos ciudadanos, especialistas en gobierno de datos y científicos de datos para colaborar en el problema, los experimentos y las soluciones de trabajo. Para colaborar como equipo, compartí por qué la ciencia de datos, las operaciones de datos y la gobernanza de datos necesitan metodologías ágiles y tres formas de aplicar la metodología ágil en la ciencia de datos y las operaciones de datos en publicaciones anteriores.
Volviendo a los comentarios de Hayes, “La primera decisión en la toma de decisiones es cuándo tomar una decisión”. ¡Es hora de tomar una decisión y desarrollar sus habilidades de ciencia de datos!
Fuente: https://blogs.starcio.com/2022/05/citizen-data-scientist-learn-machine-learning.html