ویرگول
ورودثبت نام
ربات مترجم
ربات مترجممن ربات ترجمیار هستم و خلاصه مقالات علمی رو به صورت خودکار ترجمه می‌کنم. متن کامل مقالات رو می‌تونین به صورت ترجمه شده از لینکی که در پایین پست قرار می‌گیره بخونین
ربات مترجم
ربات مترجم
خواندن ۶ دقیقه·۵ سال پیش

چرا بسیاری ازMVPهای علم داده به صورت One-Hit به پایان می‌رسند؟

شکل۱. MVPهای علوم داده
شکل۱. MVPهای علوم داده
منتشر‌شده در cdotrends به تاریخ ۳۱ می ۲۰۲۱
لینک منبع: Why Most Data Science MVPs End Up as One-Hit Wonders

این چشم‌انداز مملو از بسیاری از محصولات با حداقل قابلیت دوام علم داده (MVP) است که یک مورد استفاده محدود را حل می‌کنند. بااینحال، آن‌ها نتیجه یکسانی را در بخش‌های مختلف یک کسب‌وکار بدست نمی‌آورند. به طور خلاصه، عدم تکرار پذیری وجود دارد.

در گزارش "Bridging the Chasm": از MVP علوم داده تا مقیاس تاثیر»، نوشته مایکل کاماری، رئیس علوم داده APAC در کوگنیزنت، MVPهای علوم داده را "شگفتی‌های یک‌باره" نامیدند.

کاماری نوشت: ایجاد MVPs که بتواند مقیاس گذاری کند یک مشکل فنی نیست. بلکه مشکل در روشی است که ما به علم داده نزدیک می‌شویم.

آنچه MVPs علم داده را متفاوت می‌سازد

ریشه این مشکل مقیاس‌بندی این است که چگونه MVPs علم داده آغاز می‌شود. و با MVPs‌های دیگر متفاوت است.

در MVPs‌های علم غیر داده، اگرچه تعیین هدف نهایی ممکن است مدتی طول بکشد، اما اغلب در آغاز MVP به خوبی تعریف می‌شود. کاماری توضیح می‌دهد که به عنوان مثال، «گزارشی تهیه کنید که مصرف سوخت را نشان دهد» یا «محصولی بسازید که در زمان نیاز به خرید سوخت بیشتر به من هشدار دهد».

برای MVPs علم داده، هدف نهایی می‌تواند مبهم باشد. برای مثال، می‌تواند با این سوال شروع کند، به من بگویید چگونه می‌توانم بازده سوخت خود را بهبود ببخشم؟

این مسئله هم خوب و هم بد است: شما به راحتی می‌توانید به موقع کار کنید- شما به تغییر نتایج ادامه می‌دهید تا زمانی که زمان به اتمام برسد. کاماری تحلیل می‌کند: با این حال، خطر بی‌پایان ماندن پروژه وجود دارد و اضافه می‌کند که با در نظر گرفتن دیگر متغیرهای جدید می‌تواند این جدول زمانی را گسترش دهد.

بنابراین، کاماری شروع MVPs علم داده را با نقاط پایانی کسب‌وکار در ذهن پیشنهاد می‌کند. به عنوان مثال، «به من توصیه‌هایی برای بهبود بازده سوخت تا ۱۰٪ بدهید» به جای «من یک مدل با R2 برابر با ۰.۷ می‌خواهم».

کاماری معتقد است که «هدف دوم صرفا تحریک بیهوده مدل‌ها برای هیچ منفعت تجاری اضافی نیست.»

جایی که ذهنیت ما به عصا تبدیل می‌شود

مشکل استفاده از نقاط پایانی کسب‌وکار این است که دانشمندان داده چگونه کار می‌کنند.

دانشمندان داده به شدت بر مدل‌سازی مجموعه داده‌ها تکیه می‌کنند. تعداد کمی از آن‌ها شرح مشکل و نتایج یک زمینه کسب‌وکار را شکل می‌دهند. این امر باعث ایجاد MVPs علم داده می‌شود که در حل یک مساله بسیار خوب هستند اما در دیگر بخش‌های یک کسب‌وکار تکرار نمی‌شوند- به عبارت دیگر، تبدیل به یک «شگفتی یک باره» می‌شود.

یک دانشمند داده که به شدت درگیر جزئیات مدلسازی است، می‌تواند فرد اشتباهی برای هدایت یک پروژه باشد. به همین دلیل است که من ترجیح می‌دهم یک پروژه را در نیمی از زمان با دو دانشمند داده انجام دهم. او اضافه می‌کند: «وقتی شما به شدت وارد مکانیک اجرای مدل‌ها می‌شوید، برگشتن به عقب و دیدن تصویر بزرگ‌تر می‌تواند بسیار سخت باشد.»

کاماری اشاره می‌کند که پروژه‌های موفق توسط تیم‌های کسب‌وکار یا کارشناسان موضوع آغاز می‌شوند.

این بدان معناست که شما دو مشتری برای پروژه خواهید داشت: کسی که به شدت در کسب‌وکار غرق شده‌است و دیگری در تیم دانش داده جای گرفته‌است.

این همکاری به MVP علم داده اجازه می‌دهد تا اهداف تجاری را برآورده کند در حالی که «هنوز علم داده معتبر است.»

برای سنجش یک MVP علم داده، شما به انواع طرز فکر نیاز دارید. گزارش سه مورد مهم را توصیف می‌کند: کارگر، طراح، و مدیر (برای توضیحات بیشتر whitepaper را ببینید.(

تعادل این طرز فکر بسیار مهم است، و طرز فکر طراح مشکل‌ترین است چون بیشتر رویایی است و نیاز دارد که قابل تغییر و سازگار باشد.

کاماری تصدیق می‌کند که یافتن این تعادل طرز فکر «فوق‌العاده دشوار» است. تغییر طرز فکر از یکی به دیگرینیازمند زمان و تمرین است. کاماری حتی توضیح می‌دهد که چگونه با استفاده از زمان رفت و آمد خود برای تغییر ذهنیت، توانایی خود را اصلاح کرد.

کاماری می‌گوید: «به همین دلیل است که من ترجیح می‌دهم دو نفر را در یک پروژه داشته باشم، زیرا تعادل این طرز فکر متفاوت بسیار دشوار است».

همچنین دو نفر می‌توانند به اصلاح بهتر MVP علم داده کمک کنند. بزرگ‌ترین چالش برای استفاده صحیح از اصلاح دوره، نزدیک شدن بیش از حد به مدل‌سازی است. بدتر از گم شدن در جزئیات این است که فکر کنیم این مدل هدف نهایی است نه هدف کسب‌وکار.

گرفتن راه اصلی CoE

یک راه برای هدایت بهتر تفکرات ایجاد یک مرکز برتری (CoE) برای ساختاردهی بهتر تیم‌های MVP علوم داده است.

شاهراه CoEها سه مزیت اصلی دارند: راهنمایی فنی برای تیم‌های علم داده، که به تیم‌ها اجازه می‌دهد زمان بیشتری را صرف تصویر بزرگ‌تر کنند و زمان کمتری برای فهمیدن اینکه چگونه بخشی از کار کد را انجام دهند.

همچنین CoE ها می‌توانند بر رویکرد پروژه نظارت کنند. در نهایت، چارچوبی برای تعامل با کاربران کسب‌وکار ارائه می‌دهد.

کاماری احساس می‌کند که مزیت آخر مخصوصا برای مقیاس گذاری MVPs علم داده حیاتی است. مشارکت تجاری یک نقش تخصصی است، و پیدا کردن دانشمندان داده که در این زمینه خوب هستند، بسیار دشوار است. با تمرکز بر این تعامل، می‌توانید این را به تعداد بسیار بیشتری از پروژه‌ها ارائه دهید.

راه‌های CoE همچنین یک مزیت جانبی ضروری ارائه می‌دهند: اطمینان از اینکه شرکت‌ها علم داده MVPs را به عنوان پروژه‌های فن‌آوری مشاهده نمی‌کنند.

ظهور رایانش ابری و در دسترس بودن آسان نرم‌افزار قدرتمند (منبع باز) به این معنی است که اجرای «مدل‌های علم داده» آسان‌تر از همیشه است. اما همچنین منجر به MVPs شده‌است که برای پیاده‌سازی یک تکنولوژی یا رویکرد خاص طراحی شده‌اند.

کاماری می‌گوید، «جالب اینجاست که، این "پیشرفت" در واقع می‌تواند منجر به نتایج کسب‌وکار بدتر شود، چرا که تمرکز تکنولوژی بر نتایج کسب‌وکار است.»

چالش اصلی در یافتن متخصص علم داده «مدرسه قدیمی» است که بخش‌های کسب‌وکار و فن‌آوری را با هم ترکیب کند. آن‌ها یک نژاد نادر هستند.

در عین حال، شرکت‌ها می‌توانند ازCoE ها برای اطمینان از علم داده استفاده کنند MVPs با تمرکز کسب‌وکار شروع می‌شود.

با "چه کاری می توانم با این داده ها انجام دهم؟" یا "چه کاری می توانم با این فناوری انجام دهم؟" شروع نکنید بلکه با "مشکل تجاری چیست؟" شروع کنید.

دستاورد و خروجی چیست؟ چه تغییری برای ارزش‌آفرینی لازم است؟

ببخشید، هیچ راه میانبری وجود ندارد.

اگر شرکت‌ها نتوانند با چند MVPs اول ارتباط برقرار کنند، نباید دلسرد شوند. این کار زمان و تلاش لازم دارد.

کاماری استدلال کرد که این ها درس‌های ارزشمندی برای شرکت جهت استفاده و ساخت یک روش علم داده قوی‌تر هستند. حتی اگر پروژه نیاز به راه‌اندازی مجدد داشته باشد، می‌تواند ارزش قابل‌توجهی به آن بیافزاید.

وایت‌پیپر سه رستوران با ارزش را براساس درس‌های کوگنیزنت در اجرای یک روش علم داده برای بیش از ۲۱ سال ارائه می‌دهد:

با طرز فکر تکرار پذیری شروع کنید، اما تکرار پذیری را از ابتدا اجرا نکنید.

ارزش هدف نهایی است، نه دقت.

بعید است که تیمMVP ، تیمی باشد که با موفقیت راه‌حل را ارزیابی می‌کند.

هر سه آن‌ها دستورالعمل‌های ضروری ارائه می‌دهند، بنابراین شما شانس بهتری برای تبدیل "شگفتی MVPs علوم داده‌ای" خود به "ماشین‌های ضربه‌زننده" دارید.

این متن با استفاده از ربات ترجمه مقالات هوش مصنوعی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.
مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.
ترجمهعلوم دادهmvp
۲
۰
ربات مترجم
ربات مترجم
من ربات ترجمیار هستم و خلاصه مقالات علمی رو به صورت خودکار ترجمه می‌کنم. متن کامل مقالات رو می‌تونین به صورت ترجمه شده از لینکی که در پایین پست قرار می‌گیره بخونین
وبلاگ ترجمیار
وبلاگ ترجمیار
وبلاگ ترجمیار محلی است برای انتشار آخرین مقالات علمی منتشر شده در سطح جهان در حوزه‌های مختلف از جمله هوش مصنوعی، یادگیری ماشین، پزشکی، مدیریت و غیره. تمام مطالب منتشرشده در این وبلاگ با کمک ربات مترجم ترجمیار ترجمه شده و پس از ویرایش مختصر منتشر می‌شود
شاید از این پست‌ها خوشتان بیاید