الصورة بواسطة المحرر
هل أنت عالم بيانات طموح؟ إذا كان الأمر كذلك، فمن المحتمل أنك رأيت أو سمعت عن العديد ممن نجحوا في التحول إلى مهنة علوم البيانات. وتأمل أن تقوم بالتبديل يومًا ما أيضًا.
هناك العديد من الأشياء المثيرة حول العمل كعالم بيانات. أنت تستطيع:
- بناء المهارات الصلبة والناعمة القابلة للتحويل عبر المجالات
- سرد القصص باستخدام البيانات
- أجب عن أسئلة العمل بالبيانات
- بناء حلول مؤثرة لمشاكل العمل
وأكثر بكثير. على الرغم من أن كل هذا يبدو مثيرًا، إلا أن كونك عالم بيانات يمثل تحديًا متساويًا إن لم يكن أكثر. ولكن ما هي بعض تلك التحديات؟
دعونا الغوص في.
عندما تعمل على تطوير مهاراتك البرمجية والتقنية، فمن المحتمل أن تشعر بالراحة في العمل بمفردك. ولكن كعالم بيانات، يجب عليك إعطاء الأولوية للتعاون والتواصل. لأن علم البيانات لا يتعلق بمناقشة البيانات ومعالجة الأرقام بشكل منفصل.
أنت بحاجة إلى التعاون مع محترفين آخرين، ليس فقط في نفس الفريق ولكن في كثير من الأحيان عبر فرق متعددة. لذا فإن قدرتك على التعاون مع الفرق وأصحاب المصلحة المتنوعين لا تقل أهمية عن مهاراتك التقنية.
علاوة على ذلك، يجب أن تكون أيضًا قادرًا على إيصال نتائجك وأفكارك إلى أصحاب المصلحة غير التقنيين، بما في ذلك قادة الأعمال.
نيشا اريا احمد، عالم بيانات وكاتب تقني، يشارك:
"في فريق علم البيانات، ستتعاون مع متخصصين آخرين في علم البيانات في كل مهمة ومسؤوليتهم وكيفية عمل كل ذلك جنبًا إلى جنب. يعد هذا أمرًا مهمًا لأنك لا ترغب في تكرار العمل الذي تم إنجازه بالفعل واستهلاك المزيد من الوقت والموارد. كما أن محترفي البيانات ليسوا الأشخاص الوحيدين الذين سيتعين عليك التعاون معهم، بل ستكون جزءًا من فريق متعدد الوظائف بما في ذلك المنتج والتسويق وأصحاب المصلحة الآخرين أيضًا.
– نيشا آريا أحمد، عالمة بيانات وكاتبة تقنية
إذا كنت شخصًا يستمتع بالعمل على المشاريع، وإكمالها، وشحنها إلى الإنتاج، فقد لا تجد علم البيانات مهنة مجزية.
على الرغم من أنك تبدأ مشروعًا بمجموعة من الأهداف - التي يتم تنقيحها وتحسينها بشكل متكرر - إلا أنه سيتعين عليك غالبًا تغيير نطاق المشاريع مع تغير أهداف أعمال المؤسسة. وربما يرى أصحاب المصلحة اتجاهاً واعداً جديداً.
لذلك سيتعين عليك إعادة ترتيب أولويات وتعديل نطاق المشاريع بشكل فعال. وفي أسوأ الأحوال، قم بالتخلي عن مشروعك إذا لزم الأمر.
أيضًا، في مرحلة مبكرة من بدء التشغيل، سيتعين عليك غالبًا ارتداء قبعات متعددة. لذا فإن عملك لا ينتهي ببناء النموذج. حتى إذا تمكنت من نشر نموذج التعلم الآلي في الإنتاج، فيجب عليك مراقبة أداء النموذج الخاص بك، والبحث عن الانحرافات، والتراجع، وإعادة تدريب النموذج حسب الحاجة.
عابد علي عوان، كاتب ومحرر وعالم بيانات في KDnuggets، يشارك:
"إذا كنت تعمل في شركة، فقد تضطر في كثير من الأحيان إلى التبديل بين فرق متعددة والعمل على مشاريع مختلفة في وقت واحد. ومع ذلك، فإن معظم المشاريع التي تعمل عليها قد لا تصل إلى مرحلة الإنتاج.
لأن أولويات الشركة قد تتغير أو أن تأثير المشاريع قد لا يكون كبيرا بما فيه الكفاية. قد يكون التبديل المستمر بين الفرق والمشاريع أمرًا مرهقًا، وقد تشعر أنك لا تعرف ما الذي تساهم فيه.
– عابد علي أوان، كاتب ومحرر وعالم بيانات في KDnuggets
لذا فإن العمل في مشاريع علوم البيانات ليس عملية خطية من البداية إلى النهاية حيث تنتهي من المشروع وتنتقل إلى المشروع التالي.
قد يكون يوم في حياة عالم البيانات في منظمتين مختلفتين مختلفًا تمامًا. غالبًا ما يكون لأدوار عالم البيانات ومهندس التعلم الآلي ومهندس MLOps الكثير من الوظائف المتداخلة.
لنفترض أنك عالم بيانات ومهتم جدًا ببناء نماذج تنبؤية. وقد حصلت على دور عالم البيانات في مؤسسة تهمك.
ومع ذلك، لا تتفاجأ إذا قضيت يومك بأكمله في تحليل الأرقام في جداول البيانات وإعداد التقارير. أو سحب البيانات من قواعد البيانات باستخدام SQL. قد تعتقد أن معالجة البيانات باستخدام SQL والعثور على إجابات لأسئلة العمل سوف تناسب بشكل أفضل دور محلل البيانات.
بينما في بعض الحالات الأخرى، قد تكون مسؤولاً عن بناء النماذج ونشرها في الإنتاج ومراقبة الانجرافات وإعادة تدريب النموذج حسب الحاجة. في هذه الحالة، أنت عالم بيانات وترتدي أيضًا قبعة مهندس MLOps.
دعونا نستمع إلى ما يقوله عابد عن سيولة الدور في مهنة البيانات:
"أنا دائمًا في حيرة من أمري عندما أُطلق علي لقب "عالم البيانات". ما الذي يعني حتى؟ هل أنا محلل بيانات، أو مهندس ذكاء أعمال، أو مهندس تعلم الآلة، أو مهندس MLOps، أو كل ما سبق؟ يكون دورك داخل الشركة سلسًا إذا كنت تعمل في شركة أصغر أو شركة ناشئة. ومع ذلك، قد يكون لدى المنظمات الأكبر حجمًا تمييزًا أوضح بين الأدوار. لكن هذا لا يضمن أن الدور محدد بالكامل. قد تكون عالم بيانات؛ ولكن ربما يكون الكثير من العمل الذي تقوم به هو إنشاء تقارير تحليلية تتوافق مع أهداف العمل.
– عابد علي أوان، كاتب ومحرر وعالم بيانات في KDnuggets
باعتبارك عالم بيانات، يجب عليك توجيه الجهود نحو المشاريع التي لها التأثير الأكبر على الأعمال بدلاً من متابعة المشاريع المثيرة للاهتمام من الناحية الفنية ولكنها أقل أهمية. ولتحقيق هذه الغاية، يعد فهم أهداف العمل أمرًا أساسيًا للأسباب التالية:
- يتيح لك فهم أهداف العمل التكيف مع مشاريعك وإعادة ترتيب أولوياتها بناءً على الاحتياجات المتغيرة للمؤسسة.
- غالبًا ما يتم قياس نجاح مشروع علم البيانات من خلال تأثيره على الأعمال. لذا فإن الفهم الجيد لأهداف العمل يوفر إطارًا واضحًا لتقييم نجاح المشروع، وربط الجوانب الفنية بنتائج الأعمال الملموسة.
ماثيو مايو، رئيس التحرير وعالم البيانات في KDnuggets، يشارك في تكلفة اللامبالاة بنتائج الأعمال:
"باعتبارك عالم بيانات، إذا كنت غير مبال بأهداف العمل، فقد تكون مثل قطة تطارد مؤشر ليزر - فستجد نفسك مفرط النشاط وبلا هدف، ومن المحتمل ألا تنجز شيئًا ذا قيمة كبيرة. إن فهم أهداف العمل والقدرة على ترجمتها من الأعمال إلى البيانات هي مهارات بالغة الأهمية، والتي بدونها يمكن أن تجد نفسك تستثمر الوقت في بناء النماذج الأكثر تطورًا وغير ذات صلة. إن شجرة القرار الناجحة تتغلب على الفشل الحديث كل يوم!
– ماثيو مايو، رئيس التحرير وعالم البيانات، KDnuggets
وهذا ما قالته نيشا في هذا الصدد:
"في أي شيء تفعله، تحتاج إلى سبب وراء ذلك. هذه هي نيتك، التي تأتي قبل عملك. عندما يتعلق الأمر بعالم البيانات، فإن فهم الأعمال والتحديات أمر ضروري. بدون هذا، سوف تكون في حيرة من أمرك خلال هذه العملية. في كل خطوة تتخذها في مشروع علم البيانات، ستحتاج إلى الإشارة إلى الأهداف التي تحفز المشروع.
– نيشا آريا أحمد، عالمة بيانات وكاتبة تقنية
وبالتالي فإن علم البيانات لا يقتصر فقط على تحليل الأرقام وبناء نماذج معقدة. يتعلق الأمر أكثر بالاستفادة من البيانات لتحقيق نجاح الأعمال.
بدون فهم قوي لأهداف العمل، قد تنحرف مشاريعك عن مشاكل العمل التي من المفترض أن تحلها، مما يقلل من قيمتها وتأثيرها.
بناء النماذج أمر مثير. ومع ذلك، فإن الطريق المؤدي إلى ذلك قد لا يكون مثيرا للاهتمام.
يمكنك أن تتوقع قضاء أجزاء كبيرة من وقتك:
- جمع البيانات
- تحديد المجموعة الفرعية الأكثر صلة من البيانات للاستخدام
- تنظيف البيانات لجعلها مناسبة للتحليل
الآن هذا العمل ليس مثيرًا للغاية. في كثير من الأحيان، لا تحتاج حتى إلى إنشاء نماذج التعلم الآلي. بمجرد حصولك على البيانات في قاعدة البيانات، يمكنك استخدام SQL للإجابة على الأسئلة. وفي هذه الحالة، لن تحتاج حتى إلى إنشاء نموذج للتعلم الآلي.
إليكم عابد وهو يشارك وجهات نظره حول مدى أهمية العمل الذي لا يكون مثيرًا للاهتمام في كثير من الأحيان:
"قد يكون من الممل القيام بنفس الشيء بشكل متكرر. في كثير من الأحيان، قد يتم تكليفك بمهمة تنظيف البيانات، الأمر الذي قد يكون صعبًا للغاية، خاصة عند العمل مع مجموعات بيانات متنوعة. بالإضافة إلى ذلك، فإن مهام مثل التحقق من صحة البيانات واختبارات وحدة الكتابة قد لا تكون مثيرة ولكنها ضرورية.
– عابد علي أوان، كاتب ومحرر وعالم بيانات في KDnuggets
لذا، عليك أن تستمتع بعملية التعامل مع البيانات - بما في ذلك البيانات الجيدة والسيئة والقبيح - حتى تتمكن من الحصول على مهنة ناجحة في علم البيانات. لأن علم البيانات يدور حول استخلاص القيمة من البيانات. والتي في كثير من الأحيان لا تتعلق ببناء النماذج الفاخرة.
باعتبارك عالم بيانات، (على الأرجح) لن تتمكن أبدًا من الوصول إلى نقطة يمكنك القول فيها أنك تعلمت كل شيء. ما تحتاج إلى تعلمه ومقداره يعتمد على ما تعمل عليه.
يمكن أن تكون مهمة بسيطة إلى حد ما مثل التعلم واستخدام إطار عمل جديد للمضي قدمًا. أو شيء أكثر مملة مثل ترحيل قاعدة التعليمات البرمجية الموجودة إلى لغة مثل Rust لتعزيز الأمان والأداء. إلى جانب كونك قويًا من الناحية الفنية، يجب أن تكون قادرًا على التعلم والتكثيف بسرعة في أطر العمل والأدوات ولغات البرمجة حسب الحاجة.
بالإضافة إلى ذلك، يجب أن تكون على استعداد لمعرفة المزيد عن المجال والأعمال إذا لزم الأمر. ليس من المحتمل جدًا أن تعمل في مجال واحد طوال حياتك المهنية في علم البيانات. على سبيل المثال، يمكنك البدء كعالم بيانات في مجال الرعاية الصحية، ثم الانتقال إلى التكنولوجيا المالية والخدمات اللوجستية والمزيد.
أثناء دراستي العليا، أتيحت لي الفرصة للعمل على التعلم الآلي في مجال الرعاية الصحية، في مشروع تشخيص المرض. لم يسبق لي أن قرأت علم الأحياء بعد المدرسة الثانوية. لذلك كانت الأسابيع القليلة الأولى تدور حول استكشاف الجوانب الفنية لإشارات طبية حيوية محددة، مثل خصائصها وميزاتها وغير ذلك الكثير. لقد كانت هذه الأمور في غاية الأهمية قبل أن أتمكن حتى من المتابعة إلى المعالجة المسبقة للسجلات.
كانوال محرين، كاتبة تقنية تشاركنا تجربتها:
"هل تعرف هذا الشعور عندما تتعلم أخيرًا مهارة جديدة وتفكر، "آه، هذا كل شيء، أنا جيد"؟ حسنًا، في علم البيانات، تلك اللحظة لا تأتي أبدًا. يتطور هذا المجال باستمرار مع ظهور التقنيات والأدوات والمنهجيات الجديدة بشكل متكرر. لذلك، إذا كنت شخصًا يفضل الوصول إلى نقطة معينة حيث يتراجع التعلم، فقد لا تكون مهنة علم البيانات هي الأفضل.
علاوة على ذلك، يعد علم البيانات مزيجًا رائعًا من الإحصاء والبرمجة والتعلم الآلي ومعرفة المجال. إذا كانت فكرة استكشاف مجالات مختلفة، من الرعاية الصحية إلى التمويل إلى التسويق، لا تثير اهتمامك، فقد تشعر بالضياع في حياتك المهنية.
– كانوال مهرين، كاتب تقني
لذا، باعتبارك عالم بيانات، لا ينبغي عليك أبدًا أن تخجل من التعلم المستمر وتحسين المهارات.
لقد حددنا بالفعل العديد من التحديات التي تواجه كونك عالم بيانات بما في ذلك:
- تجاوز المهارات التقنية للبرمجة وبناء النماذج
- فهم المجال وأهداف العمل
- التعلم المستمر وتحسين المهارات للبقاء على صلة بالموضوع
- أن تكون استباقيًا دون القلق بشأن إنهاء المشاريع بالمعنى الحرفي
- الاستعداد لإعادة ترتيب الأولويات والتراجع وإجراء التغييرات
- القيام بالأعمال المملة ولكنها ضرورية
مثل أي دور تقني آخر، فإن الجزء الصعب هو ليس الحصول على وظيفة كعالم بيانات. إنها بناء مهنة ناجحة في علوم البيانات.
يلخص ماثيو مايو بشكل مناسب كيف يجب عليك مواجهة هذه التحديات كعالم بيانات:
"هل تبحث عن مهنة مريحة، حيث يمكنك التوقف عن التعلم في اللحظة التي تبدأ فيها عملك ولا تقلق أبدًا بشأن أحدث الأدوات والحيل والتقنيات؟ حسنًا، انسَ أمر علم البيانات! إن توقع مهنة هادئة كمحترف بيانات يشبه توقع نزهة جافة خلال الرياح الموسمية، مسلحًا فقط بمظلة كوكتيل وموقف متفائل.
هذا المجال عبارة عن أفعوانية متواصلة من الألغاز التقنية والألغاز غير التقنية: في أحد الأيام، تتعمق في الخوارزميات، وفي اليوم التالي تحاول شرح النتائج التي توصلت إليها لشخص يعتقد أن الانحدار هو تراجع إلى حالة من الفوضى. حالة سلوكية شبيهة بالأطفال. لكن التشويق يكمن في هذه التحديات، وهو ما يبقي أدمغتنا المدمنة على الكافيين مستمتعة.
إذا كان لديك حساسية من التحديات، فقد تجد المزيد من العزاء في الحياكة. ولكن إذا لم تتراجع بعد عن مواجهة طوفان البيانات، فقد يكون علم البيانات هو مجرد فنجان من القهوة.
– ماثيو مايو، رئيس التحرير وعالم البيانات، KDnuggets
دعونا نستمع إلى أفكار كانوال حول هذا:
"دعونا نواجه هذه الحقيقة: علم البيانات ليس دائمًا شراعًا سلسًا. لا تأتي البيانات دائمًا في حزم منظمة ومنظمة. قد تبدو بياناتك وكأنها مرت بعاصفة، وقد تكون غير كاملة أو غير متسقة أو حتى غير دقيقة. قد يكون تنظيف هذه البيانات ومعالجتها مسبقًا للتأكد من أهميتها للتحليل أمرًا صعبًا.
أثناء العمل في مجال متعدد التخصصات، قد تضطر إلى التفاعل مع أصحاب المصلحة غير التقنيين. قد يكون شرح المفاهيم التقنية لهم وكيفية توافقها مع أهدافهم أمرًا صعبًا حقًا.
لذلك، إذا كنت شخصًا يفضل مسارًا وظيفيًا واضحًا ومباشرًا، فقد تكون مهنة علم البيانات مليئة بالعوائق أمامك.
– كانوال مهرين، كاتب تقني
لذا فإن علم البيانات لا يقتصر فقط على الرياضيات والنماذج؛ يتعلق الأمر بالانتقال من البيانات إلى القرارات. وفي هذه العملية، يجب أن تكون دائمًا على استعداد للتعلم وتحسين المهارات وفهم أهداف العمل وديناميكيات السوق وغير ذلك الكثير.
إذا كنت تبحث عن مهنة مليئة بالتحديات وترغب في التعامل معها بمرونة، فإن علم البيانات يعد بالفعل خيارًا وظيفيًا جيدًا بالنسبة لك. استكشاف سعيد!
أشكر ماثيو وعابد ونيشا وكانوال لمشاركتهم رؤاهم حول العديد من جوانب مهنة علم البيانات. ولجعل هذه المقالة قراءة أكثر إثارة للاهتمام وممتعة!
بالا بريا سي مطور وكاتب تقني من الهند. تحب العمل في تقاطع الرياضيات والبرمجة وعلوم البيانات وإنشاء المحتوى. تشمل مجالات اهتمامها وخبرتها DevOps وعلوم البيانات ومعالجة اللغة الطبيعية. تستمتع بالقراءة والكتابة والترميز والقهوة! تعمل حاليًا على التعلم ومشاركة معرفتها مع مجتمع المطورين من خلال تأليف برامج تعليمية وأدلة إرشادية ومقالات رأي والمزيد.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://www.kdnuggets.com/7-reasons-why-you-shouldnt-become-a-data-scientist?utm_source=rss&utm_medium=rss&utm_campaign=7-reasons-why-you-shouldnt-become-a-data-scientist
