Bilde av redaktør
 

Er du en aspirerende dataforsker? I så fall er sjansen stor for at du har sett eller hørt om mange som har lykkes med å ta en karriere innen datavitenskap. Og du håper å gjøre byttet en dag også.

Det er flere ting som er spennende med å jobbe som dataforsker. Du kan:

• Bygg harde og myke ferdigheter som kan overføres på tvers av domener 
• Fortell historier med data 
• Svar på forretningsspørsmål med data
• Bygg slagkraftige løsninger på forretningsproblemer 

Og mye mer. Så spennende som alt dette høres ut, er det å være dataforsker like utfordrende om ikke mer. Men hva er noen av disse utfordringene? 

La oss dykke inn.

Når du jobber med koding og tekniske ferdigheter, vil du sannsynligvis bli komfortabel med å jobbe helt alene. Men som dataforsker bør du prioritere samarbeid og kommunikasjon. Fordi datavitenskap handler ikke om å krangle data og knuse tall isolert. 

Du må samarbeide med andre fagfolk – ikke bare på samme team, men ofte på tvers av flere team. Så din evne til å samarbeide med ulike team og interessenter er like viktig som dine tekniske ferdigheter. 

Videre bør du også være i stand til å kommunisere dine funn og innsikt til ikke-tekniske interessenter, inkludert bedriftsledere.

Nisha Arya Ahmed, en dataviter og teknisk skribent, deler:

"I et datavitenskapsteam vil du samarbeide med andre datavitenskapsfolk om hver oppgave, deres ansvar og hvordan det hele fungerer hånd i hånd. Dette er viktig siden du ikke ønsker å gjenta arbeid som allerede er utført og bruke mer tid og ressurser. Dataeksperter er heller ikke de eneste du må samarbeide med, du vil være en del av et tverrfunksjonelt team inkludert produkt, markedsføring og andre interessenter.»

– Nisha Arya Ahmed, dataforsker og teknisk skribent

Hvis du er en som liker å jobbe med prosjekter, fullføre dem og sende dem til produksjon, vil du kanskje ikke finne datavitenskap som en givende karriere.

Selv om du starter et prosjekt med et sett med mål – raffinert og forbedret iterativt – vil du ofte måtte endre omfanget av prosjektene etter hvert som organisasjonens forretningsmål endres. Kanskje ser interessenter en ny lovende retning.

Så du må effektivt omprioritere og endre omfanget av prosjekter. Og i verste fall forlate prosjektet om nødvendig. 

I en tidlig oppstartsfase må du også ofte bruke flere hatter. Så jobben din slutter ikke med modellbygging. Selv om du klarer å distribuere en maskinlæringsmodell til produksjon, må du overvåke modellens ytelse, se etter drifter, regressere og omskolere modellen etter behov.

Abid Ali Awan, skribent, redaktør og dataforsker ved KDnuggets, deler:

«Hvis du jobber i en bedrift, kan det hende du ofte må bytte mellom flere team og jobbe med ulike prosjekter samtidig. Men de fleste av prosjektene du jobber med kommer kanskje ikke engang i produksjon. 

Fordi selskapets prioriteringer kan endre seg eller at effekten av prosjektene ikke har vært betydelig nok. Kontinuerlig veksling mellom team og prosjekter kan være utmattende, og du kan føle deg uvitende om hva du bidrar til.»

– Abid Ali Awan, skribent, redaktør og dataforsker ved KDnuggets

Så å jobbe med datavitenskapsprosjekter er ikke en lineær start-til-slutt-prosess der du fullfører et prosjekt og går videre til neste. 

En dag i livet til en dataforsker ved to forskjellige organisasjoner kan være helt annerledes. Rollene til en dataforsker, maskinlæringsingeniør og MLOps-ingeniør har ofte mye overlappende funksjonalitet.

Si at du er en dataforsker som er veldig interessert i å bygge prediktive modeller. Og du har fått rollen som dataforsker i en organisasjon du er interessert i. 

Men bli ikke overrasket hvis du bruker hele dagen på å knuse tall i regneark og lage rapporter. Eller hente data fra databaser ved hjelp av SQL. Du tror kanskje å krangle data med SQL og finne svar på forretningsspørsmål vil passe bedre til rollen som dataanalytiker.

Mens i noen andre tilfeller kan du være ansvarlig for å bygge og distribuere modeller til produksjon, overvåke drifter og omskolere modellen etter behov. I dette tilfellet er du en dataforsker som også bærer hatten til en MLOps ingeniør. 

La oss høre hva Abid har å si om rolleflytende i en datakarriere:

"Jeg er alltid forvirret over å bli kalt en "dataforsker". Hva betyr det egentlig? Er jeg en dataanalytiker, Business Intelligence-ingeniør, maskinlæringsingeniør, MLOps-ingeniør eller alle de ovennevnte? Din rolle i et selskap er flytende hvis du jobber i et mindre selskap eller oppstart. Imidlertid kan større organisasjoner ha et klarere skille mellom roller. Men det garanterer ikke at rollen er fullstendig definert. Du er kanskje en dataforsker; men mye av arbeidet du gjør vil kanskje være å lage analyserapporter som stemmer overens med forretningsmålene.»

– Abid Ali Awan, skribent, redaktør og dataforsker ved KDnuggets

Som dataforsker bør du rette innsatsen mot prosjekter som har størst innvirkning på virksomheten i stedet for å forfølge teknisk interessante, men mindre relevante prosjekter. For dette formål er det viktig å forstå forretningsmål av følgende grunner:

• Å forstå forretningsmålene lar deg tilpasse og omprioritere prosjektene dine basert på endrede behov i organisasjonen.
• Suksessen til et datavitenskapelig prosjekt måles ofte ut fra dets innvirkning på virksomheten. Så en god forståelse av forretningsmål gir et klart rammeverk for å evaluere suksessen til et prosjekt, og knytter tekniske aspekter til håndgripelige forretningsresultater.

Matthew Mayo, sjefredaktør og dataforsker ved KDnuggets, deler kostnadene ved likegyldighet til forretningsresultater:

"Som dataforsker, hvis du er likegyldig til forretningsmål, kan du like gjerne være en katt som jager etter en laserpeker - du vil finne deg selv overaktiv og målløs, og sannsynligvis ikke oppnå noe av stor verdi. Å forstå forretningsmål og være i stand til å oversette dem fra virksomhet til datatale er avgjørende ferdigheter, uten hvilke du kan finne deg selv å investere tid i å bygge de mest sofistikerte, irrelevante modellene. Et beslutningstre som fungerer slår en state-of-the-art fiasko hver dag!»

– Matthew Mayo, sjefredaktør og dataforsker, KDnuggets

Her er hva Nisha har å si i denne forbindelse:

"Med alt du gjør, trenger du en grunn bak det. Dette er intensjonen din, som kommer før handlingen din. Når det kommer til dataverdenen, er det avgjørende å forstå virksomheten og utfordringene. Uten dette vil du bare bli forvirret gjennom prosessen. Med hvert steg du tar i et datavitenskapelig prosjekt, vil du ønske å referere til målene som motiverer prosjektet." 

– Nisha Arya Ahmed, dataforsker og teknisk skribent

Datavitenskap handler derfor ikke bare om å knuse tall og bygge komplekse modeller. Det handler mer om å utnytte data for å drive forretningssuksess. 

Uten en solid forståelse av forretningsmålene, kan prosjektene dine avvike fra forretningsproblemene de er ment å løse – noe som reduserer både verdien og effekten.

Å bygge modeller er spennende. Men veien frem til det er kanskje ikke like interessant. 

Du kan forvente å bruke store deler av tiden din:

• Samle data 
• Identifisere det mest relevante undersettet av data som skal brukes
• Rensing av data for å gjøre det egnet for analysen 

Nå er dette et arbeid som ikke er superspennende. Ofte trenger du ikke engang bygge maskinlæringsmodellene. Når du har dataene i en database, kan du bruke SQL til å svare på spørsmål. I så fall trenger du ikke engang å bygge en maskinlæringsmodell.

Her er Abid som deler sine syn på hvor viktig arbeid ofte ikke er interessant:

«Det kan være kjedelig å gjøre det samme gjentatte ganger. Ofte kan du bli tildelt oppgaven med å rense data, noe som kan være ganske vanskelig, spesielt når du arbeider med forskjellige datasett. I tillegg kan det hende at oppgaver som datavalidering og skriving av enhetstester ikke er like spennende, men er nødvendige."

– Abid Ali Awan, skribent, redaktør og dataforsker ved KDnuggets

Så du må nyte prosessen med å jobbe med data – inkludert de gode, de dårlige og de stygge – for å ha en vellykket datavitenskapskarriere. Fordi datavitenskap handler om å utlede verdi fra data. Som ofte ikke handler om å bygge de mest fancy modellene.

Som dataforsker vil du (sannsynligvis) aldri kunne nå et punkt hvor du kan si at du har lært alt. Hva du trenger å lære og hvor mye avhenger av hva du jobber med.

Det kan være en ganske enkel oppgave som å lære og bruke et nytt rammeverk fremover. Eller noe mer kjedelig som å migrere den eksisterende kodebasen til et språk som Rust for forbedret sikkerhet og ytelse. I tillegg til å være teknisk sterk, bør du være i stand til å lære og øke raskt på rammer, verktøy og programmeringsspråk etter behov. 

I tillegg bør du være villig til å lære mer om domenet og virksomheten om nødvendig. Det er lite sannsynlig at du vil jobbe i ett enkelt domene gjennom din datavitenskapskarriere. Du kan for eksempel starte som dataforsker innen helsevesenet, og deretter gå over til fintech, logistikk og mer.

På grunnskolen fikk jeg muligheten til å jobbe med maskinlæring i helsevesenet – på et sykdomsprognoseprosjekt. Jeg hadde aldri lest biologi utover videregående. Så de første ukene handlet om å utforske det tekniske ved spesifikke biomedisinske signaler - deres egenskaper, funksjoner og mye mer. Disse var superviktige før jeg i det hele tatt kunne gå videre til å forhåndsbehandle postene.

Kanwal Mehreen, deler en teknisk skribent sin erfaring med oss:

"Du kjenner den følelsen når du endelig lærer en ny ferdighet og tenker: "Åh, dette er det, jeg er god"? Vel, i datavitenskap kommer det øyeblikket aldri. Dette feltet er i stadig utvikling med nye teknologier, verktøy og metoder som dukker opp ofte. Så hvis du er noen som foretrekker å nå et visst punkt der læring tar en baksete, kan det hende at en datavitenskapskarriere ikke passer best. 

Dessuten er datavitenskap en vakker blanding av statistikk, programmering, maskinlæring og domenekunnskap. Hvis ideen om å utforske forskjellige domener, fra helsevesen til finans til markedsføring, ikke begeistrer deg, kan du føle deg fortapt i karrieren din.»

– Kanwal Mehreen, teknisk skribent

Så som dataforsker bør du aldri vike unna konstant læring og oppgradering.

Vi har allerede skissert flere utfordringer ved å være dataforsker, inkludert:

• Går utover de tekniske ferdighetene til koding og modellbygging
• Forstå domenet og forretningsmålene 
• Kontinuerlig læring og oppgradering for å holde seg relevant 
• Å være proaktiv uten å bekymre deg for å fullføre prosjekter i bokstavelig forstand 
• Å være klar til å omprioritere, regressere og gjøre endringer
• Å gjøre jobben som er kjedelig, men nødvendig 

Som enhver annen teknisk rolle er den vanskelige delen ikke får jobb som dataforsker. Det bygger en vellykket datavitenskapskarriere.

Mathew Mayo oppsummerer treffende hvordan du bør omfavne disse utfordringene som dataforsker:

"Ser du etter en avslappet karriere, hvor du kan slutte å lære i det øyeblikket du starter jobben din og aldri bekymre deg for de nyeste verktøyene, triksene og teknikkene? Vel, glem datavitenskap! Å forvente en rolig karriere som dataprofesjonell er som å forvente en tørr spasertur gjennom en monsun, kun bevæpnet med en cocktailparaply og en optimistisk holdning. 

Dette feltet er en ustanselig berg-og-dal-bane av tekniske gåter og ikke-tekniske gåter: Den ene dagen dykker du dypt ned i algoritmer, og den neste prøver du å forklare funnene dine til noen som tror at regresjon er en retrett til en barnlignende atferdstilstand. Men spenningen ligger i disse utfordringene, og det er det som holder våre koffeintilsatte hjerner underholdt. 

Hvis du er allergisk mot utfordringer, kan du finne mer trøst i strikking. Men hvis du ennå ikke har trukket deg tilbake fra en konfrontasjon med en dataflod, kan datavitenskap bare være din kopp... kaffe.»

– Matthew Mayo, sjefredaktør og dataforsker, KDnuggets

La oss høre Kanwals tanker om dette:

"La oss innse dette faktum: datavitenskap er ikke alltid en jevn seil. Data kommer ikke alltid i ryddige og organiserte pakker. Dataene dine kan se ut som de har vært gjennom en storm, som kan være ufullstendige, inkonsekvente eller til og med unøyaktige. Det kan være utfordrende å rense og forbehandle disse dataene for å sikre at de er relevante for analyse.

Mens du jobber i et tverrfaglig felt, må du kanskje samhandle med ikke-tekniske interessenter. Det kan være veldig utfordrende å forklare tekniske konsepter for dem og hvordan de stemmer overens med målene deres.

Derfor, hvis du er noen som foretrekker en klar, grei karrierevei, kan en datavitenskapelig karriere være full av veisperringer for deg.»

– Kanwal Mehreen, teknisk skribent

Så datavitenskap handler ikke bare om matematikk og modeller; det handler om å gå fra data til beslutninger. Og i prosessen bør du alltid være villig til å lære og oppgradere, forstå forretningsmål og markedsdynamikk og mye mer.

Hvis du leter etter en utfordrende karriere som du ønsker å navigere med spenst, er datavitenskap virkelig et godt karrierealternativ for deg. Lykke til med å utforske!

Jeg takker Matthew, Abid, Nisha og Kanwal for å dele deres innsikt om flere aspekter av en datavitenskapskarriere. Og for å gjøre denne artikkelen til en mye mer interessant og morsom lesning!
 
 

Bala Priya C er en utvikler og teknisk skribent fra India. Hun liker å jobbe i skjæringspunktet mellom matematikk, programmering, datavitenskap og innholdsskaping. Hennes interesseområder og ekspertise inkluderer DevOps, datavitenskap og naturlig språkbehandling. Hun liker å lese, skrive, kode og kaffe! For øyeblikket jobber hun med å lære og dele kunnskapen sin med utviklerfellesskapet ved å skrive veiledninger, veiledninger, meningsartikler og mer.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
• kilde: 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