Sẽ rất tốt nếu bạn có cái nhìn sâu sắc hơn về những gì người khác trông như thế nào hàng ngày. Nhiều sinh viên tập trung hơn vào các kỹ năng, khóa học và trình độ kiến thức mà họ cần để đảm bảo rằng họ giỏi nhất có thể.
Nhưng đôi khi, tất cả những gì bạn cần là nghe nó từ miệng con ngựa. Đối với những người bạn chưa bao giờ nghe về thành ngữ đó, nó có nghĩa là Nếu bạn nghe điều gì đó trực tiếp từ miệng ngựa, bạn nghe thấy nó từ người có kiến thức cá nhân trực tiếp về nó.
Hãy học hỏi từ Ibrahim Mukherjee
Ibrahim Mukherjee là một LSE Tốt nghiệp ngành Quản lý BSc (Hons) và là một nhà khoa học dữ liệu. Sau khi tốt nghiệp LSE năm 2008, Ibrahim gia nhập ngành dầu khí với tư cách là nhà phân tích tài chính làm việc tại Trinidad, Singapore, Vương quốc Anh (Aberdeen, Reading, London), Na Uy, Malaysia, Tunisia và Romania.
Ibrahim Mukherjee
Tất cả những điều này trong khi mối quan tâm tiềm ẩn về kinh tế học hành vi và khoa học thần kinh đọc các tác phẩm của Daniel Kahneman (Suy nghĩ nhanh và chậm) và Dan Ariely (Có thể dự đoán phi lý trí) đã dẫn đến sự nghiệp thứ hai trong Học máy và Trí tuệ nhân tạo.
Ibrahim quan tâm đến cách bộ não tóm tắt ý nghĩa từ các sự kiện và nhận thức của con người phân biệt như thế nào với học máy nói chung và nhận dạng khuôn mẫu. Ngoài công việc, Ibrahim thích đọc về triết học khoa học, tâm lý học tôn giáo, khoa học thần kinh nhận thức, phản ứng của con người với căng thẳng, phương pháp Bayes và viết phần mềm.
Một Ngày Trong Đời Với Tư Cách Kỹ Sư ML trông Như Thế Nào?
Là một kỹ sư ML, tôi dành nhiều thời gian làm việc cho 3 nhiệm vụ chính:
- Hiểu nhu cầu kinh doanh
- Thu thập dữ liệu
- Cung cấp giải pháp khả thi cho một vấn đề kinh doanh dựa trên 1 & 2
Mặc dù những điều này nghe có vẻ tương đối dễ dàng, vì tổ chức bạn làm việc ngày càng lớn, nên độ phức tạp của dữ liệu được thu thập và kết quả được tạo ra cũng vậy.
Chúng ta hãy lần lượt xem xét từng điều này:
Hiểu nhu cầu kinh doanh
Cesar Hidalgo trong cuốn sách Tại sao thông tin lại tăng trưởng của mình, đưa ra một quan sát rất thú vị - nếu bạn nhìn một thành phố từ trên cao khi một hãng hàng không chuẩn bị hạ cánh, nó trông rất giống với một bảng mạch bên trong một máy tính (CPU) được phóng to. Thành phố là một đơn vị tính toán, và bất kỳ doanh nghiệp nào cũng vậy. Nó có thể được trừu tượng hóa như một thuật toán - có một đầu vào, một số tính toán nơi chúng ta xử lý đầu vào đó và có một đầu ra.
Khi nói đến một doanh nghiệp, tính toán là sản phẩm hoặc dịch vụ mà doanh nghiệp sản xuất. Đối với thợ cắt tóc, nguyên liệu thô hoặc đầu vào có thể là kéo, mặt bằng cho tiệm hớt tóc, gương, ghế, chướng ngại vật,… sản phẩm là dụng cụ cắt tóc. Tiền trong trường hợp này là kho lưu trữ giá trị của sản lượng đó. Chất lượng và / hoặc số lượng đầu ra càng cao thì giá trị của đầu ra thường càng cao. Có những ngoại lệ cho điều này - những thứ như ngoại tác tiêu cực của động cơ đốt trong (có thể bị chính phủ đánh thuế ngày càng tăng) và các tổ chức từ thiện tạo ra thiện chí hiệu quả. Tuy nhiên, đây là kết quả chung.
Công việc của một nhà khoa học dữ liệu, thay vì một nhà khoa học dữ liệu chuyên nghiệp là hiểu đề xuất kinh doanh. Đầu vào là gì, đầu ra là gì?
Sau đó, nhà khoa học dữ liệu sẽ làm việc phân loại và có hệ thống để hiểu các vấn đề trong doanh nghiệp. Điều gì có thể cải thiện việc cung cấp của công ty, cải thiện mức giá mà công ty nhận được, hoặc cải thiện việc thu mua nguyên liệu, hoặc bất kỳ khía cạnh nào của hậu cần bắt đầu từ đầu vào và kết thúc ở đầu ra của công ty?
Điều thứ hai cần xem xét là thu thập dữ liệu
Trước khi tôi đi sâu vào vấn đề này, một lời cảnh báo dành cho nhà khoa học dữ liệu thiếu thận trọng được giải thích tốt nhất trong một bài tập nổi tiếng về sự thận trọng từ Thế chiến 2. Khi các lực lượng đồng minh đang tìm cách tăng viện cho các máy bay để ném bom tấn công - họ xem xét tần suất các lỗ đạn trên các máy bay quay trở lại. Hầu hết các nhà khoa học dữ liệu hoặc các nhà điều hành nghiên cứu hoạt động làm việc vào thời điểm đó đều nghĩ rằng họ cần phải gia cố các khu vực máy bay có nhiều lỗ đạn hơn.
Một nhà toán học gốc Hungary, Abraham Wald, lại nghĩ khác. Anh xem xét việc gia cố các bộ phận của chiếc máy bay không có lỗ đạn. Lý do là, chiếc máy bay bị va chạm ở những khu vực đó, không bao giờ thực sự quay trở lại. Họ đã bị bắn hạ.
Dữ liệu, do đó, chỉ là một phần của câu chuyện. Nếu không có sự hiểu biết sâu sắc về cơ chế hoạt động của doanh nghiệp, dữ liệu không có tác dụng gì nhiều. Nó có thể dẫn đến các quyết định sai lầm trong các doanh nghiệp lớn, nơi các giải pháp có thể có quy mô nhỏ về lượng cải tiến hoặc hiệu quả mà chúng cung cấp. Trong những trường hợp đó, có một sự hiểu biết vững chắc về doanh nghiệp là cực kỳ quan trọng.
Thu thập dữ liệu dưới hình thức nói chuyện với nhiều bên liên quan trong kinh doanh và hiểu được dữ liệu trong doanh nghiệp. Dữ liệu có thể ẩn rất tốt trong các hầm chứa trong doanh nghiệp và nhiệm vụ của nhà khoa học dữ liệu là đi đến một nguồn sự thật duy nhất, tìm kiếm thông qua các điểm dữ liệu khác nhau được cung cấp để hiểu dữ liệu và chọn những phần phù hợp và phù hợp nhất để phân tích. Không phải tất cả dữ liệu là bắt buộc và một phần của kỹ năng là có thể phân biệt điều gì là quan trọng và điều gì không. Để tách tín hiệu khỏi nhiễu. Việc thêm dữ liệu tăng dần vào một phần phân tích hiện có luôn có thể thực hiện được vì vậy việc xóa các tập dữ liệu cũng vậy. Tuy nhiên, điều quan trọng là phải tìm ra một số lượng nhỏ hơn các biến quan trọng để giải quyết nhu cầu kinh doanh.
Điều này đưa chúng ta đến quy tắc vàng chính. Mọi thứ phải thêm giá trị
Các doanh nghiệp suy cho cùng là định hướng kiếm tiền trong khuôn khổ tư bản chủ nghĩa. Nếu phân tích không cung cấp cách để tiết kiệm tiền hoặc kiếm tiền - thì nó vô giá trị. Điều đó sau đó không được phép ở tất cả. Đây là điều quan trọng và là chìa khóa cho toàn bộ định đề của khoa học dữ liệu. Nó phải cung cấp một điểm hoặc hướng hành động chính cho ban quản lý và / hoặc các bên liên quan để tạo ra giá trị tiền tệ gia tăng - trực tiếp về mặt tiết kiệm chi phí hoặc tạo ra nhiều lợi nhuận hơn hoặc theo các điều khoản “mềm” như tiếp thị hoặc CSR.
Nhà khoa học dữ liệu cũng phải là một người kể chuyện. Như Steve Jobs đã nói - “người quyền lực nhất trên thế giới là người kể chuyện”. Để có thể truyền đạt giá trị được tạo ra cho doanh nghiệp có tầm quan trọng rất lớn. Trừ khi các bên liên quan “nhìn thấy” giá trị - việc phân tích tạo ra giá trị gần như là một điểm mấu chốt vì họ sẽ không thể hoặc sẵn sàng đưa nó vào hành động.
Do đó, kể chuyện về đề xuất giá trị cũng quan trọng như việc tạo ra giá trị. Do đó, một nhà khoa học dữ liệu phải rất giỏi trong việc truyền đạt những hiểu biết sâu sắc này.
Tôi muốn cảm ơn Ibrahim Mukherjee đã dành thời gian giải thích cho chúng tôi về một ngày trong cuộc đời của anh ấy với tư cách là một Kỹ sư Máy học. Hiểu biết về cách tiếp cận của mọi người đối với sự nghiệp của họ và cách họ có thể khác với bạn hoặc những người khác là điều quan trọng để cải thiện và tốt hơn sự nghiệp của bạn
Tôi hi vọng cái này giúp được! Cảm ơn bạn một lần nữa, Ibrahim Mukherjee!
Nisha Arya là Nhà khoa học dữ liệu và Nhà văn kỹ thuật tự do. Cô ấy đặc biệt quan tâm đến việc cung cấp lời khuyên hoặc hướng dẫn nghề nghiệp về Khoa học Dữ liệu và kiến thức dựa trên lý thuyết về Khoa học Dữ liệu. Cô cũng mong muốn khám phá những cách khác nhau mà Trí tuệ nhân tạo có thể mang lại / có thể mang lại lợi ích cho sự trường tồn của cuộc sống con người. Một người ham học hỏi, tìm cách mở rộng kiến thức công nghệ và kỹ năng viết của mình, đồng thời giúp hướng dẫn người khác.
