직무 : 데이터 과학자

콘텐츠

• 다양한 정의, 다양한 의무
• 버그 없음, 스트레스 없음-인생을 파괴하지 않고 인생을 바꾸는 소프트웨어를 만드는 단계별 가이드
• 데이터 과학자의 기술

출처 : Sergey Khakimullin / iStockphoto

테이크 아웃 :

데이터 과학자는 응용 프로그램에 따라 상당히 다양한 작업을 수행합니다. 그러나 그들이 공통적으로 가지고있는 한 가지는 데이터를 잘 활용하는 드라이브입니다.

인공 지능 및 기계 학습 작업과 관련하여 데이터 과학자의 역할은 무엇입니까? 매일 이런 종류의 프로젝트를 처리하는 많은 전문가들은 그 질문에 간단히 대답하기가 어렵다고 말합니다. 더 좋은 질문은 다음과 같습니다. 데이터 과학자는 무엇을하지 않습니까?

데이터 과학자는 이러한 모든 프로젝트가 빅 데이터 또는 복잡한 입력에 의존한다는 점에서 AI 또는 ML 프로세스의 필수 요소입니다. 데이터 과학자는 데이터로 작업하여 결과를 얻는 방법을 알고있는 필수 경력입니다.

그러나 데이터 과학자의 역할, 필요한 자격 및 프로세스에서 자신의 역할에 대해 이야기 할 수있는 방법이 있습니다.

읽다: 온라인 학습을 통해 마스터 할 수있는 6 가지 주요 데이터 과학 개념

다양한 정의, 다양한 의무

데이터 과학자의 연구를 설명하는 많은 전문가들이 이에 대해 광범위하게 말합니다.

“소규모 기업이나 새로운 시장에서 일할 때 데이터 과학자의 역할은 비교적 참신하지만 분명한 데이터 소스를 최종 사용자의 문제를 해결하는 재료로 변환하는 것이 었습니다. 머큐리 글로벌 파트너 (Mercury Global Partners)의 계정 관리자 인 안토니오 cks 스 (Antonio Hicks)는 이렇게 말합니다. "최적의 후보자는 수학자, 소프트웨어 엔지니어 및 기업가 인 사람입니다."

다른 사람들은이 기본 아이디어를 반영하여 데이터 과학자가 모델링 프로젝트를 수행하는 데 필요한 것을 언급합니다.

데이터 과학자 매니저 인 에린 아킨 치 (Erin Akinci)는“데이터 과학자가 필요로하는 가장 중요한 속성은 주변 세계에 대한 깊은 호기심입니다. 질문에 대답하거나 모델을 작성하든, 문제를 이해하려는 욕구가 핵심입니다. 아사나에서. "거기부터 대부분의 사람들은 솔루션을 찾기 위해 수학과 프로그래밍 기술이 필요하지만 특정 종류의 수학과 프로그래밍은 데이터 과학 분야의 전문 분야에 따라 크게 다릅니다."

버그 없음, 스트레스 없음-인생을 파괴하지 않고 인생을 바꾸는 소프트웨어를 만드는 단계별 가이드

아무도 소프트웨어 품질에 신경 쓰지 않으면 프로그래밍 기술을 향상시킬 수 없습니다.

Valkyrie Intelligence의 창립자이자 CEO 인 Charlie Burgoyne은“우수한 과학 연구는 문제를 해결하기 위해 사용하는 도구보다 과학자가 문제에 대해 생각하는 방식과 더 관련이 있습니다. Valkyrie는 신경 과학 교육 및 테스트를 강화하고 이전의 클라우드 기반 기계 학습 플랫폼으로 가능한 것을 개선하는 전용 네트워크 장치 인 Mark I과 같은 인상적인 프로젝트를 수행하는 응용 과학 컨설팅 회사입니다.

Burgoyne은“시장은 Python 개발, 신경망 설계 및 데이터 저장소를 최신 데이터베이스 아키텍처로 재구성하는 능력에 능숙한 과학자들을 요구합니다. 그러나 이러한 역량은 유능한 과학자를위한 테이블 스테이크입니다. 덜 명백한 것은 대담한 호기심, 공격적인 독창성 및 과학적 방법에 대한 과학자의 적성입니다.”

데이터 과학자의 기술

따라서 실제 기술 세트에 이르기까지 데이터 과학자는 모델링이 진행되는 한 어느 정도의 창의성과 정통성을 필요로합니다. 또한 파이썬, C ++ 또는 ML 프로젝트에 적용되는 다른 공통 언어 코딩 경험과 같은 "하드 기술"을 통해 많은 이점을 얻을 수 있습니다.

온라인 모의 인터뷰 플랫폼 인 Pramp의 Val Streif는“Python과 C ++은 필수적이며 코딩 기술과 데이터 분석 및 처리를 결합 할 수 있으며 통계는 데이터 과학자가 강력한 후보자 또는 직원으로 돋보이게하는 핵심 기술입니다. 소프트웨어 엔지니어, 개발자 및 데이터 과학자에게 적합합니다. "데이터 과학자와 개발자를 연결하여 프로그래밍 기술 중 일부를 처리 할 수 ​​있지만 회사의 관점에서 두 기술을 하나로 결합하면 훨씬 쉽습니다."

다른 전문가들은 Tableau, Hive 및 MATLAB과 같은 기술뿐만 아니라 R, Hadoop, Spark, Sas 및 Java를 목록에 추가합니다.

이들 모두 인상적인 이력서를 만들지 만, 데이터 과학자 모집 경험이있는 사람들 중 일부는 다른 "인간적인"측면도 중요하다고 말합니다. (데이터 과학자의 한 유형은 시민 데이터 과학자입니다. 빅 데이터 세계에서 시민 데이터 과학자의 역할에서 자세히 알아보십시오.)

Burgoyne은“전통적으로 다양한 교양 교육을받은 사람들은 우수한 데이터 과학자를 만듭니다.”라고 말하면서 건물 측 엔지니어와 데이터 과학자가 더 개념적 일 수 있습니다. 그는 계속한다:

인문학, 예술 또는 비즈니스 영역에 보완적인 초점을 둔 전통적인 STEM 분야의 전문 지식은 우수한 산업 지향적 과학자가되는 자질을 제공합니다. 조직이 이러한 자질을 활용하고 생산 방식으로 열정과 방법을 형성하는 것이 중요하다는 점도 말해야합니다. 데이터 과학 이니셔티브가 실패했을 때 조직은 과학자만큼 멍청 할 수있는 것으로 나타났습니다. 과학자들은 엔지니어가 아닙니다. 그들은 실행하고 구축하도록 추진되지 않습니다. 그들은 발견하고 이해하도록 유도됩니다. 이 차이를 파악한 조직은 두 분야의 재배에 대해 보상을받습니다.

데이터 과학자들이 일반적으로 적용하는 것은 회사의 핵심 목표와 관련이 있습니다. 일부 회사는 분산 인터넷을 쫓고 있습니다. 일부 회사는 IoT 또는 SaaS를 가지고 놀고 있습니다. 다른 사람들은 "사용자 친화적"또는 "윤리적"또는 "투명한"AI를 개척하려고합니다.

어쨌든, 데이터 과학자들은 그들이 사용하고있는 기술에 상관없이, 사용중인 데이터의 하드 메트릭과 AI / ML 기능을 개념화하는 프리 휠링 (freewheeling) 작업을 구분할 가능성이 높습니다.

G2 Crowd의 데이터 과학 및 분석 관리자 인 Michael Hupp은“데이터 수집 및 정리를 관리하고 해당 데이터를 의미있는 정보로 변환하기 위해 데이터 과학자를 고용합니다. 그는 다음과 같이 설명합니다.

일반적으로 이는 회사의 데이터 엔진을 구동하고 주요 분석 도구 및 언어에 유창한 모든 중요한 알고리즘을 관리하는 것을 의미하지만 최근에는 자연 언어 처리, 기계 학습, 기타 형태의 AI 지원 분석과 같은 새로운 분야도 포함되었습니다. 가장 성공적인 데이터 과학자는 자신의 어려운 기술과 빠른 학습 능력, 그리고 발견 한 통찰력을 효과적으로 전달하여 비즈니스에 의미가있는 사람들을 결합한 사람들입니다.

이러한 유형의 통찰력을 통해 젊은 전문가 나 학생은 데이터 과학자가 자신에게 적합한 역할을 수행하는지 여부와 기술을 습득하는 방법을 쉽게 알 수 있습니다. STEM 학습은 전국의 학교에서 더 접근하기 쉬워지고 있지만 코딩 및 기술에 대한 열정과 즉석에서 배울 수있는 능력을 대신 할 수는 없습니다.