先借一个网站
https://reurl.cc/oQKWdv
小弟先前在新西兰某政府机关担任资料科学主管,因为常有国内外不同交流,
常常简报我们在做什么,所以我常引用网站里面的那张图
另外Data Science在近十年火热的原因一部分也来自传统Business Intelligence的
Rebranding,尤其是大企业很多都是在BI的基础上再扩充,
毕竟追根究柢没有强大完整的资料仓储做后盾要谈机器学习和人工智能都是画大饼
这几年MLOps (https://en.wikipedia.org/wiki/MLOps) 崛起
理由就是以前大幅仰赖太学术性的资料科学人才造成实际上整个流程太过复杂
要去优化DS和软件开发的整合才能增加企业的优势
因此很多ML平台像是DataRobot,H2O越来越受欢迎,做资料科学现在有点像手机开发
工具都在那边,只要资料准备好上千个模型平台帮你跑好跑满
这样企业能把焦点资源放在资料本身,
其实研究显示所有ML专案超过60%的时间都在资料本身
如果是中小企业那DS通常要更十八般武艺样样俱全,分工太细一方面代表成本太高
实际上也不会比较有效率,再来还要看企业文化对资料科学的需求
比较要避免的就是名字叫资料科学结果进去全部都在做传统报表或视觉化
要不然就是比较不成熟的环境,公司想要这个那个但是连资料仓储都搞不定
被召聘进去变成Data Engineer或是跟Business Analyst没两样...
不过说实在的,个人还是觉得这是一个挑战性很高的领域
会做模型是一回事,会写程式是一回事,做出来的东西能不能用才是重点
很多时候要做的东西也没什么前例可以参考,从错中学是常态
最近离开政府机关回到前东家,六周内跑了38个专案,1,297个模型最后选了三个上线
Training Data都有15~20%优化但是能不能帮公司多赚+15%老实说我也不知道哇哈哈
有兴趣的欢迎到LinkedIn交个朋友
https://www.linkedin.com/in/minghsuanlee/