هيروشي واتانابي / صور جذابةفي كتاب The Wealth of Nations ، يظهر آدم سميث كيف يصبح تقسيم العمل مصدرًا رئيسيًا لمكاسب الإنتاجية. مثال على ذلك هو خط التجميع لمصنع لإنتاج المسامير: "عامل واحد يسحب السلك ، والآخر يقوم بتصحيحه ، والقطع الثالث ، والرابع يشحذ النهاية ، ويطحن الخامس الطرف الآخر ليلائم الرأس". بفضل التخصص الذي يركز على وظائف معينة ، يصبح كل موظف أخصائيًا عالي الكفاءة في مهمته الضيقة ، مما يؤدي إلى زيادة كفاءة العملية. يزيد الإنتاج لكل عامل عدة مرات ، ويصبح المصنع أكثر كفاءة في إنتاج المسامير.
هذا التقسيم للعمل حسب الوظيفة متجذر في أذهاننا حتى اليوم مما أدى إلى تنظيم فرقنا بسرعة وفقًا لذلك. علم البيانات ليست استثناء. تتطلب فرص الأعمال الحسابية المعقدة العديد من وظائف العمل ، لذلك تقوم الشركات عادةً بإنشاء فرق من المتخصصين: الباحثون ، مهندسو تحليل البيانات ، مهندسو تعلم الآلة ، العلماء المشاركون في علاقات السبب والنتيجة ، وما إلى ذلك. يتم تنسيق عمل المتخصصين بواسطة مدير المنتج مع نقل المهام بطريقة تشبه مصنع الدبوس: "يتلقى شخص ما البيانات ، والنماذج الأخرى ، والثالث ينفذها ، والمقاييس الرابعة" ، وهكذا ،
للأسف ، لا ينبغي لنا تحسين فرقنا الخاصة بعلوم البيانات لتحسين الأداء. ومع ذلك ، يمكنك القيام بذلك عندما تفهم ما تقوم بإنتاجه: دبابيس أو أي شيء آخر ، وتسعى ببساطة لزيادة الكفاءة. الغرض من خطوط التجميع هو إكمال المهمة. نحن نعرف تمامًا ما نريده - فهذه دبابيس (كما في مثال سميث) ، ولكن يمكنك ذكر أي منتج أو خدمة تصف المتطلبات بشكل كامل جميع جوانب المنتج وسلوكه. دور الموظفين هو تلبية هذه المتطلبات بأكبر قدر ممكن من الكفاءة.
لكن هدف علم البيانات ليس إكمال المهام. بدلاً من ذلك ، فإن الهدف هو استكشاف وتطوير فرص عمل قوية جديدة. لا يمكن تطوير المنتجات والخدمات الخوارزمية ، مثل أنظمة التوصية ، وتفاعلات العملاء ، وتفضيلات الأنماط ، والتحجيم ، وتصميم الملابس ، وتحسين الخدمات اللوجستية ، واكتشاف الاتجاه الموسمي ، والمزيد. يجب دراستها. لا توجد رسومات لإعادة إنتاجها ، فهذه ميزات جديدة مع عدم اليقين المتأصل فيها. يجب دراسة المعاملات ، النماذج ، أنواع النماذج ، البارامترات ، جميع العناصر الضرورية باستخدام التجارب ، التجربة والخطأ ، وكذلك التكرار. مع المسامير ، يتم التدريب والتصميم مقدمًا ، حتى يتم تصنيعها. مع علم البيانات ، تتعلم في هذه العملية ، وليس قبلها.
في مصنع الدبوس ، عندما يأتي التدريب أولاً ، لا نتوقع ولا نريد من العمال الارتجال في أي خاصية للمنتج ، بالإضافة إلى زيادة كفاءة الإنتاج. تخصص المهام أمر منطقي ، لأنه يؤدي إلى كفاءة العمليات وتنسيق الإنتاج (دون إجراء تغييرات على المنتج النهائي).
ولكن عندما يكون المنتج لا يزال قيد التطوير والهدف هو التدريب ، يتداخل التخصص مع أهدافنا في الحالات التالية:
1. هذا يزيد من تكاليف التنسيق.أي تلك التكاليف التي تتراكم خلال الوقت الذي تقضيه في التواصل ومناقشة وتبرير وتحديد أولويات العمل الذي يجب القيام به. هذه التكاليف على نطاق واسع مع عدد من الأشخاص المعنيين. (كما علمنا J. Richard Hackman ، ينمو عدد العلاقات r بشكل مشابه لوظيفة عدد الأعضاء n وفقًا لهذه المعادلة: r = (n ^ 2-n) / 2. وكل نسبة تكشف عن مقدار معين من نسبة التكلفة). عندما يتم تنظيم المتخصصين في تحليل البيانات حسب الوظيفة ، في كل مرحلة ، مع كل تغيير ، كل نقل للخدمة ، إلخ. هناك حاجة إلى العديد من المتخصصين ، مما يزيد من تكاليف التنسيق. على سبيل المثال ، سيتعين على الإحصائيين الذين يرغبون في تجربة ميزات جديدة التنسيق مع مهندسي معالجة البيانات الذين يقومون بتزويد مجموعات البيانات الخاصة بهم في كل مرة يريدون تجربة شيء جديد. بالطريقة نفسها ، يعني كل نموذج جديد مدرب أن مطور النموذج سيحتاج إلى شخص يقوم بتنسيق تصرفاته من أجل تشغيله. تعمل تكاليف التنسيق كدفع للتكرار ، مما يجعلها أكثر صعوبة ومكلفة وأكثر عرضة لفرض التخلي عن الدراسة. هذا قد يتداخل مع التعلم.
2. هذا يعقد وقت الانتظار.الأمر الأكثر إثارة للخوف من تكلفة التنسيق هو الوقت الضائع بين التحولات. بينما تقاس تكاليف التنسيق عادة بالساعات: الوقت الذي يستغرقه إجراء الاجتماعات والمناقشات ومراجعات المشروع - عادة ما تقاس أوقات الانتظار بالأيام أو الأسابيع أو حتى الأشهر! يصعب محاذاة جداول المتخصصين الوظيفيين ، حيث ينبغي توزيع كل أخصائي على عدة مشاريع. قد يستغرق اجتماع مدته ساعة واحدة لمناقشة التغييرات عدة أسابيع لتبسيط سير العمل. وبعد الاتفاق على التغييرات ، من الضروري التخطيط للعمل الفعلي نفسه في سياق العديد من المشاريع الأخرى التي تتطلب ساعات عمل للمتخصصين. قد يستغرق العمل الذي يستغرقه إصلاح رمز أو بحث يستغرق سوى بضع ساعات أو أيام حتى يكتمل وقتًا طويلاً قبل توفر الموارد. حتى ذلك الحين ، يتم إيقاف التكرار والتعلم.
3. يضيق السياق.يمكن تقسيم العمل بشكل مصطنع التعلم من خلال مكافأة الناس على البقاء في تخصصهم. على سبيل المثال ، سوف يركز عالم الأبحاث الذي يجب أن يظل ضمن نطاق وظيفته على طاقته على التجارب مع أنواع مختلفة من الخوارزميات: الانحدار ، والشبكات العصبية ، والغابات العشوائية ، وما إلى ذلك. بالطبع ، يمكن أن يؤدي الاختيار الجيد للخوارزمية إلى تحسينات تدريجية ، ولكن كقاعدة عامة ، يمكن تعلم الكثير من الأنشطة الأخرى ، مثل تكامل مصادر البيانات الجديدة. وبالمثل ، سوف يساعد في تطوير نموذج يستخدم كل جزء من القوة التوضيحية المتأصلة في البيانات. ومع ذلك ، قد تكمن قوتها في تغيير الوظيفة الموضوعية أو تخفيف قيود معينة. من الصعب أن ترى أو تفعل عندما يكون عملها محدودا. نظرًا لأن عالم متخصص متخصص في تحسين الخوارزميات ، فمن غير المرجح أن يفعل أي شيء آخر ، حتى لو كان يجلب فوائد كبيرة.
دعنا نذكر الإشارات التي تظهر عندما تعمل فرق علوم البيانات مثل المصانع الدبوسية (على سبيل المثال ، في تحديثات الحالة البسيطة): "انتظار تغييرات في خط أنابيب البيانات" و "انتظار موارد ML Eng" ، والتي تعد بمثابة مانعات شائعة. ومع ذلك ، أعتقد أن التأثير الأكثر خطورة هو ما لا تلاحظه ، لأنه لا يمكنك أن تندم على ما لا تعرفه بعد. إن الوفاء بمتطلبات لا تشوبها شائبة والرضا عن الذات التي تحققت نتيجة لتحقيق كفاءة العملية يمكن أن يحجب حقيقة أن المنظمات ليست على دراية بفوائد التعلم التي تفوتها.
الحل لهذه المشكلة ، بالطبع ، هو التخلص من طريقة دبوس المصنع. من أجل تحفيز التعلم والتكرار ، يجب أن تكون أدوار علم البيانات شائعة ، ولكن مع مسؤوليات واسعة مستقلة عن الوظيفة الفنية ، أي تنظيم متخصصي البيانات بحيث يتم تحسينهم للتعلم. هذا يعني أنه من الضروري توظيف "متخصصين متكاملين" - متخصصون عامون يمكنهم أداء وظائف مختلفة: من المفهوم إلى النمذجة ، من التنفيذ إلى القياس. من المهم الإشارة إلى أنني لا أفترض أنه عند التعاقد مع متخصصين في المجموعة الكاملة ، يجب أن ينخفض عدد الموظفين. على الأرجح ، سأفترض فقط أنه عندما يتم تنظيمهم بطريقة مختلفة ، تكون حوافزهم متوافقة بشكل أفضل مع فوائد التدريب والفعالية. على سبيل المثال ، لديك فريق من ثلاثة أشخاص لديهم ثلاث خصائص تجارية. في المصنع لإنتاج الدبابيس ، سيخصص كل أخصائي ثلث الوقت لكل مهمة مهنية ، لأنه لا يمكن لأي شخص آخر القيام بعمله. في تكدس كامل ، كل موظف عالمي مكرس بالكامل للعملية بأكملها ، وتوسيع نطاق العمل والتدريب.
مع دعم عدد أقل من الأشخاص لدورة الإنتاج ، يتم تقليل التنسيق. تنتقل العربة بسلاسة بين الوظائف ، وتوسيع خط أنابيب البيانات ، لإضافة المزيد من البيانات ، وتجربة وظائف جديدة في النماذج ، ونشر إصدارات جديدة في الإنتاج للقياسات السببية ، وتكرار الخطوات بمجرد ظهور أفكار جديدة. بطبيعة الحال ، فإن عربة المحطة تؤدي وظائف مختلفة في سلسلة ، وليس بالتوازي. بعد كل شيء ، هذا مجرد شخص واحد. ومع ذلك ، عادة ما تستغرق المهمة جزءًا صغيرًا فقط من الوقت اللازم للوصول إلى مورد متخصص آخر. لذلك ، يتم تقليل الوقت التكرار.
قد لا تكون عربة المحطة لدينا من المهارة مثل الاختصاص في وظيفة معينة ، لكننا لا نسعى جاهدين لتحقيق التميز الوظيفي أو التحسينات الإضافية الصغيرة. بدلا من ذلك ، نحن نسعى جاهدين لدراسة واكتشاف التحديات المهنية الجديدة مع تأثير تدريجي. مع وجود سياق كلي للحل الكامل ، يرى فرصًا لن يفوتها أخصائي ضيق. لديه المزيد من الأفكار والمزيد من الفرص. انه فشل أيضا. ومع ذلك ، فإن تكلفة الفشل منخفضة ، وفوائد التعلم مرتفعة. هذا التباين يعزز التكرار السريع والمكافآت التعلم.
من المهم الإشارة إلى أن هذا هو نطاق الاستقلالية ومجموعة متنوعة من المهارات المقدمة للعلماء الذين يعملون بكدسات كاملة ، ويعتمد إلى حد كبير على موثوقية منصة البيانات التي يمكنك العمل عليها. تستخلص منصة البيانات المصممة جيدًا علماء البيانات من تعقيدات الحاوية ، المعالجة الموزعة ، النقل التلقائي إلى مورد آخر ، ومفاهيم الكمبيوتر المتقدمة الأخرى. بالإضافة إلى التجريد ، يمكن أن توفر منصة بيانات موثوقة اتصالاً دون عوائق بالبنية التحتية التجريبية ، وأتمتة أنظمة المراقبة والإبلاغ ، وتوسّع وتصور النتائج الخوارزمية وتصحيحها تلقائيًا. يتم تصميم هذه المكونات وإنشائها بواسطة مهندسي أنظمة البيانات ، أي أنها لا يتم نقلها من متخصص علوم البيانات إلى فريق تطوير نظام البيانات. إنه أخصائي علوم البيانات المسؤول عن جميع الشفرات المستخدمة لإطلاق المنصة.
كنت مهتمًا أيضًا بالتقسيم الوظيفي للعمل باستخدام كفاءة العملية ، لكن عن طريق التجربة والخطأ (لا توجد طريقة أفضل للتعلم) ، وجدت أن الأدوار النموذجية تساهم بشكل أفضل في التعلم والابتكار وتوفر المؤشرات الصحيحة: اكتشاف وبناء عدد أكبر بكثير من فرص العمل أكثر من نهج متخصص. (هناك طريقة أكثر فاعلية للتعرف على هذا النهج في التنظيم من طريقة التجربة والخطأ التي مررت بها وهي قراءة كتاب آمي إدموندسون ، تفاعل الفريق: كيف تتعلم المنظمات ، تخلق الابتكار ، وتتنافس في اقتصاد المعرفة.)
هناك بعض الافتراضات الهامة التي يمكن أن تجعل نهج المؤسسة أكثر أو أقل موثوقية في بعض الشركات. عملية التكرار تقلل من تكلفة التجربة والخطأ. إذا كانت تكلفة الخطأ مرتفعة ، فقد ترغب في تقليلها (ولكن ، لا ينصح بهذا للتطبيقات الطبية أو الإنتاج). بالإضافة إلى ذلك ، إذا كنت تتعامل مع بايت أو بايت من البيانات ، فقد تكون هناك حاجة للتخصص في تصميم البيانات. وبالمثل ، إذا كان الحفاظ على فرص العمل عبر الإنترنت وإمكانية الوصول إليها أكثر أهمية من تحسينها ، فإن التفوق الوظيفي يمكن أن يتفوق على التعلم. أخيرًا ، يعتمد نموذج المكدس بالكامل على آراء الأشخاص الذين يعرفون ذلك. ليسوا حيدات. يمكن العثور عليها أو إعدادها من قبل نفسك. ومع ذلك ، فهي في ارتفاع الطلب ، وجذبهم والاحتفاظ بهم في الشركة سوف يتطلب تعويض مالي تنافسي ، وقيم الشركات المستدامة والعمل المثير للاهتمام. تأكد من أن ثقافة شركتك يمكن أن توفر هذه الشروط.
حتى مع كل ما قيل ، أعتقد أن طراز المكدس الكامل يوفر أفضل الظروف لبدء التشغيل. ابدأ معهم ، ثم تحرك بوعي نحو التقسيم الوظيفي للعمل فقط عندما يكون ذلك ضروريًا للغاية.
هناك عيوب أخرى من التخصص الوظيفي. هذا يمكن أن يؤدي إلى فقدان المسؤولية والسلبية من جانب العمال. ينتقد سميث نفسه تقسيم العمل ، مما يشير إلى أنه يؤدي إلى تلاشي المواهب ، أي يصبح العمال جاهلين وسحبهم ، حيث تقتصر أدوارهم على بعض المهام المتكررة. في حين أن التخصص يمكن أن يضمن كفاءة العملية ، فمن غير المرجح أن يلهم العمال.
في المقابل ، توفر الأدوار العالمية كل ما يحفز الرضا الوظيفي: الاستقلالية والمهارة والتصميم. الحكم الذاتي هو أنها لا تعتمد على أي شيء في تحقيق النجاح. يكمن التمكن في مزايا تنافسية قوية. والتصميم هو القدرة على التأثير في الأعمال التي ينشئونها. إذا نجحنا في جعل الناس ينهمون عملهم وكان لهم تأثير كبير على الشركة ، فسيصبح كل شيء آخر في مكانه الصحيح.