एक स्पोर्ट्स कार में डेटा साइंटिस्ट और एक किशोर के बीच का अंतर

हाल ही में, कई पाठ्यक्रम दिखाई दिए हैं, दोनों अकादमिक और निजी, जिसका उद्देश्य डेटा विश्लेषण और ट्रेन विशेषज्ञों को प्रशिक्षित करना है जो मशीन सीखने का उपयोग करके व्यावसायिक समस्याओं को हल करने में सक्षम हैं। यदि आप इन पाठ्यक्रमों के कार्यक्रमों को करीब से देखते हैं, तो वे सभी समान हैं, अंतर केवल प्रशिक्षण प्रारूपों (ऑनलाइन ऑफ़लाइन) और शिक्षकों में है।

स्कूल ऑफ डेटा ने 2015 में इस तरह के कोर्स करना शुरू किया। इसके अलावा, वे उसी परिदृश्य के अनुसार करने लगे। हमने मशीन लर्निंग में विभिन्न शैक्षणिक पाठ्यक्रमों के कार्यक्रमों की बड़ी संख्या में समीक्षा की, अनुभव के आधार पर, व्यावहारिक समस्याओं को हल करने के लिए वास्तव में जो आवश्यक था उसे चुना और बड़ी संख्या में जुपिटर नोटबुक बनाईं जिसमें हमने अपनी उंगलियों पर गणित और मशीन सीखने की कोशिश की।

हमने मुख्य रूप से मशीन लर्निंग टेक्नोलॉजी, वर्ड प्रोसेसिंग मेथड्स, न्यूरल नेटवर्क, नेटवर्क स्ट्रक्चर्स का एनालिसिस, सिफारिश सिस्टम और डेटा एनालिसिस के अन्य क्षेत्रों को सिखाने की कोशिश की। और ऐसा लगता है कि छात्रों की समीक्षा अच्छी थी, लेकिन फिर भी कुछ गायब था।

यह देखते हुए कि हमारी मुख्य गतिविधि डेटा स्टूडियो के ढांचे में वास्तविक कार्यों का विकास है, छात्रों, सबसे पहले, हमने खुद के लिए तैयार किया। हमने जल्दी से महसूस किया कि व्यवहार में, डेटा विश्लेषण और मशीन सीखने के तरीकों का ज्ञान है, जैसा कि गणितज्ञ कहते हैं, "एक आवश्यक नहीं बल्कि महत्वपूर्ण स्थिति।" यही कारण है कि हमने वास्तविक जरूरतों को ध्यान में रखते हुए अपनी कक्षाओं के कार्यक्रम को बहुत जल्दी अपडेट किया।

संक्षेप में, हम जिस निष्कर्ष पर आए (और जिसके आधार पर अब हम अपना प्रशिक्षण बना रहे हैं):

• मशीन लर्निंग और न्यूरल नेटवर्क टेक्नोलॉजीज ओवररेटेड
• मशीन सीखने की तकनीक विश्लेषणात्मक सोच की संस्कृति को नरभक्षी बनाती है
• डेटा विश्लेषण से संबंधित परियोजनाओं के आर्थिक प्रभाव को प्राप्त करने के लिए, एमएल के गहन ज्ञान की तुलना में नरम कौशल अधिक महत्वपूर्ण हैं
• डेटा साइंटिस्ट का पेशा बहुत अधिक है, कोई अधिक सार्वभौमिक विशेषज्ञ नहीं होगा

निम्नलिखित पैराग्राफ इन सभी मुद्दों पर चर्चा करेंगे।

बड़ी कंपनियों में अधिकांश कार्य जो अब डेटा विश्लेषण और तंत्रिका नेटवर्क के आधुनिक तरीकों का उपयोग करके हल करने की कोशिश कर रहे हैं, लंबे समय से हल किए गए हैं। जोखिम प्रबंधन में बैंक सबसे सफल मामले हैं। दूरसंचार में, यह सीआरएम / सीबीएम है, जहां पूरे व्यापार मॉडल को एलटीवी ग्राहकों में वृद्धि के लिए बांधा गया है। खुदरा समान रूप से काम करता है - कई कार्य हैं (आरटीओ पूर्वानुमान, इन्वेंट्री प्रबंधन, पदोन्नति) जो मुख्य व्यवसाय प्रदान करते हैं।

ऐसी निर्माण कंपनियाँ हैं जिनमें मुख्य कार्य हैं शासन की स्थिरता को बढ़ाना, एक ओर घाटे को कम करना और दूसरी ओर भविष्य कहनेवाला रखरखाव और दूसरी ओर इन्वेंट्री बैलेंस और मार्केटिंग का प्रबंधन करना।

ये कार्य नए नहीं हैं, उनके विश्लेषक लंबे समय से हल कर रहे हैं। इसके अलावा, विश्लेषकों जो विषय क्षेत्र को समझते हैं। इसके अलावा, ज्यादातर मामलों में विक्रेताओं की काफी संख्या है जो कुछ कार्यों के लिए वास्तविक मानक हैं, जैसे मूल्य निर्धारण प्रबंधन (खुदरा के मामले में), या एपीसी सिस्टम (उत्पादन के मामले में)। इसके अलावा, एक नियम के रूप में, इस तरह के सिस्टम में मशीन सीखने सहित अनुकूलन एल्गोरिदम पहले से ही हैं।

यहां कुछ नया करना और उस पर पैसा कमाना बेहद मुश्किल है। जैसा कि कहा जाता है, "सेब जो एक पेड़ से गिर गया था" पहले ही काटा जा चुका है। यह केवल नए व्यावसायिक मामलों की खोज करने के लिए बनी हुई है जिसमें एनालिटिक्स आर्थिक प्रभाव देता है। वास्तव में ऐसे उदाहरण हैं - और उनमें से अधिक से अधिक हैं।

हालांकि, ऐसे उदाहरणों को खोजने के लिए और एनालिटिक्स के प्रभाव को देखना आसान नहीं है। ऐसा करने के लिए, आपको किसी विशेष प्रक्रिया के विषय क्षेत्र को गहराई से समझने में सक्षम होने की आवश्यकता है (जिसका विवरण, अक्सर बस नहीं है)। यह समझें कि आमतौर पर किस तरह के डेटा की जरूरत होती है, यह समझें कि वास्तव में व्यापार किस पर किया जाता है। यह समझें कि क्या एनालिटिक्स की आवश्यकता यहाँ पर है, क्या कुछ भविष्य कहनेवाला एल्गोरिदम की आवश्यकता है (अधिक बार नहीं), क्या व्यवसाय प्रक्रिया को बदलना होगा (अधिक बार हाँ), क्या परिचालन लीवर हैं (क्या भविष्यवाणी उपकरण बंद करने की बात है अगर अभी भी इससे बचने के कोई उपाय नहीं हैं ?)।

तो - ऐसे डिजिटल उत्पाद को लागू करने की प्रक्रिया में, कई सवाल उठते हैं जिनके लिए एक विश्लेषणात्मक दृष्टिकोण की आवश्यकता होती है, डेटा के साथ काम करने की एक निश्चित संस्कृति, परिकल्पना डालने की क्षमता, अपने आप से सवाल पूछते हैं, और एक व्यवसाय के स्वामी के संदर्भ में सोचते हैं। तथ्य यह है कि यह डेटा विश्लेषण स्कूलों में नहीं पढ़ाया जाता है, यह कौरसेरा में नहीं पढ़ाया जाता है। हां, आधुनिक पाठ्यक्रम शायद अच्छे इंजीनियरों और गणितज्ञों को प्रशिक्षित करते हैं, लेकिन कोई विश्लेषक नहीं, वे नहीं करते हैं।

इसके अलावा, मशीन सीखने के तरीकों और तंत्रिका नेटवर्क का ज्ञान विश्लेषणात्मक सोच की संस्कृति को मारने की अधिक संभावना है। अधिकांश आधुनिक डेटा वैज्ञानिक, स्पोर्ट्स कार के पीछे के बच्चों की तरह, अपने आप को अद्वितीय मानते हैं (वे xgboost, तंत्रिका नेटवर्क आदि के बारे में बहुत सारे स्मार्ट शब्दों को जानते हैं), वे नहीं जानते कि कैसे ड्राइव करना है (लेकिन क्यों कार आपके लिए सब कुछ करती है), और वे केवल तेजी से चलते हैं क्योंकि यहां बहुत अधिक अश्वशक्ति है (मजबूत लोहा, हालांकि यहां यह फिर से होने की संभावना है)।

नतीजतन, हमें निम्नलिखित चित्र के बारे में मिलता है: कुछ स्मार्ट, प्रिय लोग आते हैं, लगभग कोई सवाल नहीं पूछते हैं, यह कहते हुए कि डेटा सब कुछ बताएगा। वे कुछ डेटा लेते हैं, फिर आते हैं - वे कहते हैं कि उन्होंने किसी तरह का मॉडल बनाया है, वे प्रतिशत में सटीकता कहते हैं और यह बात है। जैसे ही आप चुनौती शुरू करते हैं - वे अजीब शब्दों में कहते हैं, बुद्धि को कुचलते हैं, लेकिन उनसे कोई मतलब नहीं है।

यह बताता है कि अब डिजिटल परिवर्तन या डेटा विश्लेषण के लिए ठेकेदारों के बीच - मुख्य रूप से परामर्श कंपनियों (आईटी नहीं) पर हावी है। क्योंकि उनके पास विश्लेषिकी की संस्कृति है, व्यापारिक सोच की संस्कृति है, वे हमेशा सिरदर्द से राहत देते हैं, समाधान पेश करते हैं। वे मशीन लर्निंग मॉडल के निर्माण तक सीमित नहीं हैं, वे वास्तविक विश्लेषण करते हैं जो निर्णय लेने में मदद करते हैं।

दुनिया में अभी जो एक और चलन चल रहा है, वह यह है कि डेटा साइंटिस्ट कम सफल होने पर भी सार्वभौमिक नहीं हो सकते। कई कंपनियों में, डेटा विश्लेषण में लगी प्रारंभिक रूप से बनाई गई केंद्रीकृत संरचना वितरित की गई है। केंद्रीय कार्यालय में केवल बुनियादी ढांचा प्रदान करने की भूमिका है, और संपूर्ण किराने का हिस्सा, वास्तविक डिजिटल उत्पाद पहले से ही सीधे व्यावसायिक इकाइयों में बनाए जाते हैं। इस संरचना में, तदनुसार, डेटा साइंटिस्ट (बशर्ते कि वह "सही" है) विषय क्षेत्र में एक विशेषज्ञ बन जाता है - कार्यात्मक उसे स्थानांतरित कर दिया जाता है, जो तब तक "पुराने" विश्लेषकों द्वारा समर्थित किया गया था जो उसके सामने काम करते थे। सफलता के मामले में, उन्हें परिचालन लीवर भी दिया जाता है।

नतीजतन, सफल विश्लेषकों को अपने हाथों में परिचालन लाभ देने की प्रवृत्ति बढ़ रही है और उनकी जिम्मेदारी बढ़ रही है। लेकिन केवल एक विषय क्षेत्र में। हम भविष्यवाणी करते हैं (जैसा कि बाजार में बड़ी कंपनियों द्वारा पुष्टि की गई है) कोई और अधिक सार्वभौमिक विश्लेषक नहीं होगा - प्रचार खत्म हो गया है, यह परिणाम के लिए जिम्मेदार होने का समय है। जो लोग एनालिटिक्स की मदद से व्यावसायिक समस्याओं को हल कर सकते हैं, वे किराने के हिस्से में जाएंगे, और जो लोग एक्सगबॉस्ट सिखा सकते हैं वे अकादमी में वापस जाएंगे या मशीन सीखने पर व्याख्यान देंगे।

इसीलिए, हमने अपने पाठ्यक्रमों को पूरी तरह से संशोधित किया है (क्योंकि हम अपने कई स्नातकों को अपने डेटा स्टूडियो में ले जाते हैं ) और अब:

0. शुरू करने के लिए, प्रवेश द्वार पर हम प्रत्येक छात्र को अपने भविष्य के कर्मचारियों को देखते हैं जो एक ही नाव में हमारे साथ रवाना होंगे और बड़ी परियोजनाओं में भाग लेंगे। इसलिए, हम इस तथ्य में रुचि रखते हैं कि इन 3.5 महीनों में छात्र यथासंभव कुशलता से तैयार किया जाता है। यदि आप किसी विशेष एल्गोरिथ्म के विवरण को समझने की आवश्यकता है, तो आपके पास हमेशा कोर्टेरा में अगला पाठ्यक्रम लेने का समय हो सकता है। हालांकि, वास्तविक मामलों का अनुभव प्राप्त करना अधिक कठिन है। और यही कारण है कि:

1. प्रशिक्षण केस विधि पर आधारित है। हम वास्तविक कार्य लेते हैं, पहले हम व्यापार मॉडल, इकाई अर्थव्यवस्था का विश्लेषण करते हैं, हम समझते हैं कि वास्तविक संख्या के आधार पर क्या गुणवत्ता है, हमें इस कार्य को प्राप्त करना चाहिए। हम संभावित आर्थिक प्रभाव का मूल्यांकन करते हैं। और उसके बाद ही हम तकनीकी हिस्से से निपटना शुरू करते हैं, धीरे-धीरे विश्लेषणात्मक तरीकों, मशीन सीखने और तंत्रिका नेटवर्क में डूब जाते हैं। और क्या महत्वपूर्ण है - हम इसे केवल तभी करते हैं जब यह वास्तव में इस कार्य में आवश्यक हो

2. हम प्रत्येक छात्र के साथ व्यक्तिगत रूप से काम करते हैं। इस तथ्य के बावजूद कि हम एक सजातीय समूह को भर्ती करने की कोशिश करते हैं, हम समझते हैं कि लोग अलग-अलग हैं - प्रत्येक की अपनी व्यक्तिगत प्रशिक्षण योजना और उनका गृहकार्य है। हमारी राय में, यह बकवास है जब दर्जनों लोग एक ही समस्या का समाधान करते हैं। सामान्य ज्ञान की दृष्टि से भी यह प्रभावी नहीं है। सभी छात्र चैट में शिक्षक के उत्तर प्राप्त करते हैं, छात्र को कार्य के साथ एक पर एक नहीं फेंका जाएगा।

प्रवेश द्वार पर हम पहले से ही चेतावनी देते हैं कि प्रशिक्षण के लिए महत्वपूर्ण समय की आवश्यकता होगी, आपको लगातार होमवर्क करने, विवरणों में गोता लगाने और अक्सर प्रशिक्षण पर सप्ताहांत बिताने की आवश्यकता होगी।

हम समझते हैं कि यह एक सामूहिक कहानी नहीं है। डेटा स्टूडियो सफलतापूर्वक कई वर्षों से काम कर रहा है, जिसमें शामिल है क्योंकि इसमें प्रवेश करना मुश्किल है। हम अच्छी तरह से जानते हैं कि वर्तमान वास्तविकताओं में एनालिटिक्स को विकसित करने के लिए कसेरा के साथ पाठ्यक्रमों की तुलना में अधिक आसान है। यही कारण है कि सबसे प्रेरित छात्र शुरू में डेटा के स्कूल में आते हैं। आमतौर पर - समूह का आकार 15-20 लोगों से अधिक नहीं होता है, जो आपको प्रशिक्षण को लगभग व्यक्तिगत बनाने की अनुमति देता है।

इस तथ्य का उल्लेख नहीं करने के लिए कि हमने पूरी तरह से पूरी तरह से तकनीकी पक्ष - पूर्व-तैयार ज्यूपिटर नोटबुक, दूरदराज के प्रतिभागियों के लिए एक प्रभावी संचार प्रणाली, ऑनलाइन प्रसारण के बारे में सोचा था - यह सब दूरस्थ प्रतिभागियों को कक्षा में अन्य बच्चों के साथ सीधे संवाद करने में भी मदद करता है।

हम डेटा वैज्ञानिकों को नहीं सिखाते हैं - हम पूर्ण विकसित लोगों को प्रशिक्षित करते हैं जो विश्लेषिकी की मदद से व्यावसायिक समस्याओं को हल कर सकते हैं।

नए कोर्स की शुरुआत 23 सितंबर को है। प्रोजेक्ट प्रश्नों के लिए, कृपया हमें डेटा स्टूडियो में संपर्क करें।