数据科学家：22世纪最性感的工作

提出以下三个问题，以确保雇主为您做好准备

数据科学被称为" 21世纪最性感的工作"，如果我看到更多的商业领袖将数据科学家聘请到我们可以有效发挥作用的环境中，我会相信这一观点。 相反，我们许多人感到被误解和看不见。

> Image: Source

下个世纪最性感的工作

我们是帮助人们为您的业务开拓新方向，降低您着手制定重要决策的风险以及通过机器学习和AI使无法解决的事情自动化的人。 我们使您的数据有用，却使我们生活在资源贫乏中。 您要求我们以以下方式实现和平：

缺乏技巧的领导-如果您没有负责领导和管理数据科学职能的人员，我们将度过痛苦的时光。 没有决策者熟练地适当分配工作和制定数据驱动型决策，数据科学家实际上是无用的。

没有数据—如果您在聘用数据科学家之前先聘请数据科学家，那通常意味着我们没有数据可以使用，因此我们必须首先为您构建数据工程功能，否则我们将不得不折腾。 如果我们留下来，我们最终会做的工作不是您声称要雇用我们的工作。 我已经说过了，我会继续说下去：您需要高质量的数据才能使减肥数据科学有效。 我们不是神奇的妖精，所以我们不能为您虚构任何东西。

令人讨厌的工具-数据科学开发人员的工具令人痛苦。 生态系统是零散的，尤其是在人工智能方面，甚至最好的选择也远非完美。 总有一些东西会使骑行颠簸。

如果您要面试数据科学专长，请确保向潜在的雇主介绍他们在这三个方面的计划，以免陷入困境。 别忘了问别人-确保您拥有数据的工作是谁？ 如果您的所有见解都没有用，谁会被解雇？ 谁会选择您使用的工具，并确保它们在所有其他基础架构中都能正常使用？

如果所有这些问题的答案都是"您"（也许是因为该公司不知道什么是数据科学（但无论如何都想要）），那么请适当地设定您的期望。 您将必须自己执行多个作业，并以大约这个顺序处理它们。 在学校接受过＃6的训练？ 几年后，您可能将无法使用这些凉爽的贝叶斯网络（并且由于时间太忙，无法管理所组建的团队，因此不太可能对它们进行实际的提升）。 这可能是最适合您的选择，但是请在跳动之前先看一下（然后思考！）。

我已经写了很多有关领导力和数据的文章，所以现在是时候提起工具了。 应用数据科学家（包括那些从事ML / AI研究工作的科学家）不想从头开始构建我们的工具（这是另一项工作-如果我们愿意，我们已经在其中了）。 例如，我们宁愿使用现有的程序包制作直方图，也不愿编写将矩形显示在屏幕上的代码。 如果我们要开一家餐厅，要我们自己动手就好像要自己制造微波炉。 如果需要，我们会制造它们，但是我们更愿意直接参与烹饪。

与撒旦共事

有时，管理人员将权杖交给数据科学家的专有工具甚至比他们自己拼凑的工具还要糟糕。 我记得我的一个朋友昵称"撒旦"的意思，例如，“是的，我知道R需要一行，但您可能应该整天预算才能使其在撒旦中工作。” 当您掌握的工具可怕时，心中难忘一整天。

以设计师的眼光

有时候，在旁观者眼中是可用工具的麻烦-也许沮丧的根源是您选择了不是为您量身定做的工具。 让我们看一下两个Google起源的工具。 Keras不仅是一个漂亮的API，而且在构建时就考虑了数据科学家。 例如，Keras的错误消息旨在指导数据科学家的下一步行动，因此它们简洁明了，友好友好，而TensorFlow中的一个等效错误会吐出一堆Dickensian比例的文本。

如果您戴上设计思维帽子，这并不会让您感到惊讶； 作为AI的工业车床，TensorFlow最初并不是为数据科学用户而设计的。 它是专为研究人员在Google规模上取得新突破而开发的……它擅长于其用途。 这也是您经常感到窒息的工具。

> Hurray for TF 2.0, which is going all-in on usability! There might be teething pains as TF switches over to Keras style and says bye bye to making you write all that boilerplate, but I’m excited. One might even say I’m eager.

对于我们数据科学类型而言，好消息是，即使TensorFlow也变得越来越可爱。 新的2.0版本正在朝着我们的方向发展，它表明了这一点。 让我们为数据科学家开始说"我爱TensorFlow"这一天（而不是"我可以忍受TensorFlow，因为它是唯一能够在这种规模下处理我的数据"）而欢呼的一天。

我很高兴参与TensorFlow计划，该计划明确将数据科学家确定为主要用户。 我希望在以后的文章中向大家介绍的一个例子是假设分析工具，该工具使模型理解，偏差检测和ML数据探索变得容易。 该团队包括一名用户体验设计师，负责让数据科学家从第一天开始就感到高兴！ 您可以在这里偷看结果。

> Curious to know what you’re looking at? Find out more about the What-If Tool here.

如果不是为您量身定做的，那可能不适合您

请花点时间考虑一下您正在考虑学习的工具的起源，以及其构建者在指导开发新版本时所向往的社区，这很重要。

先试后买

当我们在使用它时，如果您要为组织打电话，请不要在您的数据科学家对它进行游戏测试之前使用该工具。 您会认为这将不言而喻，但撒旦则建议相反。 您是否正在考虑为零售业的分析人员准备一种工具，并将其直接插入您的医疗保健公司？ 噢亲爱的。

您可能需要考虑由专门工程师提供的一些工具支持，这样您的数据科学家就不会痛苦。 您当前的分析师可能没有报名参加对他们来说像垃圾一样的事情，而且他们可能没有足够的时间来了解有关工具（以及这些工具的工程支持！）的信息。 他们的采访。

妙处

如果您是寻找新工作的数据科学家，请不要忘记检查您将要信任的人是否了解您的需求。 向潜在的雇主询问有关数据，决策者和工具的问题。 确保他们拥有我们需要的那种幸福和有效的东西。 不要以为雇主在本世纪已经为您准备好了。 如果您喜欢这项工作，我不希望看到您成为一家没有数据的公司的另一位数据科学总监！