👨‍🎓 🎺 🤲🏿 क्या मुझे डेटा साइंस में जाना चाहिए? 🚣🏻 🕐 ✌🏿

वह सलाह जो मैं हमेशा देता हूं जब कोई मुझसे पूछता है कि डेटा साइंस कहाँ से शुरू करें। बेहतर है कि एक सॉफ्टवेयर इंजीनियर बनें।

यह मेरी व्यक्तिगत और वैकल्पिक राय है। टिप्पणियों में प्रतिवाद का स्वागत है।

एक विशेषज्ञ का पेशा अब चलन में है। मेरा तर्क है, डेटा विज्ञान 21 वीं सदी की गतिविधि के सबसे फैशनेबल क्षेत्रों में से एक होगा, लेकिन यह अवांछनीय रूप से एक और उपयोगी और उच्च भुगतान वाले पेशे - सॉफ्टवेयर डेवलपर का अवमूल्यन करता है।

अक्सर मुझे विश्वविद्यालय के स्नातकों और ऐसे लोगों से संदेश प्राप्त होता है जो अपना पेशा बदलते हैं, यह पूछते हैं कि डेटा विज्ञान में कैसे प्रवेश करें। इसके बजाय, मैं उन्हें सिर्फ आईटी में जाने की सलाह देता हूं।

दोनों क्षेत्रों में अनुभव होने के बाद, मैं आपको सही विकल्प बनाने के लिए मनाने की कोशिश करूंगा।

EDISON , -.

. , , , — .

, software engineering data science solve problems! ;-)

1. -

डेटा विज्ञान की तुलना में सॉफ्टवेयर इंजीनियरिंग में अधिक नौकरियों के लिए एक आदेश है।

Google में " डेटा पर विशेषज्ञ " (" डेटा वैज्ञानिक ») और " सॉफ़्टवेयर विकास » (" सॉफ़्टवेयर इंजीनियर है ») की खोज के बाद कुछ स्क्रीन शॉट्स दिए गए हैं ।

7616 की तुलना में वैज्ञानिक रिक्तियों 53,8893 सॉफ्टवेयर के विकास में। संयुक्त राज्य अमेरिका में, अन्य देशों में भी यही है।

यदि आप मानते हैं कि Glassdoor (एक वेब सेवा जिसके साथ आप वेतन के स्तर की निगरानी कर सकते हैं और कंपनियों के बारे में कर्मचारियों की समीक्षा प्राप्त कर सकते हैं), डेटा वैज्ञानिक बहुत पैसा कमाते हैं। हालांकि, मेरी असत्यापित परिकल्पना यह है कि डेटा रिक्तियों को मुख्य रूप से बहुत उच्च योग्य कर्मचारियों पर लक्षित किया जाता है।

हालांकि, कौन तर्क देता है, अगर आपको ओपनएआई में एक लाख की पेशकश की जाती है - बिना किसी हिचकिचाहट के सहमत हों।

2. आम सहमति नहीं है कि यह आम तौर पर एक "डेटा विज्ञान" है

कंपनी प्रबंधन के पास अक्सर एक अस्पष्ट विचार होता है कि वाक्यांश "डेटा साइंस" का क्या अर्थ है। यह भी आसानी से संभव है, व्यापार में विशिष्ट सीमाओं को देखते हुए, जो इस तथ्य में शामिल हैं कि एक व्यवसाय हमेशा भूमिकाओं की संरचना का सख्ती से पालन करने का जोखिम नहीं उठा सकता है।

इसका मतलब है कि एक "डेटा विशेषज्ञ" की जिम्मेदारियां कंपनी से कंपनी के लिए बहुत भिन्न होती हैं।

एक सशर्त स्केच जिसे आपको अपने व्यावसायिक कार्यों के आधार पर आवश्यकता हो सकती है। व्यावसायिक समस्याओं को हल करने और अनुसंधान के बीच स्पेक्ट्रम में सॉफ्टवेयर इंजीनियर ⇒ डेटा इंजीनियर ⇒ मशीन लर्निंग इंजीनियर ⇒ डेटा वैज्ञानिक जैसे पेशे होते हैं,

हालाँकि सॉफ्टवेयर इंजीनियर और डेटा विशेषज्ञ के बीच की भूमिकाओं की आदर्श श्रेणी की कल्पना की जा सकती है, लेकिन यह वास्तविक रूप से संदर्भ में सन्निहित नहीं होगा। प्रपत्र। यह स्केलिंग प्रक्रिया से गुजरने वाले स्टार्टअप के लिए विशेष रूप से सच है जब वे सिर्फ बुनियादी ढांचे का निर्माण कर रहे हैं।

नतीजतन, काम पर रखे गए उम्मीदवार कंपनी की वर्तमान समस्याओं पर काम करते हैं, और विशेषज्ञ की भूमिका को पूरा नहीं करते हैं, जिसके लिए आम तौर पर बोलते हुए, उन्हें काम पर रखा गया था।

मेरे पास मेरे सहयोगियों (डेटा वैज्ञानिकों) की गवाही है कि वे सॉफ्टवेयर डेवलपर्स के रूप में बैकएंड कोड लिखते हैं। मैं अन्य "डेटा शोधकर्ताओं" को जानता हूं जो अपनी कंपनियों के वित्तीय मुद्दों को हल करने में सफल रहे हैं।

यह आपकी अपेक्षाओं के साथ तेजी से विपरीत हो सकता है, खासकर यदि वे कागेल प्रतियोगिता के प्रभाव में बनते हैं।

3. आंकड़ों के अनुसार लंबी दूरी के धावक का अकेलापन

ज्यादातर कंपनियों को सॉफ्टवेयर इंजीनियर के रूप में केवल कई डेटा विशेषज्ञों की आवश्यकता नहीं होती है। अन्य कंपनियों ने अब तक केवल अपना पहला (और कुछ समय के लिए - केवल) डेटा विशेषज्ञ को काम पर रखा है।

इस कारण से, कई डेटा शोधकर्ता अकेले काम करते हैं, भले ही वे डेवलपर्स के साथ एक ही टेबल पर बैठे हों।

इससे प्रतिक्रिया और दूसरी राय प्राप्त करना मुश्किल हो सकता है। सॉफ्टवेयर इंजीनियर या तो भविष्य कहनेवाला मॉडलिंग नहीं समझते हैं, या पूरी तरह से अलग समस्याओं के साथ व्यस्त हैं।

इसके विपरीत, सॉफ़्टवेयर डेवलपमेंट टीम के लाभों में से एक हमेशा सहयोगियों को बताने की क्षमता है: “मेरा मानना है कि आपको एक्सवाईजेड में एबीसी को लागू करने की आवश्यकता है। आपकी राय? "

तो, अपने आप को या ... एक रबर बतख के साथ समस्याओं पर चर्चा करने के लिए मानसिक रूप से तैयार रहें।

4. डाटा साइंस में एक स्पष्ट शोध चरित्र है

इस विषय पर प्रबंधन के साथ अप्रिय वार्तालाप के लिए तैयार रहें कि आप 2 सप्ताह से क्या काम कर रहे हैं, इसका उपयोग नहीं किया जाएगा।

सॉफ्टवेयर विकास और एआई के बीच बुनियादी अंतरों में से एक है, दोनों सॉल्वेबल और अनसॉल्वेबल प्रॉब्लम पर काम करना।

सॉफ़्टवेयर विकास में निहित त्रुटियों और सीमाओं को देखते हुए - शुरू करने से पहले, आपको मूल रूप से यह पता होना चाहिए कि क्या संभव है और क्या नहीं है। आप मशीन लर्निंग के बारे में एक ही बात नहीं कह सकते। क्या मॉडल प्रभावी होगा यह लागू होने तक अज्ञात है।

5. व्यवसाय अभी तक एआई के लिए तैयार नहीं है

एक युग में भी जब लगभग हर बड़ी कंपनी कृत्रिम बुद्धिमत्ता का परिचय देती है, उनमें से अधिकांश के पास इसका समर्थन करने के लिए उचित बुनियादी ढांचा नहीं होता है।

मेरे एक मित्र, गहन रूप से विकसित स्टार्टअप में डेटा साइंस विभाग के प्रमुख, ने हाल ही में एक ग्लास कॉफी के साथ अपने स्टार्टअप ज्ञान को साझा किया:

पहले आप समस्या की पहचान करें, फिर बुनियादी ढांचे का निर्माण करें, और उसके बाद ही डेटा विशेषज्ञों को आकर्षित करें। और यह सब बहुत जल्दी होता है। (शब्दशः नहीं)

मेरी एक और दोस्त, जो एक जानी-मानी कंपनी में डेटा साइंस विशेषज्ञ हैं, ने हाल ही में एक बातचीत में शिकायत की थी कि उन्हें अपने लैपटॉप पर बड़े डेटा पर एक कृत्रिम बुद्धि मॉडल को प्रशिक्षित करने के लिए मजबूर किया गया था, न कि क्लाउड में।

यदि आप आए नई जगह पर कुछ विशिष्ट समस्याओं का समाधान नहीं किया गया है, या यहां तक कि कंपनी डेटा विज्ञान को अपनी प्रक्रियाओं में पेश करने के लिए तैयार नहीं है, तो अधिकतम के लिए कुछ मूल्य बनाने के लिए तैयार हो जाओ।

6. सॉफ्टवेयर इंजीनियरिंग सामान्य कौशल देता है

जूनियर सॉफ्टवेयर इंजीनियर बनना टेक्नोलॉजी में एमबीए करने जैसा है। आप सब कुछ थोड़ा-बहुत सीखेंगे।

आप डेटाबेस, क्लाउड टेक्नोलॉजी, परिनियोजन, सुरक्षा और स्वच्छ कोड लिखना सीखेंगे।

आप अपने स्कैमर लीडर, सीनियर डेवलपर या प्रोजेक्ट मैनेजर को देखकर सॉफ्टवेयर असेंबली का प्रबंधन करना सीखेंगे। आपको मेंटरिंग मिलेगी।

यदि आप इंजीनियरों की एक स्थापित टीम के साथ खुद को एक कंपनी में पाते हैं, तो यह लगभग गारंटी है कि आप जल्दी से अपने कौशल में सुधार करेंगे और समग्र अनुभव प्राप्त करेंगे।

7. एक गतिविधि के रूप में सॉफ्टवेयर विकास बहुत अधिक लचीला है।

प्रौद्योगिकी के साथ एक अधिक समग्र अनुभव के साथ, सॉफ्टवेयर विकास अधिक विकल्प प्रदान करता है जब आप यह तय करते हैं कि कुछ बदलने का समय है।

DevOps, सुरक्षा, इंटरफ़ेस, बैकएंड, वितरित सिस्टम, व्यापार खुफिया, डेटा इंजीनियरिंग, डेटा विज्ञान ...

मैं कई डेवलपर्स को जानता हूं जो सॉफ्टवेयर विकास से डेटा विज्ञान में चले गए हैं। यदि आप डेटा विज्ञान के लिए नौकरी विवरण देख रहे हैं, तो आप तुरंत ध्यान देंगे कि उन्हें बहुत सारे कौशल की आवश्यकता होती है जो सॉफ्टवेयर विकास द्वारा उत्पन्न होते हैं।

यदि आप E2E प्रोजेक्ट बना सकते हैं, तो आप कागेल प्रतियोगिता के लिए केवल एक मॉडल बनाने से अधिक भी कर सकते हैं। आप इस मॉडल को ले सकते हैं, इसे बना सकते हैं, प्राधिकरण और इलेक्ट्रॉनिक भुगतानों को कॉन्फ़िगर कर सकते हैं और फिर विमुद्रीकरण कर सकते हैं। यह आपका अपना स्टार्टअप है।

मैं यह कभी नहीं कहूंगा कि डेटा साइंस अपने दायरे से बाहर बेकार है। बड़े डेटा के आधार पर निर्णय लेना हमारे समय में एक हत्यारा है। लेकिन यह इस तथ्य को भी जन्म देगा कि डेटा विज्ञान के तरीके अन्य कार्यों में मांग में अधिक से अधिक होंगे, क्योंकि व्यवसाय बड़े डेटा पर अधिक से अधिक केंद्रित है।

8. मशीन सीखना सॉफ्टवेयर डेवलपर्स के लिए एक आम उपकरण बन जाएगा।

जैसे ही एआई अधिक सुविधाजनक और उपयोग करना आसान हो जाता है, सॉफ्टवेयर डेवलपर्स अपनी समस्याओं को हल करने के लिए इसका उपयोग करना शुरू कर देंगे।

मैं स्केलेरन क्लासीफायर बनाने के लिए (दोपहर में) एक डेवलपर को सिखा सकता हूं। इसका मतलब यह नहीं है कि मेरा पैडावन अगले अल्फ़ागो का निर्माण करेगा, लेकिन यह उसे उपयोगकर्ता इनपुट के आधार पर हार्ड-कोडेड सशर्त तर्क का विकल्प देता है।

बड़े डेटा विशेषज्ञों के पास विशिष्ट ज्ञान है, जैसे आंकड़े, उनके पास एक विशेष अंतर्ज्ञान है कि मॉडल कैसे काम करते हैं। लेकिन DevOps और सुरक्षा इंजीनियरों का अपना विशिष्ट ज्ञान भी होता है।

मैं कहूंगा कि यहां बात यह नहीं है कि कौशल कैसे भिन्न होते हैं, लेकिन यह कि कुछ का उपयोग अक्सर कम किया जाता है और दूसरों को अधिक बार किया जाता है। एक अनुभवी इंजीनियर तीव्रता के विशेषज्ञताओं के आदेशों के बीच तेजी से आगे बढ़ता है, जबकि एक शुरुआत खरोंच से सीखता है।

हालाँकि मुझे नहीं लगता कि हम सॉफ्टवेयर विकास के साथ डेटा साइंस का पूर्ण विलय देखेंगे। बल्कि, डेटा विज्ञान सॉफ्टवेयर विकास में विशेषज्ञता का एक और क्षेत्र बन जाएगा।

9. एआई निकट भविष्य में सॉफ्टवेयर इंजीनियरों की जगह नहीं लेगा

कोई फर्क नहीं पड़ता कि अब कितना बेवकूफ लगता है, 2014 में मैंने सॉफ्टवेयर विकसित करना शुरू कर दिया, इस डर से कि एआई किसी अन्य काम को अप्रचलित कर देगा।

और फिर भी, तब से, हम वास्तव में तकनीक के भविष्य के करीब नहीं आए हैं। प्रौद्योगिकी अपनाना धीमा है, और हम एक मजबूत एआई से दूर हैं जितना आप कल्पना कर सकते हैं।

अन्य व्यवसायों की तुलना में, मशीन लर्निंग सॉफ्टवेयर डेवलपमेंट ऑटोमेशन से और भी दूर है। यद्यपि हमारे पास स्टार्टअप हैं जो शांत उत्पादों का निर्माण करते हैं, जैसे कि AI समर्थन के साथ कोड पूरा करना, कोडिंग वास्तव में एक वास्तविक काम नहीं है। वर्तमान कार्य प्रौद्योगिकी का उपयोग करके समस्याओं को हल करना है।

अब तक, पूर्व-विलक्षणता के युग में, कार्यक्रमों को लिखने की क्षमता आने वाले लंबे समय के लिए एक मूल्यवान और उच्च भुगतान कौशल बनी रहेगी।

निष्कर्ष

सबसे पहले, यह सब मुख्य रूप से मेरा IMHO है। दूसरे, मुझे पता है कि मैंने डेटा वैज्ञानिकों, मशीन लर्निंग इंजीनियरों और आर्टिफिशियल इंटेलिजेंस डेवलपर्स को एक ढेर में मिलाया - और मैं उनके बीच के अंतर को पूरी तरह से समझता हूं। फिर भी, इन तर्कों को सोच-समझकर देखने लायक है, क्योंकि यह आपका जीवन और आपका करियर है।

मैंने जो भी कहा है उसे गंभीरता से न लें। मैं चाहूंगा कि आप इस मुद्दे की जांच करें और अपना निर्णय लें। यह किसी भी डेटा विशेषज्ञ के काम का हिस्सा है, सामान्य तौर पर :)

अंत में, वे हमें मुख्य रूप से समस्याओं को हल करने के लिए भुगतान करते हैं।

एडिसन ब्लॉग पर अनुवाद:

एक अरब से अधिक राजस्व के साथ शीर्ष 50 गेमिंग फ्रेंचाइजी	क्या एयरबीएनबी कोरोनोवायरस से बचेगा? [बिगाड़ने वाला: हाँ]

क्या मुझे डेटा साइंस में जाना चाहिए?