不受欢迎的意见：成为一名好数据科学家比以往任何时候都更难

>数据科学和人工智能工程的不断发展的景观：查看挑战和机遇

>

生成的AI（Genai）和大语言模型（LLM）正在重塑专业世界，尤其是在数据科学中。 这个Genai驱动的环境给有抱负和建立的数据科学家带来了前所未有的挑战。本文分享了与传统ML和Genai合作的六年多以来的见解和经验，对成功数据科学家的不断发展的作用提供了观点。

免责声明：以下轶事可能是虚构的。> ？如果您发现这篇文章有帮助，请喜欢并发表评论！ 您还可以在我的博客上找到原始帖子。 ？

不受欢迎的意见：数据科学家的角色比以往任何时候都更加要求。

目录的表

定义“​​好”数据科学家

挑战＃1：高期望，有限的数据和策略

1. 挑战＃2：AI Hype＆自称专家
2. 挑战＃3：整个组织之间的数据科学角色不一致
3. 挑战＃4：持续数据质量问题
4. 挑战＃5：域专业知识的关键需求
5. 挑战＃6：导航“ OPS”景观（DATAOPS，MLOPS，AIOPS，LLMOPS）
6. 挑战＃7：适应快速技术进步
7. 结论
8. 参考
10. 1。定义一个“好”数据科学家

“深度学习？我们专注于

在这里学习。数据工程是它所处的位置。” -

一个假设的雇主，2015

> >我的旅程始于R和SQL，分析了北欧股票市场的趋势。 我研究的尖端深度学习感觉到了世界。现在，我的重点是LLMS，Genai和Agentic Workfrows，它们使用打字稿构建Genai服务。这种转变反映了对数据专业人员的期望的更广泛的发展 - 从传统的ML/DL到生成AI和LLM。 “好”数据科学家的定义已经扩展。角色差异很大，从A/B测试和统计建模到端到端（E2E）ML管道所有权。 但是，核心技能仍然至关重要：

Genai时代的V形数据科学家>（请参阅参考文献[1]）

我的论文强调了在这个快速变化时代成功的V形技巧：

深度AI/ML专业知识

编程和系统开发 数据工程

>业务敏锐度

道德考虑与治理

1. 在这个基础上，让我们探索当前的挑战。
2. 2。挑战＃1：高期望，有限的数据和策略
3. >

   “我们需要AI，Genai，LLMS！我们的竞争对手正在使用Chatgpt。建立聊天机器人！哦，您的第一年没有数据。隐私问题。” - 假设的经理，2023

   >

   AI是许多组织的重中之重。 Chatgpt的兴起推动了朝着“ AI驱动”的业务奔波。 虽然通过LLMS集成AI似乎很容易，但现实很复杂。

   >

   关键挑战突出了期望与现实之间的差距：

• 数据稀缺：强大的数据管道至关重要。数据科学家经常花时间倡导数据工程资源来构建这些管道。 此外，数据通常是分散的，不一致的，结构不佳。 缺乏数据策略>
需要一个明确的策略 - 不仅仅是数据本身。 这包括解决敏感数据，将数据科学工作与业务目标保持一致以及培养数据驱动的文化。 没有此，数据科学家解决了无关紧要的问题或创建未使用的解决方案。
• 缺乏AI策略：许多公司为此而采用AI。 具有定义用例和ROI的明确AI策略至关重要。
这些挑战强调了在追求AI计划之前需要基础支持的必要性。
• 3。挑战＃2：AI Hype＆自称专家

“ Chatgpt于2022年底发布。我参加了五个及时的工程课程 - 这很容易！我的本地模型可以使用，所以让我们进行扩展。” -

一个假设的非AI同事，2024

> AI繁荣导致自称专家的激增。 尽管通过LLM的AI商品化是积极的，但它也稀释了专业知识。 参加及时的工程课程并不会使某人成为AI专家。

这个炒作带来了挑战：

自称专家的兴起 ：

过分自信和缺乏真正的专业知识可能会阻碍进步。

未对准技能：

团队可能具有AI工具技能，但缺乏有效构建，微调和部署模型的专业知识。

>

过度依赖插件解决方案：
• 虽然可访问，但这些解决方案通常缺乏自定义，可伸缩性和地址安全/合规性问题。> LLM功能的
误解： 4。挑战＃3：组织之间的数据科学角色不一致>

“数据科学家？您什么？您可以帮助此SQL查询吗？” - 假设的同事，2024

>

>数据科学家角色缺乏明确的定义。 职责差异很大：

>
• 产品分析师：专注于A/B测试，用户行为分析。
• 数据工程师：专注于构建和维护数据管道。
• 机器学习工程师：专注于完整的ML模型生命周期。
这种不一致导致：
• >未定义的角色：在工作申请和访谈中混乱。
• 技能超载和倦怠：在不同地区精通的压力。
• >转向AI工程：对专业人士的需求不断增长。 在求职过程中的
清晰度至关重要。
>
5。挑战＃4：持续数据质量问题
“数据，我的朋友，敌人和合作伙伴。我应该使用llms生成合成数据吗？” -

假设数据科学家，2024

>

>

>垃圾，垃圾（Gigo）仍然是一个重要的问题。许多公司对其数据缺乏全面的了解，从而导致有效地使用AI的挑战。 6。挑战＃5：对域专业知识的关键需求



“您不是科学家吗？您不应该知道有关金融和法律的一切吗？使用Chatgpt！” - 一个假设的领域专家，2022-2023

>

>> LLM强大，但深厚的领域专业知识仍然至关重要。 与领域专家的合作至关重要：>

上下文理解：提供数据分析中经常缺少的上下文。

• 模型微调：确保模型与行业标准保持一致。
• 风险缓解与合规性：敏感部门的规定。
• 7。挑战＃6：导航“ OPS”景观
>

“数据管道，模型部署，LLM优化和云基础架构？我只是想训练模型！” - 假设数据科学家，2024

>

>操作AI系统至关重要。 了解DataOps，MLOPS，AIOPS和LLMOPS对于成功的生产部署至关重要。

8。挑战＃7：适应快速技术进步

“新图书馆与我们的堆栈不兼容，但是它更快。我会适合。” -

假设工程经理，2024>

技术变革的迅速步伐既提出了机遇和挑战：>

压倒性的工具选择：
• 难以选择正确的工具。
碎片和集成：
• 挑战集成不同的系统。
>不断发展的技能：
• 需要持续学习和适应。
平衡创新与实用性：
• 将真正的创新与炒作区分开。 编程角色的未来
：
• AI有可能自动化编程任务的潜力。
9。总结思想

数据科学领域正在迅速发展。 成功需要融合技术专长，业务敏锐度，协作技巧以及致力于持续学习的承诺。

10。参考

[1] Elwin，M。（2024）。 V形数据科学家在生成AI时代。

中等

。 [链接到原始中等文章] [2-10] [链接到其余参考]

以上是不受欢迎的意见：成为一名好数据科学家比以往任何时候都更难的详细内容。更多信息请关注PHP中文网其他相关文章！