Подсказка: неудача важнее успеха.

Сбои часто являются наиболее важной частью любой сложной системы, поскольку они укрепляют и помогают системе учиться, развиваться и повышать устойчивость. Неудачи лежат в основе прогресса, и отсутствие неудач обычно означает, что система, организация или компания не раздвигают границы, не растут и не изучают новые способы ведения дел.

Однако большинство организаций, возглавляемых людьми, тратят непомерно много времени на планирование, разрабатывая рабочие процессы, чтобы избежать сбоев. Такое поведение, направленное на избегание сбоев, позволяет развиваться хрупким системам и, следовательно, более ориентированным на риск игрокам выходить на рынок и подрывать позиции действующего лидера. Как сказал бы Нассим Талеб: «Устойчивый сопротивляется потрясениям и остается прежним; антихрупкое становится лучше».

В машинном обучении и науке о данных неудача имеет решающее значение для долгосрочного успеха. В частности, рисковать, ошибаться и планировать свою практику Data Science таким образом, чтобы обеспечить коэффициент отказов (FR), является основополагающим принципом лидерства, позволяющим команде раздвигать границы и делать неизвестные открытия.

Думайте о частоте отказов или FR как об одном из строительных блоков для динамичной команды специалистов по обработке и анализу данных. Чтобы лучше понять FR, это элементарная формула того, что я считаю FR: FR = количество отказов/количество экспериментов. Проще говоря, чем выше FR, тем больше потенциал для динамичной и успешной практики Data Science.

Некоторые лидеры Data Science будут оспаривать обоснованность FR как показателя успеха, и, с моей точки зрения, это происходит потому, что лидеры Data Science, часто не являющиеся специалистами по данным, путают Data Science с Analytics. Это две разные практики, и поэтому организациям следует остерегаться поручать специалистам по данным проблемы с прославленной аналитикой. Это делает две вещи: он сосредотачивает творческий, ориентированный на абстракцию ресурс на существенное восстановление человеческих ментальных моделей и процессов, часто загруженных ошибками и неэффективностью, вместо этого сосредотачивая внимание ученых на том, что Набоков назвал «невидимыми связями между вещами».

Вот 10 способов создать динамичную команду по науке о данных, меняющую границы:

  1. Нанимайте и продвигайте лидеров, которые являются учеными данных и выполнили работу, которые понимают, как работает цикл экспериментов, заинтересованы в открытиях, а не просто повторяют статус-кво с новыми инструментами или моделями.
  2. Поощряйте неудачи. Укрепляйте уверенность и устойчивость в команде благодаря предприимчивости и широкому кругу интересов.
  3. Сосредоточьтесь на «невидимых связях», а не на видимых самоусиливающихся ментальных моделях.
  4. Нанимайте для творчества, а не для получения степени или навыков кодирования. Креативный Data Scientist увидит то, что другие никогда не увидят, и решит проблемы, которые действительно заставят двигаться иглы. Ищите сотрудников с альтернативным взглядом на системы и мир, которые шли на риск собственной жизнью, а не нанимайте докторов наук и других людей, которые следовали жестким, линейным путем с небольшим опытом или без него.
  5. Измерьте частоту неудач и используйте FR как показатель успеха.
  6. Предоставьте своему Data Scientist доступ ко всем данным и ресурсам.
  7. Сделайте свою команду по науке о данных основным приоритетом и предоставьте сотрудничество бизнес-подразделениям.
  8. Имейте целостную стратегию.
  9. Поощряйте творчество и нестандартное мышление. Я считаю креативность навыком номер один для любого Data Scientist, он является отличительной чертой между тем, кто перемещает границы, и просто еще одним аналитиком или программистом.
  10. Поймите, наука о данных — это не просто воспроизведение/улучшение существующих ментальных моделей и процессов с использованием Python и ускоренных вычислений. Команды по науке о данных и машинному обучению должны быть агентами радикальных изменений, призванными произвести революцию, шокировать и улучшить всю нервную систему организации.

Примечание. Все позиции и мнения в этой статье являются позицией и исследованиями только автора и не приписываются каким-либо аффилированным с автором компаниям, работодателям, группам или организациям.