Съвет: Провалът е по-важен от успеха.

Провалите често са най-важната част от всяка сложна система, тъй като укрепват и помагат на системата да се учи, да се развива и да изгражда устойчивост. Провалите са основополагащи за напредъка и липсата на провал обикновено означава, че дадена система, организация или компания не преминава границите, не расте или не научава нови начини за правене на нещата.

Въпреки това повечето организации, ръководени от хора, отделят изключително много време за планиране, проектиране на работни процеси, за да избегнат провал. Това поведение за избягване на провал позволява на крехките системи да се развиват и следователно на по-ориентирани към риск играчи да навлязат в пространството и да разстроят действащия оператор. Както би казал Насим Талеб „Устойчивият издържа на удари и остава същият; антифрагилът става по-добър.“

В машинното обучение и науката за данни провалът е от решаващо значение за дългосрочния успех. По-специално, поемането на рискове, провалът и проектирането на вашата практика в областта на Data Science, за да се осигури процент на неуспех (FR), е основен лидерски принцип, за да се гарантира екип, който разширява границите и прави неизвестни открития.

Мислете за степента на неуспех или FR като за един от градивните елементи за динамичен, движещ се граници екип за наука за данни. За да разберем по-добре FR, това е елементарна формула за това, което аз считам за FR: FR= Брой неуспехи/Брой експерименти. Просто казано, колкото по-висок е FR, толкова по-голям е потенциалът за динамична и успешна практика на Data Science.

Някои ръководители на Data Science ще оспорят валидността на FR като показател за успех и от моя гледна точка това е така, защото лидерите на Data Science, често не-Data Scientists, бъркат Data Science с Analytics. Това са две различни практики и като такива организациите трябва да се пазят от натоварването на специалистите по данни с прославени проблеми с Анализа. Това прави две неща, фокусира креативен, фокусиран върху абстракцията ресурс върху основното възстановяване на човешките ментални модели и процеси, често натоварени с грешки и неефективност, вместо това фокусира Data Scientists върху това, което Набоков нарече „невидимите връзки между нещата“.

Ето 10 начина за изграждане на динамичен, променящ границите екип за Data Science:

  1. Наемайте и популяризирайте лидери, които са специалисти по данни и са свършили работата и които разбират как работи експерименталният цикъл, интересуват се от открития, а не просто от повтаряне на статуквото с нови инструменти или модели.
  2. Насърчавайте провала. Изградете увереност и устойчивост в екипа чрез предприемачески и широк обхват.
  3. Фокусирайте се върху „невидимите връзки“, а не върху видимите самоукрепващи се умствени модели.
  4. Наемайте за творчество, а не за дипломи или умения за програмиране. Един креативен учен по данни ще види неща, които другите никога не могат да видят, и ще разреши проблеми, които наистина се движат с игла. Търсете членове на персонала, които имат алтернативен възглед за системите и света, които са поемали рискове в собствения си живот срещу наемане на докторанти и други личности, които са следвали твърди, линейни пътеки с малко или никакъв опит извън кутията.
  5. Измерете процента си на неуспех и използвайте FR като показател за успех.
  6. Дайте на вашия специалист по данни достъп до всички данни и ресурси.
  7. Направете своя екип по Data Science основен приоритет и възложете сътрудничество от бизнес звената.
  8. Имайте холистична стратегия.
  9. Насърчавайте креативността и мисленето извън кутията. Смятам, че креативността е умение номер едно за всеки Data Scientist, тя е разликата между човек, който премества границите, и просто още един анализатор или програмист.
  10. Разберете Data Science не е просто възпроизвеждане/подобряване на текущи ментални модели и процеси с помощта на Python и ускорени изчисления. Екипите за наука за данни и машинно обучение трябва да бъдат агенти на радикална промяна, натоварени с революционизиране, шокиране и подобряване на цялата нервна система на една организация.

Забележка: Всички позиции и мнения в тази статия са позиция и изследване само на автора и не се приписват на свързани с автора компании, работодатели, групи или организации.