데이터 과학의 토론이'협동'에서'구조화'로 변화하는 이유

협력은 데이터 과학을 성공시키는 데 없어서는 안 될 요소이지만 세계적인 일관 위기로 인해 세계의 데이터 팀의 역량 관계가 급속히 변화하여 한순간에 원격 지역의 데이터 과학 프로젝트를 운영하지 않으면 안 된다(진행 중인 것과 아직 시작하지 않은 것)이 개념은 주목을 받았다.
→'데이터+AI의 활용 구조화'완전판 획득한 이북(영어)
이 블로그는 체제화가 데이터 과학 합작의 미래라는 이유와 구조화에 힘쓰지 않으면 뒤떨어질 수 있는 몇 가지 이유를 소개했다.

구조화는 새로운 상식(그리고 AI의 성숙도를 높이기 위해 없어서는 안 될 요소)

조직화된 데이터와 AI 활용이란 데이터와 AI를 모든 곳, 모든 사람에게 침투시키고 프로세스와 기술을 깊이 침투시켜 조직의 모든 부분을 이 기초 위에서 목표를 달성하는 것이다.조직은 데이터, 분석, AI의 과정과 능력 측면에서 협업 데이터 과학 분야에 머물면 이렇게 광범위하고 심오한 수준에 도달할 수 없다.혼합 데이터 과학은 다음과 같은 내용을 가리킨다.

데이터 과학의 전체 작업 절차의 조정.이는 기존 데이터 과학의 원시 데이터→모델링→인사이트에 없는 과정에서의 업무 절차(셀프 서비스형의 모방과 이전의 비즈니스 정보 등)를 생략했다는 뜻이다.

데이터 과학의 생산성과 실용성을 향상시킨다. 핵심 데이터 과학팀은 유효하지만 일반 사용자는 적용되지 않는다.

데이터 과학과 엔지니어 등 기술자 간의 과정을 추진한다.이것은 유용하지만, 최종적으로 분석원과 비즈니스 테마 전문가 등 비기술자를 포함해야 한다.

데이터 과학의 협력은 누구나 각자의 재능을 발휘하여 데이터 프로젝트에 기여할 수 있는 좋은 출발점이지만, 팀의 결과를 얻기 위해서는 그 기초 위에서 진일보한 구조를 구축할 필요가 있다.데이터과학 등 센터팀은 AI를 활용해 개발하는 것이 아니라 AI가 비즈니스의 일부가 되기 위해서는 일상 업무에 깊이 들어가 이를 연계해야 한다.구조화가 불가결하거나 부족한 것은 AI 제작, 즉 사람과 AI 기술이 협력하여 성능을 향상시키는 것이다.10대에서 1000대로 전환 더 많은 사람이 AI를 사용할 수 있도록 조직화가 허상이 됐다.

합작 플랫폼과의 합작 이상 필요

우리는 팀 AI 플랫폼이 현재의 기술(프로그래밍 언어, 버전 관리의 기릿, 머신러닝 모델 라이브러리 등)과 단순히 결합하지 말아야 한다고 말하는 것이 아니라 반대로 그렇게 해야 한다고 생각한다.또 슬랙과 Microsoft Teams 등 다른 협력 플랫폼도 간단하게 협업할 수 있을 것으로 보인다.
하지만 그것만은 아니다.그건 모델 개발이 시작되기 전에.데이터 과학팀과 의사결정자 간에 조직적인 조정이 있는지 여부(즉, 상업 문제는 상업 전문가와 데이터 과학자가 공동으로 해결하는 현실적/실행 가능한 것인가? 명확한 가치 노선이 있는가? 리스크는 어떠한가? 데이터 프로젝트 이후 상업이 과정과 결과에 대한 측정은 어떻게 변경될까?)이렇게 하면 데이터팀은 모델을 채택한 결과를 확보하고 비즈니스에 구체적인 영향을 미치기 시작할 수 있다.그리고 육안으로 볼 수 없는 장점으로 주요 이해관계자들은 AI 프로젝트에 주력하는 팀에 자신감과 신뢰를 갖게 된다.

그것은 이미 필요조건이다

구조화는 미래의 과제로 특히 생산성과 부서를 초월한 협력을 실천하는 데 중요하다.여기에 기능 없는 협업 실천이 어떤 형식으로 나타났는지 소개합니다(전체 목록은 EBOOK을 통해 확인하세요).

팀 내와 팀 간의 실제 소통 부족을 보완하기 위해 교류 소재 구축에 너무 많은 시간을 들였다.그 결과 업무와 비즈니스에 영향을 미치는 내용에 걸리는 시간이 줄어들었다.

적당한 데이터를 찾고 자산을 분석하는 데 상당한 시간을 들였다(예를 들어'누가 최신 연도 분석을 했는지 기억하십니까?').

프로젝트를 정식으로 이관할 때 상업자로부터 온 서류나 관계자가 없기 때문에 간극이 생길 수 있다.

당신에게 좋은 점은?

아마도 당신은 이미 이상의 내용을 이해했을 것입니다. 그러나 왜 구조화를 진행해야 하는지는 저와 제 담당자에게 더 좋을 것입니다.
위에서 말한 바와 같이 데이터 과학의 협력은 없어서는 안 되지만 이것은 전체(데이터와 AI의 구조화를 의미한다)의 일부분이다.데이터 과학 분야 협력은 어디에나 있는 것이 아니라 프로젝트에 참여하기 전에 팀워크로 협의해 계획을 세워야 한다.구조화가 조직에 의미가 있는지 판단할 때 자문해야 할 문제점을 소개한다.

협력 자체는 기술자 간의 진행을 순조롭게 하기 위한 것이지만 분석가와 다른 비기술자도 참가할 필요가 있습니까?

데이터 과학의 전체 작업 절차의 조정은 매우 훌륭하지만 벌집 서비스 자원과 전통적인 상업 정보 등 다른 분석 과정도 작용해야 합니까?

데이터 과학팀과 센터 회의를 제외한 사람들도 데이터를 사용하여 생산성과 조화로운 행동을 할 책임이 있다고 생각합니까?

각 팀의 구성원들이 토론과 데이터 프로젝트에 대한 단일한 장소가 있다면 생산성이 높아질 것이라고 생각합니까?

사용자 정의 계기판과 응용 프로그램을 사용하여 다른 사용자와 비즈니스 인원에게 데이터 프로젝트에서 얻은 정보를 공개하고 공유하는 것이 중요하다고 생각합니까?
상술한 모든 대답이'네'라고 하는 사람은 유일한 방법은 구조화이다.

결국 모든 팀, 과정, 도구가 잘 결합되지 않으면 조직의 결함과 생산성에 영향을 미칠 수 있다.모방성과 AI의 협력과 관련해서는 조직이 어느 단계에 있는지에 따라 성숙도가 다르지만, 구조화, 워크플로우 합리화 확보를 위해 인사이트 공유, 수준 높은 실용성 추가로 시간 절약이 양보할 수 없다는 것이다.
데이터와 AI의 활용 메커니즘화를 위한 유일한 플랫폼'Dataiku'의 이유
협동형 데이터 과학을 뛰어넘을 때가 왔다.이 EBOOK에서는 조직의 성공을 위해 데이터와 AI의 조합 이유를 배우기 위해 Dataiku와 같은 플랫폼을 사용해야 한다.
→ EBOOK(영어) 다운로드여기.
번역문: Why the Conversation Is Shifting From Collaborative Data Science to Systemization