rss_feedEugene Yan ·17.01.2019 open_in_newОригинал

DataScience SG Meetup - Panel On the Different Roles in Data

#Career Advice #Data Science #Hiring

auto_awesomeКраткое саммари

Юджин Ян рассказывает о своём участии в панельной дискуссии DataScience SG в Сингапуре, посвящённой разным ролям в области данных: data scientist, ML engineer, data engineer, data analyst и AI researcher. На встречу в аудитории Google пришло более 200 человек, а среди спикеров были коллеги из NTUC, Agilent Technologies и Rakuten Institute of Technology. В качестве ключевых навыков названы логическое мышление, коммуникация с фокусом на бизнес-импакт, базовое программирование (SQL, Python) и основы статистики и машинного обучения. Среди важных личных качеств — любопытство, настойчивость и скромность, а непрерывное самообучение признано обязательным даже после MOOC и буткемпов. Для получения собеседования рекомендуется собирать портфолио, писать, выступать на митапах и искать ментора на два-три шага впереди вас.

translate EN + RU EN RU

eugeneyan

Start Here Writing Speaking Prototyping About

DataScience SG Meetup - Panel On the Different Roles in Data

DataScience SG Meetup — панель о разных ролях в работе с данными

[ datascience career ] · 4 min read

[ datascience career ] · 4 мин чтения

I was recently invited by DataScience SG to join a panel discussing the various roles in data (e.g., data scientist, machine learning engineer, data engineer, data analyst, etc.) They were looking for someone who had experience hiring across the different roles and I was happy to share my experience.

Недавно DataScience SG пригласил меня поучаствовать в панельной дискуссии о различных ролях в области данных (например, data scientist, machine learning engineer, data engineer, data analyst и т. д.). Организаторы искали человека с опытом найма на разные позиции, и я с удовольствием поделился своим опытом.

Considering that it was a Thursday night, it was a great turnout where >200 people showed up at Google’s Auditorium to attend and ask great questions.

Учитывая, что встреча проходила в четверг вечером, явка была отличной: более 200 человек пришли в аудиторию Google, чтобы послушать дискуссию и задать интересные вопросы.

From the meetup page:

Со страницы митапа:

Ever wondered what the different data roles like AI researcher, data scientist, big data engineer, machine learning engineer, and data analyst entail? What are skills needed to join their ranks? What role is suitable for you? Let us kick off 2019 with a panel of great data people to answer your burning questions about the data industry and what it takes to have a successful data career.

Вы когда-нибудь задумывались, чем занимаются разные специалисты по данным — AI researcher, data scientist, big data engineer, machine learning engineer и data analyst? Какие навыки нужны, чтобы попасть в их ряды? Какая роль подходит именно вам? Давайте откроем 2019 год панелью с замечательными людьми из мира данных, которые ответят на ваши животрепещущие вопросы об индустрии и о том, что нужно для успешной карьеры в data.

Panellists

Участники панели

We had an amazing group of panellists from different companies and roles:

У нас собралась отличная группа панелистов из разных компаний и с разными ролями:

Eugene (that’s me; I won’t introduce myself here)

Jaideep: An ML Engineer at NTUC. He works with data scientists in productionising ML models. Prior to that he worked as a data engineer in Lazada. In Lazada he worked on creating the data ingestion pipelines and later worked as an ML engineer for the onsite ad project.

Michael: A Business Intelligence and Data Analyst from Agilent Technologies where he drives BI solutions to deliver insights to internal stakeholders. Prior to this, he worked in market research providing consumer insights to tech clients worldwide.

Weina: A Research Scientist in Rakuten institute of Technology Singapore who has working experience in recommender systems, customer churn prediction and retention improvement, data-based investment, and deep learning-based classification.

Koo (moderator): An experienced Data Scientist/Analytics Instructor with an MBA degree & 12+ years of relevant experience. Personal research interest in using Data Science to make organizations become efficient & effective and assisting more people to understand & pursue Data Science.

Eugene (это я; представляться отдельно не буду) Jaideep: ML Engineer в NTUC. Работает с data scientist-ами над выводом ML-моделей в продакшен. До этого был data engineer-ом в Lazada, где занимался созданием пайплайнов загрузки данных, а позже работал ML-инженером в проекте onsite-рекламы. Michael: специалист по Business Intelligence и Data Analyst в Agilent Technologies, где он развивает BI-решения и предоставляет инсайты внутренним стейкхолдерам. До этого занимался маркетинговыми исследованиями, поставляя потребительские инсайты технологическим клиентам по всему миру. Weina: Research Scientist в Rakuten Institute of Technology Singapore с опытом работы в области рекомендательных систем, прогнозирования оттока клиентов и улучшения удержания, инвестиций на основе данных и классификации на базе deep learning. Koo (модератор): опытный Data Scientist и преподаватель аналитики со степенью MBA и более чем 12-летним релевантным опытом. Личный исследовательский интерес — применение Data Science для повышения эффективности организаций и помощь большему числу людей в изучении и освоении Data Science.

Key Takeaways

Ключевые выводы

Here’s a summary of the key points discussed

Вот краткое изложение ключевых обсуждённых моментов

Essential skills in data:

Необходимые навыки в работе с данными:

Logical thinking and understanding of how data flows

Communication (in terms of business impact)

Basic programming (SQL, Python)

Basic statistics and machine learning

Логическое мышление и понимание того, как движутся данные. Коммуникация (в терминах влияния на бизнес). Базовое программирование (SQL, Python). Базовая статистика и machine learning.

Most panellists were motivated by being able to create an impact through work while tedious documentation was someone de-motivating (lol).

Большинство панелистов мотивированы возможностью создавать реальное влияние через свою работу, тогда как утомительная документация для многих оказалась демотивирующей (lol).

Even after moocs, bootcamps, and formal education programs, continuous self-learning is essential in order to improve and keep up with the rapid industry advancements. The internet is abundant with resources for self-learning such as moocs, youtube videos, and great articles (Some suggested resources here).

Даже после MOOC, буткемпов и формального образования непрерывное самообучение остаётся необходимым, чтобы расти и идти в ногу с быстрым развитием индустрии. Интернет полон ресурсов для самообразования: MOOC, видео на YouTube и отличные статьи (некоторые рекомендуемые ресурсы здесь).

Personality traits associated with success in data (and arguably all roles):

Личностные качества, связанные с успехом в работе с данными (и, пожалуй, в любых ролях):

Curiosity: Of data, new methodology and technology, and various business problems. This drives learning and levelling up.

Persistence: Data science is partly research and thus has failed experiments. Anything involving technology and building software and systems will have bugs that need debugging. Grit helps push you through the tough times.

Humility: Knowing that you don’t know everything and being willing to consult with data domain experts, research and apply existing literature, and being open to feedback.

Любопытство: к данным, новым методологиям и технологиям, к различным бизнес-задачам. Это двигатель обучения и роста. Настойчивость: data science — это отчасти исследование, а значит, неудачные эксперименты неизбежны. Всё, что связано с технологиями и созданием софта и систем, неизбежно содержит баги, которые нужно отлаживать. Стойкость помогает пройти через трудные времена. Скромность: понимание того, что вы знаете не всё, готовность консультироваться с экспертами в предметной области, изучать и применять существующую литературу и быть открытым к обратной связи.

To get an interview

Чтобы получить собеседование

Having a portfolio helps demonstrate how you’re able to apply your knowledge and skills to build a useful data product

You can write (this is partially why this site exists), share at meetups and conferences, or build your own website

Портфолио помогает показать, как вы умеете применять свои знания и навыки для создания полезного продукта на данных. Можно писать (отчасти именно для этого существует этот сайт), выступать на митапах и конференциях или сделать собственный сайт.

How do you know what you’re lacking / need to learn?

Как понять, чего вам не хватает и что нужно изучить?

One most direct way is to find a mentor who is two-three steps ahead of you and track their career path.

What steps did they take? What did they have to demonstrate?

Invite them for coffee and ask them about it (e.g., What did you demonstrate to land your first data role? Of the good data scientists you know, what key skills make them effective?)

Один из самых прямых способов — найти ментора, который на два-три шага опережает вас, и проследить его карьерный путь. Какие шаги он предпринимал? Что ему пришлось продемонстрировать? Пригласите его на кофе и расспросите (например: что вы продемонстрировали, чтобы получить свою первую роль в data? Какие ключевые навыки делают эффективными тех хороших data scientist-ов, которых вы знаете?)

Video Part 1

Видео, часть 1

Video Part 2

Видео, часть 2

If you found this useful, please cite this write-up as:

Если этот материал оказался полезен, пожалуйста, цитируйте его так:

Yan, Ziyou. (Jan 2019). DataScience SG Meetup - Panel On the Different Roles in Data. eugeneyan.com. https://eugeneyan.com/speaking/different-roles-in-data-talk/.

или

@article{yan2019roles, title = {DataScience SG Meetup - Panel On the Different Roles in Data}, author = {Yan, Ziyou}, journal = {eugeneyan.com}, year = {2019}, month = {Jan}, url = {https://eugeneyan.com/speaking/different-roles-in-data-talk/} }

Join 11,800+ readers getting updates on machine learning, RecSys, LLMs, and engineering.

Присоединяйтесь к 11 800+ читателям, которые получают обновления о machine learning, RecSys, LLM и инженерии.