DataScience SG Meetup - Panel On the Different Roles in Data
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.
DataScience SG Meetup — панель о разных ролях в работе с данными
[ datascience career ] · 4 мин чтения
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.
Учитывая, что встреча проходила в четверг вечером, явка была отличной: более 200 человек пришли в аудиторию Google, чтобы послушать дискуссию и задать интересные вопросы.
Со страницы митапа:
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.
Участники панели
У нас собралась отличная группа панелистов из разных компаний и с разными ролями:
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.
Ключевые выводы
Вот краткое изложение ключевых обсуждённых моментов
Необходимые навыки в работе с данными:
Логическое мышление и понимание того, как движутся данные. Коммуникация (в терминах влияния на бизнес). Базовое программирование (SQL, Python). Базовая статистика и machine learning.
Большинство панелистов мотивированы возможностью создавать реальное влияние через свою работу, тогда как утомительная документация для многих оказалась демотивирующей (lol).
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).
Личностные качества, связанные с успехом в работе с данными (и, пожалуй, в любых ролях):
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.
Чтобы получить собеседование
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.
Как понять, чего вам не хватает и что нужно изучить?
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?)
Видео, часть 1
Видео, часть 2
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/} }
Присоединяйтесь к 11 800+ читателям, которые получают обновления о machine learning, RecSys, LLM и инженерии.