Cosa diresti che fai qui?
Ora che molti di noi stanno tornando in ufficio e si stanno rimettendo in moto dopo una pausa invernale, ho riflettuto un po’ sulla relazione tra le funzioni di machine learning e il resto del business. Mi sono sistemato nel mio nuovo ruolo in DataGrail da novembre e mi ha ricordato quanto sia importante per i ruoli di machine learning sapere cosa sta effettivamente facendo l’azienda e di cosa ha bisogno.
I miei pensieri qui non sono necessariamente rilevanti per tutti i professionisti dell’apprendimento automatico: i ricercatori puri tra noi probabilmente possono andare avanti. Ma per chiunque abbia un ruolo nel machine learning al servizio di un’azienda o di un’organizzazione, invece di promuovere l’apprendimento automatico fine a se stesso, penso che valga la pena riflettere su come interagiamo con l’organizzazione di cui facciamo parte.
Con questo intendo dire: perché qualcuno ha deciso di assumere le tue competenze qui? Perché è stato richiesto un nuovo organico? Le nuove assunzioni non sono economiche, soprattutto quando si tratta di ruoli tecnici come il nostro. Anche se stai ricoprendo un ruolo per qualcuno che se n’è andato, non è garantito che ciò accada di questi tempi, e probabilmente c’era un bisogno specifico. Che cosa è stato fatto al titolare della borsa che qualcuno con capacità di apprendimento automatico avesse bisogno di essere assunto?
Puoi imparare molte cose utili esaminando questa domanda. Per prima cosa, quali sono i risultati ideali che le persone si aspettano di vedere avendoti intorno? Vogliono che si realizzi un po’ di produttività basata sulla scienza dei dati o sull’apprendimento automatico e può essere difficile soddisfare tali aspettative se non sai cosa sono. Da questa domanda puoi anche imparare qualcosa sulla cultura aziendale. Una volta che si sa quale sarebbe stato il valore, secondo loro, dell’introduzione di un nuovo organico di ML, è realistico pensare al contributo che il ML potrebbe apportare?
Oltre a queste aspettative in cui ti stai imbattendo, dovresti creare le tue opinioni indipendenti su ciò che il machine learning può fare nella tua organizzazione. Per fare questo, devi dare un’occhiata al business e parlare con molte persone in diverse aree funzionali. (In effetti, questo è qualcosa a cui passo molto tempo in questo momento, poiché sto rispondendo a questa domanda nel mio ruolo.) Cosa sta cercando di fare l’azienda? Qual è l’equazione che credono porterà al successo? Chi è il cliente e qual è il prodotto?
Un po’ tangenzialmente a questo, dovresti anche informarti sui dati. Di quali dati dispone l’azienda, dove si trova, come viene gestita, ecc. Sarà molto importante per te valutare accuratamente su quale tipo di iniziative dovresti concentrare la tua attenzione in questa organizzazione. Sappiamo tutti che disporre di dati è un prerequisito per poter fare scienza dei dati e se i dati sono disorganizzati o (che Dio ti aiuti) del tutto assenti, allora devi essere tu a parlare alle parti interessate di quali siano le ragionevoli aspettative sono per obiettivi di machine learning alla luce di ciò. Ciò rientra nel tentativo di colmare il divario tra la visione aziendale e la realtà del machine learning e talvolta viene trascurato quando tutti vogliono essere a pieno ritmo nello sviluppo di nuovi progetti.
Una volta che hai un’idea di queste risposte, devi portare sul tavolo le prospettive su come gli elementi della scienza dei dati possono aiutare. Non dare per scontato che tutti sappiano già cosa può fare il machine learning, perché quasi certamente non è così. Altri ruoli hanno le proprie aree di competenza ed è ingiusto presumere che conoscano anche le complessità dell’apprendimento automatico. Questa può essere una parte davvero divertente del lavoro, perché puoi esplorare le possibilità creative! C’è qualche accenno a un problema di classificazione da qualche parte o a un compito di previsione che aiuterebbe davvero qualche dipartimento ad avere successo? C’è una grande pila di dati depositata da qualche parte che probabilmente ha un potenziale di comprensione utile, ma nessuno ha avuto il tempo di scavarci dentro? Forse un progetto di PNL è in attesa tra un mucchio di documentazione che non è stata tenuta in ordine.
Comprendendo l’obiettivo dell’azienda e il modo in cui le persone si aspettano di raggiungerlo, sarai in grado di creare collegamenti tra l’apprendimento automatico e tali obiettivi. Non è necessario avere una soluzione miracolosa che risolva tutti i problemi dall’oggi al domani, ma avrai molto più successo integrando il tuo lavoro con il resto dell’azienda se riesci a tracciare una linea da ciò che vuoi fare all’obiettivo a cui tutti stanno lavorando.
Questa può sembrare una domanda di sinistra, ma nella mia esperienza è molto importante.
Se il tuo lavoro non è in linea con l’azienda E non è compreso dai tuoi colleghi, verrà utilizzato in modo improprio o ignorato e il valore a cui avresti potuto contribuire andrà perso. Se leggi regolarmente il mio articolo, saprai che sono un grande sostenitore dell’alfabetizzazione in scienza dei dati e che credo che i professionisti di DS/ML abbiano la responsabilità di migliorarla. Parte del tuo lavoro è aiutare le persone a capire cosa crei e come questo le aiuterà. Non è responsabilità del reparto Finanza o Vendite comprendere l’apprendimento automatico senza ricevere un’istruzione (o “abilitazione”, come molti dicono in questi giorni), è tua responsabilità portare l’istruzione.
Questo potrebbe essere più semplice se fai parte di un’organizzazione ML relativamente matura all’interno dell’azienda: si spera che questa alfabetizzazione sia stata seguita da altri prima di te. Tuttavia, non è una garanzia e anche le funzioni ML più grandi e costose all’interno delle aziende possono essere isolate, isolate e indecifrabili per il resto dell’azienda: una situazione terribile.
Cosa dovresti fare a riguardo? Esistono diverse opzioni e dipende molto dalla cultura della tua organizzazione. Parla del tuo lavoro in ogni occasione e assicurati di parlare a un livello comprensibile per i non addetti ai lavori. Spiega le definizioni dei termini tecnici non solo una ma molte volte, perché queste cose sono impegnative e le persone avranno bisogno di tempo per imparare. Scrivi la documentazione in modo che le persone possano farvi riferimento quando dimenticano qualcosa, in qualunque wiki o sistema di documentazione utilizzato dalla tua azienda. Offriti di rispondere alle domande e sii sinceramente aperto e amichevole al riguardo, anche quando le domande sembrano semplicistiche o fuorvianti; tutti devono iniziare da qualche parte. Se hai un livello base di interesse da parte dei colleghi, puoi impostare opportunità di apprendimento come pranzo e apprendimento o gruppi di discussione su argomenti correlati al ML più ampi rispetto al tuo particolare progetto del momento.
Inoltre, non è sufficiente spiegare semplicemente tutte le cose interessanti dell’apprendimento automatico. Devi anche spiegare perché i tuoi colleghi dovrebbero interessarsene e cosa ha a che fare con il successo dell’azienda nel suo complesso e con quello dei tuoi colleghi individualmente. Cosa sta portando sul tavolo il machine learning per semplificare il loro lavoro? Dovresti avere buone risposte a questa domanda.
Ho in qualche modo inquadrato questo argomento come come iniziare in una nuova organizzazione, ma anche se lavori sull’apprendimento automatico nella tua azienda da qualche tempo, può comunque essere utile rivedere questi argomenti e dare un’occhiata a come vanno le cose. Rendere efficace il tuo ruolo non è un affare una tantum, ma richiede cura e manutenzione continue. Tuttavia, diventa più facile se continui a farlo, perché i tuoi colleghi impareranno che l’apprendimento automatico non fa paura, che può aiutarli con il loro lavoro e i loro obiettivi e che il tuo dipartimento è utile e collegiale invece di essere oscuro e isolato.
Per ricapitolare:
- Scopri perché la tua azienda si è affidata al machine learning e interroga le aspettative alla base di tale scelta.
- Comprendere cosa fa l’azienda e i suoi obiettivi è fondamentale per svolgere un lavoro che contribuirà all’attività (e ti manterrà rilevante).
- Devi aiutare le persone a capire cosa stai facendo e come questo li aiuta, perché magicamente non lo capiranno automaticamente.
Fonte: towardsdatascience.com
