数据科学难在实践，有哪些弯路可以不走？
|
为了防止或解决这些问题，我们必须接受DevOps模式的基本原则：
关于承诺 决策是任何公司成功的核心。因此，在引入数据科学时，，整个公司，包括所有的领导层和部门，都需要接受并重视。 运用数据科学进行自动化决策是价值流的重要组成部分。这很可能意味着，你需要改变既定的流程，重组团队，重新考虑公司的组织架构。 此外，想要成功执行这些措施，你需要获得必要的认可。每个人都需要知道为什么会有这些改变，并且还要支持这些决策。如果没有这种诚挚的诺言，自动化决策就不可能会成功执行。 相关链接： https://www.datascience.com/blog/stakeholder-buy-in-for-data-science-product 反过来，你的数据科学工作必须着重于真正的附加值：一个是需要评估执行成本，包括技术债务成本、复杂性的累积、纠结的增加等;另一方面也要将其与改进后的预期收益进行比较。 数据科学从来不是一个以自我为目标的团队。 相关链接：https://www.datascience.com/blog/agile-data-science) 拆除数据科学的自我壁垒 DevOps的一个关键目标就是使团队团结以实现公司的共同目标，并且也要拆毁不同团队之间的壁垒。因为，如果把数据科学家分到一个单独的小组，安排在一个单独的房间里，这将会是一条通往失败的必经之路。 相关链接： https://www.datascience.com/blog/centralized-data-science 相反，如果我们将数据科学家安排到一个跨职能的团队中，这将有助于构建一个端到端的完整决策系统，并有助于使其工作与公司目标保持一致。一旦每个部门都连接起来，数据科学家的工作就不会与其他部门相矛盾。 相反，这种决策系统的成功将变成公司的共同利益。以共同努力为特点的整体优化就能够实现一个共同目标，这将会取代以自我为中心和不一致的目标为特征的局部优化。 这个跨职能团队和其他的团队一样致力于相同的质量标准，在质量、弹性或稳健性方面没有任何妥协的余地。 相反，由于自动化决策具有较高的风险，我们需要采用更高的标准。同时，遵循“精益思想”的方法，创造一个既便宜又安全的实验环境。 用奥卡姆剃刀与贪婪作斗争 有一个解决问题的原则叫做奥卡姆剃刀(Occam’s razor)，也就是：“在相互竞争的假说中，应该选择假设最少的。”在数据科学领域，我们可以将这个原则重新表述为： 如果两个数据科学模型的结果是兼容的，那么就采用资源覆盖面较小的模型。 这条简单的规则为我们提供了如何建立数据科学模型的明确指导，解决了数据科学固有的贪婪性问题。 如果不测量生成值并在整个实现周期中应用此原则，您可能会面临成本激增，回报有限的问题。 相关链接： https://www.datascience.com/blog/lessons-from-a-canceled-data-science-project 所以，必须要确保数据科学家致力于这一重要原则，因为与数据科学家对抗是非常困难的。他们有数据和专业知识来提出难以提出异议的论点。 创造一种尽可能简单的，但又失必要的复杂的效率文化。 这同样适用于不同数据源的使用。在数据安全领域，有一个“需要知道”(need to know)的原则，即只有需要访问的人才能访问数据。 也就是在数据科学的应用中，我们需要衡量所额外添加的数据源的价值，如果改进不够显著，无法证明额外数据的相关性，那么就要严格清除这些数据源。 结语 数据科学也就是用来支持和自动化决策的。对大多数公司来说，这变得比以往任何时候都重要。由于它是一个决策系统，所以必须成为业务流程的核心。这一事实带来了一系列严重的问题，特别是文化性质的问题，可能是灾难性的。 没有诚意的尝试往往会导致时间和金钱的浪费，同时还加重了数据科学作为麻烦制造者的声誉。 将数据科学进行合理的整合是一个不可忽视的转折点。用DevOps模式来接受数据科学，测量重要的KPIs，从实验中学习，并不断改进流程。这是一条真正成为数据驱动公司的道路。 作者Twitter： https://twitter.com/sebineubauer 相关报道： https://www.datascience.com/blog/why-is-it-so-hard-to-put-data-science-in-production 【本文是51CTO专栏机构大数据文摘的原创译文，微信公众号“大数据文摘（ id: BigDataDigest）”】 戳这里，看该作者更多好文 【编辑推荐】
点赞 0 （编辑：三明站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
