Şu yazıyı okuyorsunuz: Veri Yarışları: Açıklanıyor: Yapay Zekaya Doğru
İlk olarak dünyanın önde gelen yapay zeka ve teknoloji haber ve medya şirketi Towards AI’da yayınlandı. Yapay zeka ile ilgili bir ürün veya hizmet yaratıyorsanız sizi yapay zeka destekçisi olmayı düşünmeye davet ediyoruz. Towards AI’da yapay zeka ve teknoloji girişimlerinin ölçeklenmesine yardımcı oluyoruz. Teknolojinizi kitlelere ulaştırmanıza yardımcı olalım.
Veri Yarışları: Karşılaştırma Açıklaması
Yakın zamanda veri bilimi alanındaki işlere başvurdum ve unvanlar ve açıklamalar farklı olsa da beceri setleri ve sorumluluklar aynıydı. Bazen tam tersi olur. Çok fazla kafa karışıklığı yaratmadan roller arasındaki benzerlikleri, farklılıkları ve geçişleri belirlemeye karar verdim.
Yalnızca yeni gelenlerin değil, aynı zamanda sahada bir süredir çalışmış olanların da verilerle ilgili kariyer manzarası konusunda kafaları karışıyor.
Yeni gelenlere gelince, veri alanına bir şekilde katılmak isteyen insanlardan aldığım taleplerde, bunların nasıl uyum sağlayacağını anlamak için nelerin bilinmesi gerektiği konusunda genel bir anlayış eksikliği olduğunu fark ettim. Verilerdeki beş farklı kariyere bakacağız ve nasıl başlayacağınıza dair bazı ipuçları sunmayı umuyoruz.
İlave karmaşıklık katmanları eklemekten kaçınmak için araştırma rollerine değil sektör rollerine odaklanacağız. Kariyerinizde bu pozisyonun bir seçenek olduğunu düşündüğünüz bir noktadaysanız muhtemelen bu makaledeki bilgilere ihtiyacınız yoktur. Bu nedenle veri sorumlusu gibi yönetici düzeyindeki işleri dışarıda bırakacağız.
Yaygın veri bilimi kullanım örnekleri
Veri, günümüz iş dünyasının yeni para birimidir ve eğer iyi kontrol edilirse, hızla rekabet avantajına dönüşebilir. Giderek daha fazla şirket, geliri artırmak, satışları tahmin etmek ve maliyetleri yönetmek için veri uzmanlarını işe alıyor.
Nesnelerin İnterneti (IoT), mobil uygulamalar ve yapay zeka, büyük veri çözümlerini küçük ve orta ölçekli işletmelerin kullanabileceği kadar basit hale getirdi. Şirketlerin verimliliği artırmak ve daha iyi kararlar almak için büyük veri analitiğini kullanmalarının birkaç yolu vardır.
- Segmentasyon: Müşterilerinizi gruplara veya kümelere bölerek müşteri segmentasyonu veya gruplandırma veri bilimi ile yapılabilir. Satış söz konusu olduğunda ve pazarlamaodaklanmış, kişiselleştirilmiş yaratmanıza olanak tanıdığından önemli olabilir pazarlama Satışları ve dönüşümleri artırmaya yardımcı olabilecek kampanyalar. Veri uzmanları, veri noktalarını kümelemek için K-means gibi makine öğrenimi araçlarını kullanır.
- Tahmin: Şirketler gelecekteki satışları tahmin etmek amacıyla tahmine dayalı modeller geliştirmek için veri biliminden yararlanıyor. Geçmiş verilere dayanarak satışları tahmin etmeye çalışıyorlar. Ek olarak veri bilimi, promosyonlara ve mevsimsel etkilere dayalı olarak gelecekteki günlük anlaşmaları tahmin eder.
- Öneriler: İşletmeniz için hayati önem taşıyorsa Netflix, Spotify ve hatta Amazon gibi bir öneri sistemi geliştirebilirsiniz. Bir müşterinin bir ürünü satın alma olasılığını tahmin eden ve çapraz satış stratejisi olarak başka ürünler öneren bir öneri sistemi uygulayarak satışları artırabilir ve müşterilerinizin ilgisini çekebilirsiniz.
A. Veri analisti
Veri analisti yalnızca içgörülere ve verilerin sunumuna odaklandığını görselleştirir.
Veri analistleri yalnızca tanımlayıcı istatistiksel analiz ve veri sunumuyla ilgilenir. Raporları, gösterge tablolarını, KPI’ları, iş performansı ölçümlerini ve “iş zekası” adı verilen her şeyi içerir. Role benzer şekilde, genellikle hem ilişkisel hem de ilişkisel olmayan veritabanlarının yanı sıra diğer veri çerçeveleriyle etkileşimi (veya bunların sorgulanmasını) gerektirir.
Refleksler: Bir veri analistinin görevinde büyük miktarda veri toplanır, işlenir ve analiz edilir. Verileri işledikten, modelledikten ve raporladıktan sonra, doğruluğundan emin olmak için teknik uzmanlık getiriyorlar; Bu yapıldıktan sonra, insanların, şirketlerin veya kuruluşların daha iyi kararlar alabilmesi için bulgularınızı işleyin, tasarlayın ve sunun.
Geçiş: Bir veri analisti birkaç yıl sonra veri bilimci veya veri mühendisi olabilir.
Sorumluluklar:
- Veri elde etmek için veritabanlarını ve depoları sorgulayın.
- Verileri temizleyin ve filtreleyin.
- Farklı kaynaklardan veri çıkarma ve daha sonra yeni bilgiler bulmak için bunları düzenleme süreci.
- Paneller aracılığıyla bilginin görselleştirilmesi.
B. Veri Mühendisi
Veri mühendisleri, mühendislikten veri yönetimini destekleyen altyapıyı yönetmeye kadar uzanan veri işlem hatlarının itici güçleridir.
Veri altyapısı nasıl tanımlanır? Veriler analiz edilme veya modellenme yolunda olduğundan ve bu analiz veya modellemeden sonra gelen görevler olduğundan, bu yazılım ve depolama çözümleri koleksiyonu, bir veri ambarından veri alınmasına ve belirli bir yoldan (veya bir dizi işlemden) veri işlenmesine olanak tanır. kurslar) ve verileri görevler (aynı zamanda görevlerin kendisi) arasında taşıyabilirsiniz. Bu, verinin kaynağından nihai varış noktasına kadar izlediği yoldur. Veri mühendisi muhtemelen DataOps’a ve bunun veri yaşam döngüsüne nasıl uyum sağladığına aşinadır.
Refleksler: Veri mühendisinin iş tanımı, veri altyapısını ve sistemlerini oluşturan ve bakımını yapan yazılım mühendisi kategorisine girmektedir. Veri mühendisleri, veri analistleri ve veri bilimcileri tarafından kullanılan veri ambarlarını, işlem hatlarını ve veritabanlarını yapılandırır.
Geçiş: Hiç şüphe yok ki veri mühendisi rolü en iyi tanımlanmış olanıdır ve muhtemelen onunla en fazla tutarlılığı göreceksiniz. Bir veri mühendisinin ne yaptığına bir göz atalım. Ancak dikey olarak ilerleyerek kıdemli veri mühendisleri veya veri mimarları olabilirler.
Sorumluluklar:
- ETL (Çıkarma, Dönüştürme ve Yükleme) işlem hatlarını oluşturun ve bakımını yapın.
- Bulut bilişim.
- Büyük veri ve dağıtılmış bilgi işlem çerçeveleri.
- API’leri Oluşturun ve Entegre Edin – En iyi 6 API test aracına buradan göz atın.
- Makine öğreniminin uygulanması ve entegrasyonu.
- İş ihtiyaçlarını karşılamak için büyük ölçekli veritabanları ve işleme sistemleri oluşturun, test edin ve bakımını yapın.
Herhangi bir karşılaştırma var mı?
Kıdemli veri mühendisleri genellikle veri mimarlarıyla karşılaştırılır. İş rolleri arasında farklılık göstererek çoğu beceri ve sorumlulukla örtüşme eğilimindedirler; Bununla birlikte, model dağıtımına veya izlenmesine yardımcı olmak için yakın işbirliği içinde çalışan veri mühendisleri, benzerlerine göre genellikle avantajlıdır.
Maaşlar Veri Mühendisi ve Kıdemli Veri Mimarı için benzerdir (bu blog için Avrupa ve Asya gibi bölgeler dikkate alınmıştır).
C. Veri Bilimcisi
Bazen herkesin kedisi olarak da adlandırılan veri bilimci, bir şirketin doğru soruları sorması, verilerden içgörü elde etmesi ve proaktif eylemler gerçekleştirmek için tahminler üretmesi açısından hayati öneme sahiptir.
Bir mimar ve bir mühendis altyapıyla ilgilenirken, bir analist verilerden tanımlayıcı gerçekleri çıkarmakla ilgilenir. Makine öğrenimi mühendisinin görevi, ortaya çıkan modelleri geniş çapta kullanılabilir hale getirmek ve ileriye gitmek ve verileri tahmine dayalı ve bağıntılı yetenekler için kullanmak üzere mevcut araçları kullanmaktır. Veri bilimci, bu görevi gerçekleştirmek için gereken teknolojiler veya araçlardan bağımsız olarak öncelikle verilerle, ondan çıkarılabilecek bilgilerle ve anlatılabilecek hikayelerle ilgilenir.
Refleksler: Veri bilimcisi, iş sonuçları çıkarmak amacıyla verileri anlamak ve analiz etmek için farklı istatistiksel teknikleri, veri analizi yöntemlerini ve makine öğrenimini birleştiren bir profesyoneldir. Bir veri bilimcisi araştırma, iş veya geliştirmeye odaklanabilir.
Rol Kategorileri:
- misyonu Makine Öğrenimi Araştırmacıları veya Araştırma Bilim Adamları olarak da adlandırılan veri bilimcileri, genellikle yeni makine öğrenimi yöntemlerinin geliştirilmesi veya uygulanması anlamına gelen kendi alanlarını dönüştürmek için çalışırlar. Bilgisayarlı görme ve doğal dil işleme gibi karmaşık problem alanlarının yanı sıra sosyal medya gibi büyük veri problemleri üzerinde de çalışmaktadırlar. Tipik olarak Python’u, derin öğrenme araçlarını ve TensorFlow gibi çerçeveleri kullanacaklar.
- hedefi Şirketlerin verilere dayanarak bilinçli kararlar almasına yardımcı olacak veri bilimcileri. Bu, 1) bir iş sorununu anlamak ve 2) bu sorunu çözmek için verilerin nasıl kullanılacağını bilmek anlamına gelir. Verileri analiz etmek ve sorunları çözmek için genellikle Python gibi komut dosyası dillerini makine öğrenimi, istatistik kitaplıkları ve SQL ile birlikte kullanırlar.
- İLE Veri bilimcisi, veri bilimi süreçlerini ölçeklendirir veya bunlara dayalı uygulamalar oluşturur. İster makine öğrenimi modellerini kullanarak ister büyük verileri işlemek için altyapıyı oluştururken, verilerden geniş ölçekte yararlanmamıza olanak tanıyorlar. Bunlara genellikle makine öğrenimi mühendisleri, veri mühendisleri veya makine öğrenimi geliştiricileri denir.
Sorumluluklar:
Veri bilimcileri çeşitli araçları kullanarak verileri temizler, işler ve değiştirir. Diğer temel sorumluluklar şunları içerir:
- Geçici veri madenciliği gerçekleştirin.
- Hem yapılandırılmış hem de yapılandırılmamış birçok kaynaktan veri toplayın.
- Büyük veriler üzerinde çalışmak için gelişmiş istatistiksel modeller tasarlayın ve değerlendirin; Verileri istatistiksel yöntemlerle yorumlayın.
- Tahmine dayalı modeller ve makine öğrenimi algoritmaları oluşturmak için geçmiş ve güncel verileri kullanma.
- Paydaşlar için raporları ve kontrol panellerini görüntüleme.
Herhangi bir karşılaştırma var mı?
Veri bilimcileri genellikle kıdemli veri analistleri veya veri mühendisleriyle karşılaştırılır. Bunun nedeni, bu üç rolde çeşitli becerilerin örtüşmesidir. Anahtar özellik programlama, veri görselleştirme ve iletişim becerileridir. Bu becerilere hakim olan herkes kariyeri boyunca yatay olarak ilerleyebilir.
Maaşlar, orta düzey veri bilimci/veri mühendisi ve kıdemli veri analisti için benzerdir (bu blog için Avrupa ve Asya gibi bölgeler dikkate alınmıştır).
D. Veri mimarı
Veri mimarı, veri ürününün arkasındaki beyindir. Veri yönetimi ve yönetişimine öncülük ederler.
Bir veri mimarı verileri yönetir ve depolamak ve yedeklemek için altyapıyı oluşturur. Veri analizi söz konusu olduğunda, böyle bir fonksiyonun çok fazla bir şey yapmasına gerek yoktur (performansı ayarlamak için veri ambarını analiz etmenin ötesinde) ve Python ve R muhtemelen gerekli değildir. Ancak ilişkisel ve ilişkisel olmayan veritabanlarını bir uzman gibi bilmeniz gerekecektir.
Dikkat çekmek: Bir mimarın farklı veri türleri için doğru veri depolarını seçmesi ve bunları dönüştürüp yüklemesi gerekir. Veritabanları, veri ambarları ve veri gölleri, veri mimarının aşina olacağı depolama ortamlarıdır. Muhtemelen bu makaledeki herkes arasında, temel olarak depolamayla ilgili olmak üzere donanımla ilgili en fazla bilgiye ve ilişkiye sahip olan ve aynı zamanda bulut bilişim mimarilerini en iyi anlayan kişi olacaktır.
Geçiş: Veri mühendisi rolünün aksine, veri mimarı verilere odaklanırken, veri mühendisi veri hatlarını oluşturur ve sürdürür (aşağıya bakın). Her ne kadar iki rol örtüşse de ETL, özellikle bir mağazadan diğerine verileri dönüştüren veya taşıyan herhangi bir şeydir; bir veri hattı başlatmak.
Sorumluluklar:
Veri mimarları, veri yönetişimini göz önünde bulundurarak veri işlem hatlarının yapısını ve yönetimini tasarlar ve planlar. Diğer temel sorumluluklar şunları içerir:
- İş gereksinimlerine (ETL veya ELT) göre veri hatlarını tasarlayın ve planlayın.
- Hem yapılandırılmış hem de yapılandırılmamış birçok kaynaktan veri toplayın.
- DevOps veya MLOps mühendisine yardımcı olmak için verilerin kolayca izlenebileceği yolları tasarlayın ve değerlendirin.
- Veri işlem hatlarını ve makine öğrenimi modellerini geriye doğru test etmek için simülasyon motorları oluşturma konusunda veri bilimcilerinden ve veri mühendislerinden oluşan bir ekibi destekleyin.
- Güvenlik mühendislerinin yokluğunda, güvenli teknikleri kullanın veya veri uygulamalarını genişletmek için platformlar önerin.
Herhangi bir karşılaştırma var mı?
Veri mimarları bazen baş bilgi sorumluları (CIO’lar) veya baş veri sorumluları (CDO’lar) ile karşılaştırılır. Bunun nedeni, veri projelerini denetlemeleri ve veri mühendisliği ile bilimde güçlü bir temele sahip olmalarıdır.
Maaşlar, kuruluşun büyüklüğüne, yönetim sorumluluğuna ve hiyerarşiye (bu blog için Avrupa ve Asya gibi bölgeler dikkate alınmıştır) bağlı olarak Veri Mimarı ve CIO/CDO için önemli ölçüde farklılık gösterebilir.
Temel çıkarımlar
Yukarıdaki roller için tanımlanmış kurallar ve sorumluluklar olsa da bu, istediğiniz pozisyonun becerisini öğrenmekten ve pratik yapmaktan kaçınabileceğiniz anlamına gelmez. Tüm okuyucularımı fırsatları aramaya ve ilginize bağlı olarak geleneksel dikey kurumsal merdiven yerine yatay kariyer hamlelerini düşünmeye teşvik ediyorum.
Kendimizi bu duruma kaptırmayacağız Bazen bunaltıcı olabileceğinden ve iş kullanım durumlarına bağlı olarak değişiklik gösterebileceğinden listeleyin.
Bu makaleyi beğendiyseniz daha alakalı içerik için beni takip edin. Ayrıca benimle iletişime geçmekten çekinmeyin LinkedInve çekici bir ağın parçası olalım.
Veri Yarışları: Açıklanan ilk olarak Medium’da Towards AI’da yayınlandı; burada insanlar bu hikayeyi vurgulayarak ve yanıtlayarak sohbeti sürdürüyorlar.
Towards AI aracılığıyla yayınlandı
