นักวิทยาศาสตร์ด้านข้อมูล: ยังคงเป็นงานที่เซ็กซี่ที่สุด หากใครจะยอมฟังพวกเขา

จากการสำรวจพบว่ามีโมเดลการเรียนรู้ของเครื่องเพียงประมาณหนึ่งในห้าที่พัฒนาโดยนักวิทยาศาสตร์ข้อมูลเท่านั้นที่สามารถนำไปปรับใช้จริงได้ มีปัญหาอะไร?

บทบาทของนักวิทยาศาสตร์ด้านข้อมูล ผู้ที่ดึงเรื่องราวและค้นพบข้อมูลจากข้อมูล ได้รับการประกาศให้เป็น "งานที่เซ็กซี่ที่สุดแห่งศตวรรษที่ 21" ใน Harvard Business Review เมื่อปี 2012 เมื่อสองปีที่แล้ว ผู้เขียน Thomas H. Davenport และ DJ Patil อัปเดตการคาดการณ์เพื่อสังเกตว่านักวิทยาศาสตร์ด้านข้อมูลกลายเป็นกระแสหลักและมีความสำคัญอย่างยิ่งต่อธุรกิจของพวกเขาในยุคของปัญญาประดิษฐ์และการเรียนรู้ของเครื่องจักร (ML)

บทบาทของงานก็มีการพัฒนาเช่นกัน ส่วนหนึ่งดีขึ้น ส่วนหนึ่งแย่ลง "มีการวางระบบเป็นระบบที่ดีขึ้น ขอบเขตของงานได้รับการกำหนดใหม่ เทคโนโลยีที่งานต้องอาศัยมีความก้าวหน้าอย่างมาก และความสำคัญของความเชี่ยวชาญที่ไม่ใช่ด้านเทคนิค เช่น จริยธรรมและการจัดการการเปลี่ยนแปลง ได้เติบโตขึ้น" Davenport และ Patil ตั้งข้อสังเกต

ในเวลาเดียวกัน นักวิทยาศาสตร์ด้านข้อมูลรายงานว่า "พวกเขาใช้เวลาส่วนใหญ่ในการทำความสะอาดและถกเถียงข้อมูล และยังคงเป็นเช่นนั้น แม้จะมีความก้าวหน้าเล็กน้อยในการใช้ AI เพื่อปรับปรุงการจัดการข้อมูลก็ตาม"

ที่สำคัญกว่านั้นคือ "หลายองค์กรไม่มีวัฒนธรรมที่ขับเคลื่อนด้วยข้อมูล และไม่ใช้ประโยชน์จากข้อมูลเชิงลึกที่ได้รับจากนักวิทยาศาสตร์ข้อมูล" Davenport และ Patil พบ "การได้รับการว่าจ้างและได้รับค่าตอบแทนที่ดีไม่ได้หมายความว่านักวิทยาศาสตร์ด้านข้อมูลจะสามารถสร้างความแตกต่างให้กับนายจ้างได้ ผลก็คือ หลายคนรู้สึกหงุดหงิดและนำไปสู่การลาออกที่สูง"

ผู้คนเคารพนักวิทยาศาสตร์ด้านข้อมูล แต่มีแนวโน้มที่จะไม่ปฏิบัติตามคำแนะนำหรือข้อมูลเชิงลึก การสำรวจล่าสุดของผู้เชี่ยวชาญด้านการวิเคราะห์ 328 คนจาก Rexer Analytics ยืนยันว่า นักวิทยาศาสตร์ด้านข้อมูลเพียง 22% เท่านั้นที่กล่าวว่าความคิดริเริ่มของพวกเขา ซึ่งเป็นแบบจำลองที่พัฒนาขึ้นเพื่อเปิดใช้งานกระบวนการหรือความสามารถใหม่ ซึ่งมักจะนำไปปรับใช้ ตามข้อสังเกตของผู้ร่วมเขียนแบบสำรวจ Eric Siegel อดีตศาสตราจารย์ที่มหาวิทยาลัยโคลัมเบีย และผู้เขียน The AI Playbook ในโพสต์ที่เกี่ยวข้องที่ KDNuggets ผู้ตอบแบบสอบถามมากกว่าสี่ในสิบ หรือ 43% กล่าวว่าโมเดลใหม่ 80% หรือมากกว่านั้นล้มเหลวในการปรับใช้

แม้แต่การปรับแต่งโมเดลที่มีอยู่แล้วก็ไม่ผ่านการรวมตัวในหลายกรณี "ในโครงการ MLทั้งหมด ประเภทต่างๆ รวมถึงโมเดลที่รีเฟรชสำหรับการปรับใช้ที่มีอยู่ มีเพียง 32% เท่านั้นที่บอกว่าโมเดลของพวกเขามักจะปรับใช้" Siegel กล่าวเสริม

มีปัญหาอะไร? ปฏิสัมพันธ์ระหว่างธุรกิจและทีมวิทยาศาสตร์ข้อมูลหรือขาดหายไป ดูเหมือนจะเป็นหัวใจสำคัญของปัญหามากมาย นักวิทยาศาสตร์ข้อมูลเพียง 34% เท่านั้นที่กล่าวว่าวัตถุประสงค์ของโครงการวิทยาศาสตร์ข้อมูล "มักจะได้รับการกำหนดไว้อย่างชัดเจนก่อนที่จะเริ่มต้น" การสำรวจพบ

นอกจากนี้ น้อยกว่าครึ่งหนึ่งหรือ 49% สามารถอ้างว่าผู้จัดการและผู้มีอำนาจตัดสินใจในองค์กรของตนที่ต้องอนุมัติการนำโมเดลไปใช้ "โดยทั่วไปจะมีความรู้เพียงพอที่จะทำการตัดสินใจในลักษณะที่มีข้อมูลครบถ้วน"

โดยรวมแล้ว สาเหตุหลักที่อ้างถึงความล้มเหลวในการปรับใช้โมเดลแมชชีนเลิร์นนิงที่แนะนำมีดังนี้:

1. ผู้มีอำนาจตัดสินใจไม่เต็มใจที่จะอนุมัติการเปลี่ยนแปลงการดำเนินงานที่มีอยู่
2. ขาดการวางแผนเชิงรุกที่เพียงพอ
3. ขาดความเข้าใจเกี่ยวกับวิธีการที่เหมาะสมในการดำเนินการปรับใช้
4. ปัญหาเกี่ยวกับความพร้อมใช้งานของข้อมูลที่จำเป็นสำหรับการให้คะแนนแบบจำลอง
5. ไม่มีบุคคลที่ได้รับมอบหมายให้ทำหน้าที่สจ๊วต
6. พนักงานไม่เต็มใจหรือไม่สามารถทำงานกับโมเดลเอาท์พุตได้อย่างมีประสิทธิภาพ
7. อุปสรรคทางเทคนิคในการคำนวณคะแนนหรือการใช้งาน/การรวมแบบจำลองหรือคะแนนเข้ากับระบบที่มีอยู่

การต่อสู้เพื่อปรับใช้เกิดขึ้นจากปัจจัยหลักสองประการที่สนับสนุน Seigel กล่าวว่า "การวางแผนเฉพาะถิ่นภายใต้การวางแผนและผู้มีส่วนได้ส่วนเสียทางธุรกิจขาดการมองเห็นที่เป็นรูปธรรม ผู้เชี่ยวชาญด้านข้อมูลและผู้นำธุรกิจจำนวนมากไม่ได้ตระหนักว่าการดำเนินงานตามเจตนาของ ML ต้องมีการวางแผนอย่างละเอียดและดำเนินการ อย่างจริงจังตั้งแต่เริ่มโครงการ ML ทุกโครงการ"

ผู้นำธุรกิจหรือมืออาชีพต้องการความชัดเจนมากขึ้น "อย่างแม่นยำว่า ML จะปรับปรุงการดำเนินงานของตนอย่างไร และคาดว่าจะสร้างมูลค่าได้มากเพียงใด" เขากล่าวเสริม "พวกเขาต้องการสิ่งนี้เพื่อให้ไฟเขียวแก่การปรับใช้งานโมเดลในท้ายที่สุด รวมถึงชั่งน้ำหนักการดำเนินการของโปรเจ็กต์ตลอดขั้นตอนก่อนการปรับใช้"

ที่สำคัญคือประสิทธิภาพของโครงการ ML มักไม่ได้วัดกัน เขากล่าวต่อ บ่อยครั้งที่การวัดประสิทธิภาพขึ้นอยู่กับตัวชี้วัดทางเทคนิคที่เป็นความลับ เทียบกับตัวชี้วัดทางธุรกิจ เช่น ROI

อย่างไรก็ตาม นักวิทยาศาสตร์ด้านข้อมูลยังคงเป็นงานที่ยอดเยี่ยม และจะดีขึ้นเรื่อยๆ ตามการสำรวจของ Rexer ในการสำรวจครั้งก่อนในปี 2020 นักวิทยาศาสตร์ข้อมูลองค์กร 23% รายงานว่ามีความพึงพอใจในงานในระดับสูง ซึ่งเพิ่มขึ้นเกือบสองเท่าเป็น 41% ในการสำรวจครั้งล่าสุดนี้ มีเพียง 5 เปอร์เซ็นต์ที่แสดงความไม่พอใจ ลดลงจาก 12 เปอร์เซ็นต์ในปี 2020

ความกระหายในทักษะด้านวิทยาศาสตร์ข้อมูลยังคงเพิ่มขึ้นเช่นกัน นักวิทยาศาสตร์ด้านข้อมูลยังคงถูกค้นพบได้ยาก โดย 40% กล่าวว่าพวกเขากังวลเกี่ยวกับการขาดแคลนบุคลากรที่มีความสามารถภายในองค์กรของตน ครึ่งหนึ่งรายงานว่าองค์กรของพวกเขาได้ยกระดับการฝึกอบรมภายในเพื่อเพิ่มทักษะด้านวิทยาศาสตร์ข้อมูล ในขณะที่ 39% กำลังทำงานร่วมกับมหาวิทยาลัยเพื่อส่งเสริมความสนใจในด้านวิทยาศาสตร์ข้อมูล