数据科学图鉴：你最有可能成为哪方面的专家？

全文共2774字，预计学习时长5分钟

数据宇宙正快速扩张，人们开始意识到这片领域的宽广，并且发现并非只有全才，才能谋得一袭之位。可别指望“数据通”去做所有事，现在要问的是另一个问题：“你擅长哪个方面？”

 图源：https://www.syfy.com/syfywire/the-13-greatest-x-men-of-all-time

你在哪个行业？

现实世界里，从统计学家到可靠性工程师，应用型ML/AL带来了所有和数据沾边的工作。即使有人已经学完数据“所有的”那些事儿（才怪），也没法在一天里独自做完所有活儿，时间可不够。那么，来一场数据科学生态系统的短途旅行吧，本文将用厨房作类比，向各位解释其中的常见职业。

人们可没时间独自做完所有的活。

如果将这些职业翻译成在食品产业的朋友们熟悉的行话，以下哪个最合适呢？

数据工程：提供原始材料并处理各原料。它有两种口味：（1）为数据科学家提供要使用的数据集，（2）实现大规模的数据传输。

如果只是给自己做顿晚饭，逛食品店很轻松，但是一旦扩大规模，细微的事就变得复杂——如何购买、储藏并处理20吨冰淇淋……还让它一点也不化？大规模导致了如此复杂的挑战。同样地，如果只是为学校作业下载几份电子表格，数据工程相当简单，但是当规模扩大至拍字节，可就让人头昏眼花了。

数据科学研究：开发新的厨房电器。可以把它当作数据科学的理论研究，这也是ML/AI/统计学/最优化博士要学习的内容，主要关于创造理论，让人类解决更多难题。

研究员们研发新东西。他们的职业激情将证明，以往不可能的事情有可能发生。他们一直享受工作，直到设计出产品原型，便不再追逐下个挑战。提及厨房电器，研究员就好比电器的设计图。也许他们会将设计图变成能工作的设备，但估计是由希望和胶带纸绑起来的……关上门，它就散架了。至于接口——当然，研究员的脑袋还是想着那排按钮的，但是如果有人想试着用它，最后可能会抓狂。用户友好型？稳健的？精心设计的？别想了！那是别人的工作。研究员们正忙着设法让微波炉有隐形传态的功能。（什么时候才要往工业小组里招研究员？只有需要隐形传态功能，且还没人研发出来的时候。）

数据的工具制作/平台工程：打造用户友好型电器，把它们放进令人满意的厨房。这一职业是给数据科学家提供所需的精美的工具和平台。

研究员们并不总能制造出人们真正爱用的微波炉。这时候就轮到平台工程师登场了。他们并不发明新的接线图或设计图，他们将现有的设计普及到大众消费。负责这部分的小组挤在一起，在设计思路、可靠性和效率上绞尽脑汁。他们研究用户，确保打造的工具是人们真正喜爱的。然而不幸的是，一些可怜的用户必须在忍受了“蹩脚产品”风行市场之后，才能看到喜爱的产品进入市场。在刚推出微波炉的时候，好用的简单款还没有大批量生产，因而也无法在家具商店里买到它们。AI也长期处于那段萌芽期，但现在也被认可是好用的，工具制造商正不断改善产品！这是一个激动人心的时刻，因为其实很多你认为AI很难的部分都与智能无关，而是与工具质量相关。现在工具越来越亲近用户，更多的人将进入AI领域，注入更多的创造力。

决策智能：菜谱创新和上菜。这可以算作数据科学的应用部分，内容是用数据和算法解决特定的企业问题。

决策智能小组的成员共同创新菜谱。如果他们尝试了现有算法却没法解决问题，就会招一名算法研究员，如果他们需要方便的工具，他们也会招一名平台工程师。当然，他们也乐意把其他工作外包给他人。他们对烹饪更有兴趣，但可不是所有类型的烹饪。他们是另一种研究员，通过发明一种绝妙的、高定版菜谱来解决不可能解决的企业问题。在厨房电器和原料的仓库之上还有仓库，而这些人的目标就是想出米其林级别且不含卡路里的披萨。

如果有人在应用型ML/AI领域工作，那就找出他们在项目的哪个阶段工作，再缩小范围找到他们的角色。

应用型ML/AI的项目阶段

现实项目中总是有反复和回溯，接下来是大致的几个阶段。

逐步加大：在进厨房大展身手前，要理清目标、组建队伍、配置厨房用品。如果想要微波炉，就要去商店买，如果想要传送器，就要试着发明出来。

原型：假设目标是做和正常香肠味道一样的纯素、无卡路里香肠，需要花多久呢？谁会知道！反正厨房已经备好了，祝好运吧！

生产：现在有了一份满足需求的菜谱，那就把它推向全球，生产个十年吧……

逐步加大阶段中的角色

决策者/产品经理：想给顾客提供什么产品？产品质量要多好？决策者要做决断、拟出方案。

数据工程师/建筑师：准备好卡车、建仓库，并为大规模原材料管理想出物流方法。

研究员：厨房里需要一个传送器，那就造一个。

工具制造商/平台工程师：研究员的传送器原型是用希望和胶带捣鼓出来的。造出一个人们离开后也不会散架的吧。这个目录覆盖了一个传统软件组所需的角色，从设计者到软件工程师。

举例来说，如果不想处理厨房设置或货车运输之类的事，最后三个角色可以外包给云供应商。

要对售卖的东西了如指掌：数据？算法？让他人操作AI的工具？碰巧可以使用AI的方法？建议是，随时随地专攻核心业务，让别人来操心其他事情。

原型阶段的角色

分析师：食品仓库和厨房都昏暗无比，让人不知从何处下手。分析师是唯一一个拿着手电筒的人。

数据工程师：想出运送20000吨冻胡萝卜且途中不会解冻的方法。

ML/AI工程师：一直在厨房研究菜谱，直到做出尝起来和真香肠一样的无卡路里素肠。

统计员：是否要把这道菜加进菜单？这完全取决于统计员，他们要确保新菜谱足够好并能满足需求。

生产阶段的角色

ML/AI工程师：现在有一份绝妙的菜谱模版。调整菜谱、做一些工程，从而大规模推广它。必要时，工程师们要帮助维护。

可靠性工程师：安排生产、建立安全网，哪怕缺覆盆子这样的原材料，也能让人放心地做菜谱。

分析师：监督生产过程，如果有任何不对劲就拉响警铃。

统计员：进行实地试验，尤其整备调整秘密配方时，要证实用户是否满意、菜谱是否能继续满足要求。

所有项目阶段都需要的角色

决策者/产品经理：亲爱的领导，提供一些指导吧！决策者要做出决断。

定性专家/决策科学家：如果决策者对食品一无所知，就需要定性专家在决策者和其他人间翻译沟通。

顾问/专家：决策者会咨询专家在某个特定主题上的意见，如伦理、UX等。

技术工作人员：帮助完成事情，哪怕该职位并不会明确写在名单里。没有技术工作人员可不行！传统软件项目里的所有标准角色，从开发者到项目经理、人事经理，都在ML/AI厨房里有一席之地。

留言 点赞 关注

我们一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”

（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）