Что они делают и их основные обязанности
Экспоненциальный рост объема данных, которые мы генерируем, открыл двери для нескольких возможностей. «Данные — это новая нефть», — часто можно услышать на современных деловых мероприятиях, и компании действуют в соответствии с этим. С тех пор появилось несколько должностей, которые способствовали революции данных в различных отраслях.
Для многих титулы в дисциплине данных не так важны, как можно было бы ожидать. Ежедневный рабочий процесс людей с одним и тем же званием, но в разных компаниях, может сильно различаться, но я бы не стал полностью их игнорировать. Медленно, но верно мы приходим к выводу, что единорогов в области данных не существует, и ни один человек не может сделать все необходимое для эффективного использования данных в организации.
Следовательно, компании разбили обязанности на более специализированные роли. Понимание общих обязанностей каждой роли чрезвычайно важно в начале вашей карьеры, поскольку это даст вам представление о необходимых инструментах и навыках, которые вы должны приобрести, чтобы соответствовать этой роли.
С учетом сказанного, давайте взглянем на некоторые из основных ролей:
Аналитик данных
Конечная цель анализа данных — найти решение бизнес-проблемы: они стремятся повысить эффективность и производительность организации, обнаруживая закономерности в данных, которые можно использовать для принятия стратегических решений. Таким образом, аналитик данных использует данные, чтобы рассказывать истории, которые могут помочь компаниям принимать более обоснованные решения на основе данных.
Также ожидается, что аналитики данных будут обладать исключительными коммуникативными навыками в различных средах, включая визуальные, письменные и устные, поскольку необходимо сообщать о своих выводах.
Основные обязанности
- Сотрудничество с другими членами команды для улучшения процесса и качества сбора данных.
- Создание дашбордов и отчетов.
- Выполнение анализа данных и составление отчетов по областям, которые можно улучшить для повышения эффективности организации или проекта.
- Создание и поддержка автоматизированных процессов обработки данных.
- Создание и отслеживание бизнес-KPI.
- Проведение аудита данных.
Специалист по данным
Конечная цель науки о данных — генерировать бизнес-понимание на основе данных: текущие данные используются для обнаружения возможностей. Таким образом, ожидается, что специалисты по данным должны хорошо понимать проблемы, с которыми сталкивается бизнес, и быть в состоянии предложить решения, основанные на подходе, основанном на данных.
Благодаря своему междисциплинарному опыту они, скорее всего, будут иметь дело со всеми аспектами проекта, включая сбор данных, анализ и интерпретацию различных типов данных (например, структурированных или неструктурированных), используя инструменты и методы, основанные на машинном обучении, статистике и сбор данных.
Основные обязанности
- Тесно сотрудничайте с профильными экспертами (SME) для выявления проблем и использования данных для предложения решения.
- Используйте инструменты машинного обучения и различные статистические методы для решения задач.
- Очистка данных.
- Исходные данные для решения бизнес-задач.
- Сотрудничество между несколькими командами, такими как бизнес-группы, инженерные группы и группы по продуктам.
Учебный ресурс. Хорошей отправной точкой может стать специалист по работе с данными с карьерным ростом Python или R в DataCamp.
Инженер данных
Инженеры данных создают конвейеры данных для подготовки и преобразования необработанных и неструктурированных данных. Конвейер обычно состоит из сбора (возможно, из различных источников), обработки и хранения данных. Большая часть их времени тратится на то, чтобы эти пайплайны были надежными, надежными и достаточно надежными для доставки.
Конечная цель обработки данных — сделать данные доступными. Другими словами, они приобретают то, что делает возможными науку о данных и машинное обучение: некоторые заходят так далеко, что утверждают, что они являются самыми важными игроками в команде по работе с данными.
Ключевые обязанности
- Проектировать, разрабатывать и поддерживать системы данных и конвейеры.
- Получение данных.
- Анализируйте и систематизируйте необработанные данные.
- Повысить надежность и качество данных.
Учебный ресурс. Карьерный путь Data Engineering with Python в DataCamp — хорошая отправная точка. Вы также можете расширить свое обучение, получив сертификат IBM Data Engineer Professional на Coursera.
Архитектор данных
- Определение источников данных (внутренних и внешних) и разработка плана управления данными
- Разработка и внедрение общей стратегии данных организации.
- Сотрудничество с кросс-функциональными командами и заинтересованными сторонами для обеспечения бесперебойного функционирования системы данных.
- Управление сквозной архитектурой данных.
- Аудит систем управления данными и их доработка при необходимости.
Инженер по машинному обучению
Конечная цель машинного обучения — преобразование данных в продукты. Эта роль возникла из-за необходимости преодолеть разрыв между работой специалистов по данным (т. е. анализом и моделированием) и миром программных продуктов (т. е. надежной системной инженерией).
Таким образом, инженерия машинного обучения обычно считается подобластью разработки программного обеспечения: за исключением требований к машинному обучению, инженеры по машинному обучению и инженеры-программисты ведут довольно схожий образ жизни — это означает, что они должны быть опытными программистами, знакомыми с такими инструментами, как IDE. , GitHub и Docker.
Ключевые обязанности
- Проектирование и создание систем машинного обучения.
- Создание автоматизированных конвейеров для развертывания моделей машинного обучения.
- Соответствующее тестирование систем машинного обучения и мониторинг их производительности.
- Работа с инженерами данных для создания пайплайнов данных и моделирования.
Учебный ресурс: Как стать инженером по машинному обучению можно назвать учебным курсом.
Инженер MLOps
MLOps — это новое увлечение, которое касается применения принципов DevOps к системам машинного обучения. Таким образом, инженер MLOps обычно больше занимается внедрением моделей машинного обучения в производство, а не их созданием.
Они помогают инженерам по машинному обучению так же, как DevOps помогает инженерам-программистам: инженеры будут создавать программное обеспечение, а операционная служба предоставит инфраструктуру и обеспечит надежную работу программного обеспечения. Таким образом, мы можем сказать, что инженер MLOps отвечает за все действия, которые происходят при построении модели машинного обучения.
Ключевые обязанности
- Создайте и поддерживайте конвейер MLOps.
- Проектирование и внедрение облачных решений.
- Обеспечение масштабируемости приложений машинного обучения с помощью таких инструментов, как Docker и Kubernetes.
Мы пока остановимся здесь.
Примечание. Есть несколько других ролей, основанных на данных, которые вы найдете в различных компаниях (например, рассказчик данных, исследователь машинного обучения, ученый в области машинного обучения и т. д.). Я рекомендую вам использовать доски объявлений, такие как Linkedin Jobs, Indeed, Glassdoor, DataCamp и т. д., для проведения исследований.
Представленный список вакансий ни в коем случае не является обширным и должен служить только ориентиром. Читатель должен взять эту информацию и приступить к изучению технологического стека, необходимого для каждой роли, и создать портфолио. Важно помнить, что разные компании организуют свои команды по-разному: для описания одной и той же работы в двух разных компаниях могут использоваться разные технические термины.
Спасибо, что прочитали.
Свяжитесь со мной:
LinkedIn
Twitter
Instagram
Если вам нравится читать истории, подобные этой, и вы хотите поддержать меня, подумайте о том, чтобы стать участником Medium. Взяв 5 долларов в месяц, вы открываете неограниченный доступ к историям на Medium. Если вы воспользуетесь моей ссылкой для регистрации, я получу небольшую комиссию.
Уже вступил? Подпишитесь, чтобы получать уведомления, когда я опубликую.
