สิ่งที่พวกเขาทำและความรับผิดชอบหลักของพวกเขา
การเติบโตแบบทวีคูณของปริมาณข้อมูลที่เราสร้างขึ้นได้เปิดประตูสู่โอกาสมากมาย “ข้อมูลคือน้ำมันชนิดใหม่” คุณมักจะได้ยินจากงานกิจกรรมทางธุรกิจยุคใหม่ และธุรกิจต่างๆ ต่างก็ดำเนินการตามนั้น ตั้งแต่นั้นมา มีบทบาทงานหลายอย่างเพื่อผลักดันการปฏิวัติข้อมูลในอุตสาหกรรมต่างๆ
สำหรับหลาย ๆ คน ชื่อในสาขาวิชาข้อมูลไม่สำคัญเท่าที่คุณคาดหวัง ขั้นตอนการทำงานในแต่ละวันของผู้คนที่มีตำแหน่งเดียวกันแต่อยู่คนละบริษัทอาจแตกต่างกันเล็กน้อย แม้ว่าฉันจะไม่เพิกเฉยต่อพวกเขาเลยก็ตาม เรากำลังมาถึงเงื่อนไขที่ช้าแต่แน่นอนว่ายูนิคอร์นไม่มีอยู่ในฟิลด์ข้อมูล และไม่มีใครสามารถทำทุกอย่างเพื่อใช้ข้อมูลในองค์กรอย่างมีประสิทธิภาพได้
ด้วยเหตุนี้ บริษัทต่างๆ จึงแบ่งความรับผิดชอบออกเป็นบทบาทเฉพาะทางมากขึ้น การทำความเข้าใจความรับผิดชอบทั่วไปของแต่ละบทบาทมีความสำคัญอย่างยิ่งในช่วงเริ่มต้นอาชีพของคุณ เนื่องจากจะทำให้คุณเข้าใจถึงเครื่องมือและทักษะที่จำเป็นที่คุณต้องได้รับเพื่อให้เหมาะสมกับบทบาทนั้น
ด้วยเหตุนี้ เรามาดูบทบาทหลักบางส่วนที่เกี่ยวข้องกัน:
นักวิเคราะห์ข้อมูล
เป้าหมายสุดท้ายของการวิเคราะห์ข้อมูลคือการหาวิธีแก้ไขปัญหาทางธุรกิจ โดยมีเป้าหมายที่จะเพิ่มประสิทธิภาพและประสิทธิภาพขององค์กรโดยการค้นพบรูปแบบในข้อมูลที่สามารถนำมาใช้ในการตัดสินใจเชิงกลยุทธ์ได้ ดังนั้น นักวิเคราะห์ข้อมูลจึงใช้ข้อมูลเพื่อบอกเล่าเรื่องราวที่สามารถช่วยให้ธุรกิจตัดสินใจโดยใช้ข้อมูลได้มากขึ้น
นักวิเคราะห์ข้อมูลได้รับการคาดหวังให้มีทักษะในการสื่อสารที่ยอดเยี่ยมผ่านสื่อหลากหลายประเภท รวมถึงภาพ การเขียน และวาจา เนื่องจากจำเป็นต้องรายงานข้อสรุป
ความรับผิดชอบหลัก
- ทำงานร่วมกับสมาชิกในทีมคนอื่นๆ เพื่อปรับปรุงกระบวนการและคุณภาพการรวบรวมข้อมูล
- การสร้างแดชบอร์ดและรายงาน
- ดำเนินการวิเคราะห์ข้อมูลและรายงานสรุปในพื้นที่ที่สามารถปรับปรุงเพื่อเพิ่มประสิทธิภาพในองค์กรหรือโครงการ
- สร้างและบำรุงรักษากระบวนการข้อมูลอัตโนมัติ
- จัดทำและติดตาม KPI ของธุรกิจ
- ดำเนินการตรวจสอบข้อมูล
นักวิทยาศาสตร์ข้อมูล
เป้าหมายสุดท้ายของ Data Science คือการสร้างข้อมูลเชิงลึกทางธุรกิจจากข้อมูล: ข้อมูลปัจจุบันถูกใช้เพื่อค้นหาโอกาส ดังนั้น นักวิทยาศาสตร์ข้อมูลจึงได้รับการคาดหวังให้มีความเข้าใจที่ดีเกี่ยวกับความท้าทายที่ธุรกิจต้องเผชิญ และสามารถนำเสนอโซลูชั่นตามแนวทางที่ขับเคลื่อนด้วยข้อมูลได้
เนื่องจากความเชี่ยวชาญแบบสหวิทยาการ พวกเขาจึงมีแนวโน้มสูงที่จะจัดการกับทุกแง่มุมของโครงการ รวมถึงการเก็บข้อมูล การวิเคราะห์ และการตีความข้อมูลประเภทต่างๆ (เช่น มีโครงสร้างหรือไม่มีโครงสร้าง) โดยใช้เครื่องมือและเทคนิคที่ได้มาจากการเรียนรู้ของเครื่อง สถิติ และ การทำเหมืองข้อมูล
ความรับผิดชอบหลัก
- ทำงานอย่างใกล้ชิดกับผู้เชี่ยวชาญเฉพาะด้าน (SMEs) เพื่อระบุปัญหาและใช้ข้อมูลเพื่อเสนอแนวทางแก้ไข
- ใช้ประโยชน์จากเครื่องมือการเรียนรู้ของเครื่องและเทคนิคทางสถิติต่างๆ เพื่อแก้ปัญหา
- การทำความสะอาดข้อมูล
- แหล่งข้อมูลเพื่อแก้ไขปัญหาทางธุรกิจ
- การทำงานร่วมกันระหว่างหลายทีม เช่น ทีมธุรกิจ ทีมวิศวกร และทีมผลิตภัณฑ์
แหล่งข้อมูลการเรียนรู้: นักวิทยาศาสตร์ด้านข้อมูลที่มีเส้นทางอาชีพ "Python" หรือ "R" บน DataCamp ถือเป็นจุดเริ่มต้นที่ดี
วิศวกรข้อมูล
วิศวกรข้อมูลสร้างไปป์ไลน์ข้อมูลเพื่อจัดเตรียมและแปลงข้อมูลดิบและข้อมูลที่ไม่มีโครงสร้าง โดยทั่วไปไปป์ไลน์จะประกอบด้วยการรวบรวม (อาจมาจากแหล่งต่างๆ) การประมวลผล และการจัดเก็บข้อมูล ใช้เวลาส่วนใหญ่ไปกับการตรวจสอบให้แน่ใจว่าท่อส่งเหล่านี้มีความแข็งแกร่ง เชื่อถือได้ และเชื่อถือได้เพียงพอที่จะส่งมอบได้
เป้าหมายสุดท้ายของวิศวกรรมข้อมูลคือการทำให้สามารถเข้าถึงข้อมูลได้ กล่าวอีกนัยหนึ่ง พวกเขาได้รับสินค้าที่ทำให้วิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่องเป็นไปได้ บางคนอาจโต้แย้งว่าพวกเขาเป็นผู้เล่นที่สำคัญที่สุดในทีมข้อมูล
ความรับผิดชอบที่สำคัญ
- ออกแบบ พัฒนา และบำรุงรักษาระบบข้อมูลและไปป์ไลน์
- การได้มาซึ่งข้อมูล
- วิเคราะห์และจัดระเบียบข้อมูลดิบ
- ปรับปรุงความน่าเชื่อถือและคุณภาพของข้อมูล
แหล่งข้อมูลการเรียนรู้: วิศวกรรมข้อมูลที่มีเส้นทางอาชีพ "Python" บน DataCamp ถือเป็นจุดเริ่มต้นที่ดี คุณอาจต้องการขยายการเรียนรู้ของคุณด้วยใบรับรอง IBM Data Engineer professional บน Coursera
สถาปนิกข้อมูล
“สถาปนิกข้อมูลออกแบบและสร้างแบบจำลองข้อมูลเพื่อตอบสนองความต้องการข้อมูลเชิงกลยุทธ์ของธุรกิจตามที่กำหนดโดยหัวหน้าสถาปนิกข้อมูล ในระดับนี้ คุณจะ: ดำเนินการออกแบบ สนับสนุน และให้คำแนะนำสำหรับการอัปเกรด การจัดการ การเลิกใช้งาน และการเก็บถาวรข้อมูลตามนโยบายข้อมูล” [แหล่งที่มา : GOV.UK]
- การระบุแหล่งข้อมูล (ภายในและภายนอก) และจัดทำแผนการจัดการข้อมูล
- การพัฒนาและการนำกลยุทธ์ข้อมูลองค์กรโดยรวมไปใช้
- ทำงานร่วมกับทีมงานข้ามสายงานและผู้มีส่วนได้ส่วนเสียเพื่อให้ระบบข้อมูลทำงานได้อย่างราบรื่น
- การจัดการสถาปัตยกรรมข้อมูลแบบ end-to-end
- ตรวจสอบระบบการจัดการข้อมูลและปรับแต่งเมื่อจำเป็น
วิศวกรการเรียนรู้ของเครื่อง
เป้าหมายสุดท้ายของวิศวกรรมการเรียนรู้ของเครื่องคือการแปลงข้อมูลให้เป็นผลิตภัณฑ์ บทบาทนี้เกิดขึ้นจากความจำเป็นในการเชื่อมช่องว่างระหว่างงานของนักวิทยาศาสตร์ข้อมูล (เช่น การวิเคราะห์และการสร้างแบบจำลอง) และโลกของผลิตภัณฑ์ซอฟต์แวร์ (เช่น วิศวกรรมระบบที่แข็งแกร่ง)
ดังนั้น โดยทั่วไปแล้ว วิศวกรรมการเรียนรู้ของเครื่องถือเป็นสาขาย่อยของวิศวกรรมซอฟต์แวร์ ยกเว้นข้อกำหนดด้านการเรียนรู้ของเครื่อง วิศวกรการเรียนรู้ของเครื่องและวิศวกรซอฟต์แวร์มีวิถีชีวิตที่ค่อนข้างคล้ายกัน ซึ่งหมายความว่าพวกเขาถูกคาดหวังให้เป็นโปรแกรมเมอร์ที่เชี่ยวชาญและคุ้นเคยกับเครื่องมือเช่น IDE , GitHub และนักเทียบท่า
ความรับผิดชอบที่สำคัญ
- การออกแบบและสร้างระบบการเรียนรู้ของเครื่อง
- การสร้างไปป์ไลน์อัตโนมัติเพื่อปรับใช้โมเดลการเรียนรู้ของเครื่อง
- ทดสอบระบบ Machine Learning อย่างเหมาะสมและติดตามประสิทธิภาพ
- การทำงานร่วมกับวิศวกรข้อมูลเพื่อสร้างข้อมูลและจำลองไปป์ไลน์
แหล่งข้อมูลการเรียนรู้: คุณสามารถอ้างอิง "วิธีการเป็นวิศวกรการเรียนรู้ของเครื่อง" เพื่อเป็นแนวทางการเรียนรู้ได้
วิศวกร MLOps
MLOps คือความนิยมครั้งใหม่ในบล็อกที่เกี่ยวข้องกับการนำหลักการ DevOps มาใช้กับระบบการเรียนรู้ของเครื่อง ดังนั้น จุดเน้นของวิศวกร MLOps มักจะอยู่ที่การปรับใช้โมเดลการเรียนรู้ของเครื่องเพื่อการใช้งานจริงมากกว่า ไม่ใช่การสร้างโมเดลเหล่านั้น
พวกเขาช่วยให้วิศวกรการเรียนรู้ของเครื่องในลักษณะเดียวกันกับวิธีที่ DevOps ช่วยให้วิศวกรซอฟต์แวร์: วิศวกรจะสร้างซอฟต์แวร์ และ Ops จะจัดเตรียมโครงสร้างพื้นฐานและรับรองว่าซอฟต์แวร์ทำงานได้อย่างน่าเชื่อถือ ดังนั้น เราสามารถพูดได้ว่าวิศวกร MLOps รับผิดชอบกิจกรรมทั้งหมดที่เกิดขึ้นเมื่อสร้างโมเดลการเรียนรู้ของเครื่อง
ความรับผิดชอบที่สำคัญ
- สร้างและบำรุงรักษาไปป์ไลน์ MLOps
- การออกแบบและการใช้งานโซลูชันคลาวด์
- ตรวจสอบให้แน่ใจว่าแอปพลิเคชันการเรียนรู้ของเครื่องสามารถปรับขนาดได้ด้วยเครื่องมือเช่น Docker และ Kubernetes
เราจะหยุดที่นี่ตอนนี้
หมายเหตุ: มีบทบาทอื่นๆ อีกหลายประการตามข้อมูลที่คุณจะพบในบริษัทต่างๆ (เช่น นักเล่าเรื่อง นักวิจัยด้านการเรียนรู้ของเครื่อง นักวิทยาศาสตร์ด้านการเรียนรู้ของเครื่อง ฯลฯ) ฉันขอแนะนำให้คุณใช้กระดานงาน เช่น Linkedin Jobs, Indeed, Glassdoor, DataCamp ฯลฯ เพื่อทำการวิจัย
รายการงานที่จัดให้ไม่ได้ครอบคลุมมากนัก และควรเป็นเพียงแนวทางเท่านั้น ผู้อ่านควรใช้ข้อมูลนี้และดำเนินการวิจัยเทคโนโลยีที่จำเป็นสำหรับแต่ละบทบาทและสร้างพอร์ตโฟลิโอ สิ่งสำคัญที่ต้องจำไว้คือบริษัทที่ต่างกันจัดทีมด้วยวิธีที่แตกต่างกัน: คำศัพท์ทางเทคนิคที่แตกต่างกันอาจถูกนำมาใช้เพื่ออธิบายงานเดียวกันในบริษัทที่แยกจากกันสองแห่ง
ขอบคุณที่อ่าน
เชื่อมต่อกับฉัน:
LinkedIn
Twitter
Instagram
หากคุณสนุกกับการอ่านเรื่องราวแบบนี้และต้องการสนับสนุนงานเขียนของฉัน ลองพิจารณา "การเป็นสมาชิกระดับกลาง" ด้วยข้อผูกมัด $5 ต่อเดือน คุณจะปลดล็อกการเข้าถึงเรื่องราวบนสื่อได้ไม่จำกัด หากคุณใช้ ลิงก์ลงทะเบียนของฉัน ฉันจะได้รับค่าคอมมิชชันเล็กน้อย
เป็นสมาชิกอยู่แล้ว? สมัครสมาชิก เพื่อรับการแจ้งเตือนเมื่อฉันเผยแพร่