Veri bilimcileri: Hala en seksi iş; eğer biri onları dinlese
Anket bulgularına göre, veri bilimcileri tarafından geliştirilen beş makine öğrenimi modelinden yalnızca biri gerçek dağıtıma çıkıyor. Sorun ne?
Verilerden hikayeler çıkaran ve keşifler yapan veri bilimcinin rolü, 2012 yılında Harvard Business Review'da "21. yüzyılın en seksi işi" olarak ilan edilmişti. Sadece iki yıl önce, yazarlar Thomas H. Davenport ve DJ Patil, yapay zeka ve makine öğrenimi (ML) çağında veri bilimcilerinin ana akım haline geldiğini ve işletmeleri için kesinlikle hayati önem taşıdığını gözlemlemek için tahminlerini güncellediler.
İş rolü de kısmen iyiye, kısmen kötüye doğru gelişti. Davenport ve Patil şunu gözlemliyor: "Daha iyi kurumsallaştı, işin kapsamı yeniden tanımlandı, dayandığı teknoloji büyük ilerlemeler kaydetti ve etik ve değişim yönetimi gibi teknik olmayan uzmanlığın önemi arttı."
Aynı zamanda, veri bilimcileri "zamanlarının çoğunu verileri temizlemek ve düzenlemek için harcadıklarını ve veri yönetimi iyileştirmeleri için yapay zekanın kullanılmasındaki birkaç ilerlemeye rağmen durumun hala böyle olduğunu" bildiriyorlar.
Daha da önemlisi, Davenport ve Patil'in tespitine göre "birçok kuruluş veri odaklı kültürlere sahip değil ve veri bilimcilerin sağladığı içgörülerden faydalanmıyor." "İşe alınmak ve iyi maaş almak, veri bilimcilerin işverenleri için bir fark yaratabilecekleri anlamına gelmiyor. Sonuç olarak çoğu hüsrana uğruyor ve bu da yüksek ciroya yol açıyor."
Rexer Analytics'ten 328 analiz uzmanının katılımıyla yakın zamanda yapılan bir anket, insanların veri bilimcilerine saygı duyduğunu ancak onların önerilerine veya içgörülerine göre hareket etme eğiliminde olmadıklarını doğruladı. Araştırmanın ortak yazarı, Columbia Üniversitesi'nde eski profesör ve Yapay Zekanın Başucu Kitabı, KDNuggets'ta ilgili bir yayında. Ankete katılan on kişiden dördünden fazlası, yani %43'ü, yeni modellerinin %80 veya daha fazlasının devreye alınamadığını söylüyor.
Mevcut modellerde ince ayarlar yapmak bile çoğu durumda yeterli olmuyor. Siegel, "Mevcut dağıtımlar için modellerin yenilenmesi de dahil olmak üzere tüm makine öğrenimi projelerinde yalnızca %32'si modellerinin genellikle dağıtıldığını söylüyor" diye ekliyor.
Sorun ne? İşletme ve veri bilimi ekipleri arasındaki etkileşim (ya da bunun eksikliği) birçok sorunun temelinde yer alıyor gibi görünüyor. Ankete göre veri bilimcilerin yalnızca %34'ü, veri bilimi projelerinin hedeflerinin "genellikle başlamadan önce iyi tanımlandığını" söylüyor.
Ayrıca, yarıdan azı, yani %49, kuruluşlarındaki model dağıtımını onaylaması gereken yöneticilerin ve karar vericilerin "genel olarak bu tür kararları bilinçli bir şekilde alabilecek kadar bilgili" olduğunu iddia edebiliyor.
Genel olarak, önerilen makine öğrenimi modellerinin devreye alınmasındaki başarısızlığın en önemli nedenleri aşağıdakilerden oluşur:
- Karar vericiler mevcut operasyonlardaki değişikliği onaylama konusunda isteksiz.
- Yeterli, proaktif planlama eksikliği.
- Dağıtımı yürütmenin doğru yolunun anlaşılmaması.
- Modelin puanlanması için gereken verilerin kullanılabilirliğiyle ilgili sorunlar.
- Dağıtımı yönetecek atanmış bir kişi yok.
- Personelin model çıktısıyla etkili bir şekilde çalışmak istememesi veya çalışamaması.
- Puanların hesaplanmasında veya modelin veya puanlarının mevcut sistemlere uygulanmasında/entegre edilmesinde teknik engeller.
Seigel, konuşlandırma mücadelesinin iki ana katkıda bulunan faktörden kaynaklandığını söylüyor: "Edemik yetersiz planlama ve somut görünürlükten yoksun iş paydaşları. Birçok veri uzmanı ve iş lideri, makine öğreniminin amaçlanan operasyonelleştirilmesinin çok ayrıntılı bir şekilde planlanması ve takip edilmesi gerektiğinin farkına varmadı. her makine öğrenimi projesinin başlangıcından itibaren agresif bir şekilde."
İş liderleri veya profesyonellerin "ML'nin operasyonlarını tam olarak nasıl geliştireceği ve iyileştirmenin ne kadar değer sunmasının beklendiği konusunda" daha fazla görünürlüğe ihtiyaçları olduğunu ekliyor. "Sonuçta bir modelin dağıtımına yeşil ışık yakmak ve bundan önce, dağıtım öncesi aşamalar boyunca projenin yürütülmesine ağırlık vermek için buna ihtiyaçları var."
Önemli bir şekilde, ML projesinin performansının çoğu zaman ölçülmemesi, diye devam ediyor. Çoğu zaman performans ölçümleri yatırım getirisi gibi iş ölçümlerine karşı gizli teknik ölçümlere dayanmaktadır.
Rexer anketi yine de veri bilimcinin harika bir iş olduğunu ve giderek daha da iyiye gittiğini gösteriyor. 2020'deki önceki ankette, kurumsal veri bilimcilerinin %23'ü yüksek düzeyde iş tatmini yaşadıklarını bildirmişti; bu oran, bu son ankette neredeyse iki katına çıkarak %41'e yükseldi. Memnuniyetsizliğini ifade edenlerin oranı 2020'deki %12'den yalnızca yüzde 5'e düştü.
Veri bilimi becerilerine olan ilgi de hâlâ artıyor. Veri bilimcilerini bulmak hâlâ zor; %40'ı işletmelerindeki yetenek eksikliğinden endişe duyduklarını söylüyor. Yarısı, kuruluşlarının veri bilimi becerilerini artırmak için şirket içi eğitimleri hızlandırdığını, %39'u ise veri bilimine ilgiyi artırmak için üniversitelerle birlikte çalıştığını bildirdi.