为什么这10种角色能成就谷歌AI和数据团队？

一个完美的数据科学团队是怎样的？是 10 个一模一样的计算机科学教授拿着马克笔站在白板前吗？当然不是。

Geoffry Hinton 是我的偶像，也是深度学习领域杰出的研究者，但我不希望你的数据团队除了 10 个一模一样的 Geoffry Hinton 之外就没有其他人。

应用数据科学是一项学科高度交叉的团队工作，所以多样性很重要！实际上，团队成员的眼界和态度与教育和经验一样重要。如果你想通过决策智能工程让你的数据变得更有用，我认为应该按如下顺序发展你的团队。

在进行数据分析之前，首先需要具备获取数据的能力。如果你处理的是小数据集，那么所谓的数据工程基本上就是把一些数字输入到表格中。当数据集规模更大时，数据工程便成为一门复杂的学科。团队中需要有人负责处理棘手的工程问题，即如何向其他工作人员交付可以使用的数据。

在雇用数据科学家之前，需要确保团队中有一个决策者，他应该要了解如何基于数据驱动的制定决策。

“在团队能够从数据中获得价值之前，必须先有决策技能。”

这个人负责识别出有价值的决策，将其框架化（从设计指标到统计假设的所有一切事务），并基于对业务的潜在影响来确定分析的严谨程度。要找一个深思熟虑的思想者，他不会一直说：“我在考虑这个决定时没想到这一点”。他们不仅应该能想到这一点，还有那一点，甚至更多。

下一个应该雇用的是跟你一起工作的人。每个人都有能力查看数据并且有所启发，不同的是对工作软件的熟悉程度。如果你看过一张数码照片，你就已经完成了数据可视化和分析的工作。

学习使用 R 语言和 Python 之类的工具只不过是使用 MS Paint 来做数据可视化的升级版，它们只是更通用的工具，能够查看更多的数据集，而不只是像素矩阵。

如果你有勇气看一下电子表格的前几行数据，那也比什么都不做要好。如果所有员工都有权利这样做，但相比没有人查看任何数据，你能更好地掌握业务的脉搏。

尼斯湖水怪 1934：这就是数据。试着得到一些合理的结论

请记住，你不应该得出超出数据范围的结论。这需要一定的专业训练。就像上面这幅图像，你能说的只有：“这是基于我的数据集得到的”，但请不要用它来推断出尼斯湖水怪是真的这样的结论。

这个人可以更快地查看更多的数据。这个游戏讲求的是速度、探索和发现，而不是严谨和小心翼翼。这个人可以帮助你的团队尽可能多地关注数据，从而让决策者了解到底什么值得追求。

不要让那些擅长写出严谨又健壮代码的工程师来承担这个角色，虽然这听起来有些奇怪。因为这个角色就是要速度快，要尽可能快地产生想法，而那些纠结于代码质量的人可能很难以足够快的速度挖掘出数据的洞见，因此并不适合这个角色。

在工程师主导的团队中，分析员常常受到轻视，因为他们的同事不懂对于描述性分析来说怎样才算是“优秀的代码”。在这里，优秀就是“快而简陋”。如果分析员因为写的代码较为拖沓而不受欢迎，等他们离开了，你就会奇怪为什么自己把握不住业务的脉搏。

现在探索数据的工作已经有人承担了，我们还需要一个人来抑制不切实际的想法。看一下尼斯湖水怪的“照片”是无妨的，只要你不会仅仅根据这个照片就空穴来风，但是你能做到吗？虽然人们在看照片的时候能够理智地思考，但在面对其他数据类型时，常常会变得不理智。如果有人能阻止团队做出没有根据的结论，那对整个团队来说都是有利无害的。

“随想是廉价的，但严谨很昂贵”

救命之道：别下结论，你也就没什么好担心的了。我只是半开玩笑。随想是廉价的，但严谨很昂贵。

如果你的机器学习系统在某个数据集上验证有效，你能得到的合理结论只有：它适用于这个数据集。如果把它部署到生产环境中还会有效吗？你该发布它吗？你需要一些统计学技巧来解决这些问题。

如果我们想做出严谨的决策，但我们所拥有的信息不够全面，那么就让我们慢下来，采取一种谨慎的方式。统计学家能够在数据分析之外帮助决策者得出合理的结论。

一个应用 AI/ 机器学习工程师最大的价值不在于理解算法的原理。他们的工作是使用算法，而不是设计算法（这是研究员的工作）。这个角色要能够通过编码让现有的算法适用于你的数据集。

除了一双能够快速编程的手，应用机器学习工程师也需要具备不怕失败的性格。你所做的事情通常带有不确定性，即使你认为知道自己在做什么。你尽可能快地在数据集上测试各种算法，然后看哪个算法奏效。在成功之前，你需要做好多次面对失败的心理准备。这个工作在很大程度上带有不确定性，所以需要特别的性格才能乐在其中。

“完美主义者适合当机器学习工程师。”

由于你的业务问题不会在教科书中出现，所以你无法事先知道哪种算法有用，你也不能期望第一次尝试就得到完美的结果。没关系，只要尽可能多、尽可能快地尝试，向着解决方案慢慢靠近即可。

既然说到“用数据测试算法”，那么是哪些数据呢？当然是你的分析员认为有潜在价值的数据。因此分析员的雇用是放在第二位的。

虽然有许多修补的工作，但是对于机器学习工程师来说，需要尊重评估过程，在这一过程中严谨是至关重要的。这个解决方案可用在新数据上吗？幸运的是，你在之前找到了合适的统计学家，所以，你所要做的就是把接力棒传给统计学家。

最强大的应用机器学习工程师对应用各种方法所需的时间有很好的了解。

“当一个机器学习应聘者能够根据在不同数据集上运行的时间对方案进行排序，他会给招聘官留下深刻的印象。”

我认为数据科学家是通晓前面三个领域的专家。在面试时，有的应聘者称自己为“数据科学家”，但实际上他们可能只是掌握了三个角色之一的技能，所以在筛选时要注意。

这个角色排在第 6 位，因为雇用一个真的“三合一”专家需要付出很高的成本。如果经费不允许，可以尝试从团队的单领域专家中培养数据科学家。

分析经理是下金蛋的鹅：他们是数据科学家和决策者的混合体。他们在团队中起到催化剂的作用，确保数据科学团队不会迷失方向，从而为业务带来价值。

“决策者加数据科学家的混合体是一种催化剂，然而，这类人很稀有，很难请到。”

这些人每天要考虑的问题是：“我们怎么设计正确的问题？我们怎么做决定？我们怎么最优分配专家资源？有什么是值得做的？技术和数据能满足需求吗？我们怎么保证数据的质量？”

如果你有幸招聘到一位这样的人才，一定要把握住，千万别让他离开。

你的决策者是一位卓越的领导者、管理者、激励者、影响者或组织政治的领航者……但是他们可能并不擅长做决策。决策不仅仅是一项才能。如果你的决策者没有磨练他们的技能，他们可能会带来损失而不是收益。

“不要直接开除不熟练的决策者，而是让定性专家来训练他们。”

你可以雇一个定性专家来帮助他们提升技能。

定性专家通常具有社会科学和数据科学的背景，例如行为经济学家、神经经济学家和 JDM 心理学家，他们接受过最专业的培训，但是也有自学成才的。这项工作是帮助决策者澄清想法，从各个角度分析问题，并把含糊的想法转化为经过深思熟虑的语言指令，方便团队的其他成员执行。

“我们没有意识到社会科学家的价值。他们通常比数据科学家更有能力将决策者的想法和意图转化为具体的指标。”

定性专家不会做任何决定，他们的作用是确保决策者对即将做出的决策有全面的了解。他们也是值得信赖的顾问、能进行头脑风暴的同伴以及决策者的智囊团。团队中有这样的人可以确保项目从一开始就朝正确方向发展。

许多招聘经理认为他们的第一个团队成员必须任职过教授，但实际上你不需要那些博士，除非你认为业界无法提供你所需要的算法。大多数团队不能提前意识到这一点，所以按照正确的顺序做事更有意义：在设计太空笔之前，先检查下铅笔是否能完成工作。在开始项目时，如果你发现现成的解决方案不能达到你的要求，再考虑聘请研究人员也不迟。

“如果你招聘的第一个人就是一个研究人员，那你很可能没有合适的环境让他们发挥作用。”

不要马上把他们引入团队。最好等到你的团队发展到一定程度，知道需要研究员做什么的时候。等到你用完所有可用的工具之后，再雇佣人来打造昂贵的新工具。

除了上述的角色，决策智能项目也需要下列人员：

• 领域专家

• 伦理学家

• 软件工程师

• 可靠性工程师

• 用户体验设计师

• 交互可视化 / 图像设计师

• 数据收集专家

• 数据产品经理

• 项目 / 程序经理

许多项目离不开他们，他们没有列入前十名的唯一原因是决策智能不是他们的主要业务。相反，他们是自己所在领域的天才，对数据和决策足够了解，对你的项目非常有用。可以认为他们有自己的专业领域，但是足够热爱决策智能，所以他们把它作为附带领域。大团队还是小团队？读完这些之后，你可能会觉得不知所措。这么多角色！没关系，根据你的需要，你可以从最初的几个角色获得足够的价值。

回顾一下我将应用机器学习比作厨房内的创新，如果你个人想开一家工业规模的披萨店来生产新型披萨，那么你需要大团队，或者你需要与供应商或顾问合作。如果你想在周末做一些独特的比萨，比如焦糖凤尾鱼风味的，那么你仍然需要考虑我所提到的所有角色。你需要决定做什么（角色 1）、使用什么配料（角色 2 和 3）、从哪里获得配料（角色 0）、如何设计食谱（角色 5）以及呈递给他人之前如何对其进行品尝测试（角色 4），但是如果你只想随意做一些简单的披萨，你完全可以自己完成。如果你的目标只是做标准的传统披萨，那么所有这些你都不需要，只要有了已经尝试过的食谱（不需要重新发明）以及配料，直接下厨就好了！

查看英文原文：

https://hackernoon.com/top-10-roles-for-your-data-science-team-e7f05d90d961

如果你喜欢这篇文章，或希望看到更多类似优质报道，记得给我留言和点赞哦！