Avez-vous Déjà Vu Un Data Scientist Se Faire Virer ? Si Oui, Pourquoi ?

Posted on by Neo Parmentier

En fait, je suis sur le point d’être licencié après environ 6 mois de travail.

Laissez-moi expliquer. Vous devez d’abord comprendre ce qui suit. C’est la vérité que personne ne veut entendre.

Vous devez séparer le HYPE de la réalité. L’apprentissage automatique n’est pas complètement utilisable au niveau que l’on espère être dans tous les secteurs. L’idée aujourd’hui est que vous ajoutez un tas de fonctionnalités dans un modèle et que le modèle prédit avec une précision de 95%. Voici la vérité.

  • La plupart des entreprises et des industries ne sont pas prêtes pour le ML. Ils n’ont pas le bon ensemble de fonctionnalités, n’ont pas accès au bon ensemble de fonctionnalités ou même ne savent pas

Continuer la lecture

En fait, je suis sur le point d’être licencié après environ 6 mois de travail.

Laissez-moi expliquer. Vous devez d’abord comprendre ce qui suit. C’est la vérité que personne ne veut entendre.

Vous devez séparer le HYPE de la réalité. L’apprentissage automatique n’est pas complètement utilisable au niveau que l’on espère être dans tous les secteurs. L’idée aujourd’hui est que vous ajoutez un tas de fonctionnalités dans un modèle et que le modèle prédit avec une précision de 95%. Voici la vérité.

  • La plupart des entreprises et des industries ne sont pas prêtes pour le ML. Ils n’ont pas le bon ensemble de fonctionnalités, n’ont pas accès au bon ensemble de fonctionnalités ou ne savent même pas quelles fonctionnalités pilotent leur marché.
  • Le ML est considéré comme une solution miracle qui peut tout résoudre, ce qui n’est tout simplement pas vrai. Si votre espace de caractéristiques n’est pas corrélé d’une manière ou d’une autre à la variable cible, aucun modèle ne peut avoir de pouvoir prédictif significatif. Par exemple, avoir une caractéristique telle que le nombre de présidents de plus de 50 ans qui ont remporté une élection pour un second mandat sera inutile pour prédire qui va gagner en 2020. La raison pour laquelle je dis cela est parce que ce sont les types de fonctionnalités qui sont le plus souvent disponibles, liés mais pas vraiment le moteur du modèle.
  • La plupart des problèmes que les entreprises veulent lancer au ML ne sont généralement pas des problèmes faciles. Ils sont généralement ce que nous appelons des problèmes de tarte dans le ciel comme la prédiction du marché boursier.

Dans mon cas particulier, c’est ce qui se passe.

Je suis au travail depuis 6 mois et j’ai reçu plusieurs projets de ML mais finalement aucun n’a été résolu. MDR. C’est parce que chaque problème qu’ils veulent que je résolve est un problème de « tarte dans le ciel ».

Le premier projet :

Faites de l’ingénierie inverse sur l’algorithme d’une entreprise de technologie célèbre, déjouez son algorithme et jouez essentiellement avec le système. Cela était voué à l’échec depuis le début. Maintenant, rappelez-vous, il s’agit d’une entreprise célèbre qui génère des millions + de bénéfices en utilisant cet algorithme. Le but était de déjouer cet algorithme avec mes efforts de ML afin que nous n’ayons pas à payer autant d’argent à cette entreprise. Je suis censé trouver un trou de boucle ML qui a un pouvoir prédictif. Ou mieux encore, cette entreprise Fortune 500 est si stupide que n’importe qui pourrait déchiffrer son algorithme ! Oui en effet! En fin de compte, ce projet a échoué avec le pouvoir prédictif d’une supposition aléatoire.

Le deuxième projet :

Un autre problème comme le précédent mais cette fois en essayant de prédire l’avenir de l’entreprise d’une manière ou d’une autre. Cela a été partiellement réussi.

Le troisième projet :

Prédisez les bénéfices de l’entreprise au niveau du site. Vous pouvez déjà voir où cela va. Cette société possède des milliers de sites à travers le pays, s’apparentant à une chaîne de vente au détail. Je suis censé proposer un modèle qui capture le comportement pour prédire le profit pour chaque site au niveau du site ! Nous sommes en fait en mesure d’obtenir beaucoup de statistiques de recensement pour donner un sens à cela. Par exemple, vous penseriez que tout ce dont vous avez besoin, ce sont des fonctionnalités telles que la population, les emplois, etc. pour voir comment cela va stimuler le marché. Encore une fois, c’est comme essayer de prédire le marché boursier, car les statistiques de recensement communes ne génèrent pas à elles seules des bénéfices. Nous avons toutes les fonctionnalités auxquelles nous pourrions penser, mais un seul modèle avec un ensemble de fonctionnalités est incapable de capturer de manière convaincante le comportement de New York vs Modesto, car en fin de compte, il ne s’agit pas seulement de la croissance de l’emploi ou des personnes qui y vivent, mais il y a d’autres des variables socio-économiques cachées que nous ne pouvons pas saisir ou auxquelles nous n’avons pas accès ou même que nous ne connaissons pas. Ce modèle a en fait produit une puissance prédictive raisonnable, mais ils veulent une précision de plus de 90 %, le projet est donc considéré comme un échec.

Maintenant, mon entreprise se rend compte que je n’ai pas vraiment résolu de problèmes, pourtant je gagne un salaire élevé. Quelqu’un va dire : « Eh bien, s’il ne résout aucun problème, alors pourquoi le garder dans les parages ? » Donc, vous voyez, vous pourriez avoir toutes les compétences ML dans le monde, mais si vous êtes confronté à ces types de problèmes insolubles, ce qu’ils veulent que ML résolve parce qu’ils pensent que ML est une solution miracle, vous êtes finalement jugé inutile. La vérité est que soit l’industrie n’est pas prête pour le ML, soit le type de problèmes posés au ML n’est pas bien pensé. Si vous pouviez simplement jeter un tas de variables et prédire le marché boursier, ne pensez-vous pas que les gens l’auraient déjà fait ? Pourtant, c’est le type de problème qui vous sera lancé parce que ce sont les types de problèmes qui apportent de la valeur à l’entreprise. La réalité est que vous n’allez probablement pas rencontrer de problèmes de type ensemble de données Python où les résultats sont excellents. Au lieu de cela, ce que vous allez rencontrer est le problème le plus difficile de l’entreprise (c’est-à-dire la tarte dans le ciel) parce que ce sont les types de problèmes si résolus seraient de la plus grande valeur pour l’entreprise.

Maintenant, c’est une situation délicate où, “Aucun de ses modèles n’était utile”. “Peut-être qu’il est trop stupide ou peut-être que ML ne peut tout simplement pas résoudre ces problèmes.” Évidemment, ce dernier est plus vrai. MDR

Donc, ce que j’ai prouvé, c’est que le ML ne peut pas résoudre tous ces problèmes de manière convaincante, au lieu de résoudre réellement les problèmes de l’entreprise. Donc, avant d’être licencié, je dois trouver un emploi dans une entreprise et une industrie qui utilise réellement le ML dans la bonne direction pour résoudre des problèmes significatifs et bien pensés. C’est quelque chose que tout le monde devrait faire pour que votre CV ne soit pas plein de projets échoués. Qui veut embaucher un data scientist avec un tas de projets échoués ? Mon dernier point est, faites attention où vous prenez un emploi. Assurez-vous de faire des recherches sur l’entreprise et assurez-vous que l’industrie est prête pour le ML.

Mise à jour intermédiaire – Je viens de passer la barre des 6 mois et je n’ai toujours pas été licencié. La drôle d’histoire est que je crois que j’ai failli être viré un vendredi. Tout le monde a commencé à me regarder comme si quelqu’un venait de tirer sur son chien. Le gars de l’informatique m’a donné ce regard comme s’il savait quelque chose sur moi mais ne pouvait pas me le dire. Je soupçonne qu’on lui a dit de mettre fin à mon accès à la fin de la journée ! Et vers 15 heures ce jour-là, il y a eu une tournure soudaine des événements et un énorme projet est venu par hasard sur ma route que le PDG a mandaté. Évidemment, il n’y avait personne d’autre qui pouvait le faire à part moi parce que j’étais le gars résident de ML. Maintenant, après 6 mois, je crois que j’ai montré quel type de projets ne peut pas être fait et ce qui peut le faire, donc certains des projets à venir ont été plus judicieux. Récemment, j’ai mis un modèle en production par le mandat du PDG. Tant que ce modèle doit être recyclé et maintenu, je peux avoir la sécurité d’emploi. MDR. Espérons que cette tendance se poursuivra. Merci!

Dernière mise à jour : j’ai été officiellement licencié ! Maintenant avec le Coronavirus, plus personne n’embauche ! AIDER!

J’ai vu des équipes entières de data scientists être licenciées et remplacées par différents types d’équipes de « data science ».

Je parle du changement de paradigme de la science des données depuis plusieurs années maintenant et il semble que ce n’est que maintenant qu’il prend de l’ampleur. Ce que cela signifie : les entreprises se rendent compte que ce dont elles ont vraiment besoin, ce n’est pas de la « science des données », mais des praticiens des données. Ils ont besoin de gens qui connaissent les données et ils ont besoin des outils et de l’infrastructure pour leur permettre. C’est très différent d’un ensemble de compétences classique de data scientist.

La raison pour laquelle cela a pris si longtemps est à cause des vagues de battage médiatique. La première vague de la science des données

Continuer la lecture

J’ai vu des équipes entières de data scientists être licenciées et remplacées par différents types d’équipes de « data science ».

Je parle du changement de paradigme de la science des données depuis plusieurs années maintenant et il semble que ce n’est que maintenant qu’il prend de l’ampleur. Ce que cela signifie : les entreprises se rendent compte que ce dont elles ont vraiment besoin, ce n’est pas de la « science des données », mais des praticiens des données. Ils ont besoin de gens qui connaissent les données et ils ont besoin des outils et de l’infrastructure pour leur permettre. C’est très différent d’un ensemble de compétences classique de data scientist.

La raison pour laquelle cela a pris si longtemps est à cause des vagues de battage médiatique. La première vague de la science des données avait du sens. Vous aviez affaire à des données marketing ou de consommation ou à des données politiques facilement disponibles.

Les entreprises ordinaires (par exemple la fabrication, etc.) ont commencé à investir beaucoup plus tard. Beaucoup ont approché les scientifiques des données complètement à l’envers. Ils ont constitué des équipes cloisonnées de scientifiques des données de niveau doctorat, leur ont fourni des données et s’attendaient à ce qu’ils impressionnent les parties prenantes.

Pour des raisons principalement politiques, les dirigeants qui ont commis cette erreur ont maintenu ces équipes financées pendant un certain temps, même en sachant qu’il s’agissait davantage d’une activité de récréation de terrain de jeu que de résultats réels. Mais le plaisir doit prendre fin un jour, ces équipes sont dissoutes.

Cela signifie-t-il que la science des données s’estompe ? Absolument pas. Mais cela signifie que les attentes changent et que les organisations se réveillent à l’idée que l’éducation et les compétences en science des données ne résoudront pas comme par magie leurs problèmes les plus difficiles.

L’objectif ici est d’amener les organisations à être axées sur les données. Ne pas développer un modèle d’apprentissage machine magique adapté à tous les scénarios possibles et capable d’optimiser les opérations de 20 %.

Au fur et à mesure que nous progressons, je m’attends à ce que beaucoup moins de scientifiques des données, beaucoup plus d’ingénieurs de données et beaucoup plus d’employés normaux soient formés à des éléments des ensembles de compétences en science des données.

J’ai été embauché en tant que DS senior par un PDG d’une société cotée (en crédit à la consommation) en pleine transformation digitale. J’ai envisagé l’opportunité avec appréhension car (1) je n’étais pas sûr que l’entreprise soit viable pour l’avenir, (2) le conseil d’administration n’était pas composé d’administrateurs indépendants, et (3) la personne dont je devais rendre compte était un ancien cadre consultant qui n’avait manifestement aucune expérience en leadership. Le PDG était un vendeur, plein d’air chaud et avait vendu le conseil sur la façon dont l’IA allait transformer par magie l’entreprise, d’où beaucoup de financement pour aider à redresser l’entreprise.

Au départ, je tourne

Continuer la lecture

J’ai été embauché en tant que DS senior par un PDG d’une société cotée (en crédit à la consommation) en pleine transformation digitale. J’ai envisagé l’opportunité avec appréhension car (1) je n’étais pas sûr que l’entreprise soit viable pour l’avenir, (2) le conseil d’administration n’était pas composé d’administrateurs indépendants, et (3) la personne dont je devais rendre compte était un ancien cadre consultant qui n’avait manifestement aucune expérience en leadership. Le PDG était un vendeur, plein d’air chaud et avait vendu le conseil sur la façon dont l’IA allait transformer par magie l’entreprise, d’où beaucoup de financement pour aider à redresser l’entreprise.

Au départ, j’ai refusé le poste alors que c’était exactement la direction que je voulais donner à ma carrière. Suite à une discussion ultérieure avec le PDG, j’ai accepté de rejoindre et j’ai signé le contrat de travail. La description de poste était mince et générale. Jusqu’à présent, j’avais compris qu’ils avaient besoin de moi pour réviser leurs cartes de pointage du risque de crédit et automatiser leur processus de décision de crédit. Ils voulaient également que je crée une équipe de science des données et que j’applique l’IA/ML à l’ensemble de l’entreprise. Note : J’ai apporté à l’entreprise 14 ans d’expérience en tant que co-fondateur et directeur de 2 start-up quant hedge funds ayant navigué dans le GFC.

Deux semaines après le début de mon rôle, on m’a demandé de signer une description de poste « convenue » avec des échéanciers. J’étais d’accord sur l’hypothèse que les données avec lesquelles je travaillerais étaient à l’épreuve des balles et « prêtes pour le ML ». La réalité était bien différente.

On m’a fourni un ordinateur portable avec 8 Go de RAM qui a été installé avec Excel 32 bits. C’était une préoccupation majeure car je pensais que le monde avait migré vers Excel 64 bits il y a plus de 10 ans. On m’a ensuite remis des fichiers Excel contenant des données avec lesquelles construire des modèles de carte de pointage du risque de crédit.

Il m’est rapidement apparu que les données contenaient des informations mal étiquetées. J’ai souligné cela à mon manager (récemment nommé cadre supérieur) qui a essentiellement haussé les épaules. L’un des analystes commerciaux résidents avait écrit des scripts pour extraire les données de l’entrepôt de données (auquel je n’avais pas accès). Le fichier de données avait été fourni à une tierce partie offshore qui a effectué une analyse exploratoire des données avant mon arrivée, et bien sûr, les résultats ne pouvaient pas être invoqués en raison des erreurs de classification dans les données telles que fournies.

Le PDG encourageait l’organisation à continuer à utiliser les services de ce fournisseur de services offshore et après avoir pesé quelques options, j’ai décidé qu’il serait peut-être sage de continuer à utiliser leurs services, car ils avaient une certaine familiarité avec les données/l’entreprise, pour créer un Référentiel de base de données dédié aux applications de ML telles que le développement de modèles de carte de pointage du risque de crédit.

Ma première évaluation des performances après 2 semaines s’est bien passée. Ensuite, les choses ont commencé à tourner au sud et les jalons du projet ont commencé à exploser.

Le prestataire de services ne pouvait pas communiquer efficacement en anglais et gérer son travail revenait à garder un groupe d’étudiants de premier cycle en créant pour la première fois un univers de facteurs.

Il est également devenu évident qu’ils n’avaient pas d’expérience préalable dans la création de cartes de pointage du risque de crédit. À ce moment-là, j’ai pris la décision exécutive d’assumer personnellement la responsabilité du développement du modèle de carte de pointage.

Il y a eu de nombreuses frustrations liées aux données en cours de route et il est juste de dire qu’environ 80 à 90 % de notre temps était uniquement consacré aux données et aux problèmes de qualité associés.

Au fur et à mesure que je commençais à mieux comprendre les tableaux de bord existants, j’ai posé plus de questions et j’ai fini par aller un peu trop loin. Je demandais aux dirigeants lors de mes sessions hebdomadaires Zoom pourquoi certaines décisions commerciales étaient basées sur des distributions statistiques non liées. Tous les doigts semblaient pointer vers mon manager ! Il semblerait donc que je l’ai fait mal paraître devant l’équipe de direction par rapport à une décision commerciale qu’il a prise bien avant mon arrivée et qui a fait perdre à l’entreprise près de 50 % des demandes de crédit à la consommation de nouveaux clients.

Il s’est approché de moi le lendemain plutôt penaud pour m’interroger sur l’écart sur lequel j’ai réaffirmé mon observation/point de vue. Rien de plus n’a été dit. Mais la communication suivante que j’ai reçue de lui était à 18 heures un vendredi soir exprimant comment, à son avis, je n’avais pas rempli les exigences du DS senior. Cela s’est produit environ 4,5 mois après le début du rôle sans suivi intermédiaire des progrès de la probation depuis la marque des 2 semaines.

Au cours des 3 semaines suivantes, j’ai soumis deux modèles distincts de tableaux de bord successeurs au comité de crédit qui les a tous deux approuvés à l’unanimité. Lors de ma prochaine rencontre en tête-à-tête avec le PDG, il a dit qu’il n’avait aucun souci avec ce que je faisais.

Le lundi suivant, lors de ce qui était censé être une réunion de rattrapage, j’ai été informé par mon responsable, en présence de la dame des ressources humaines, que je n’avais pas rempli les exigences du DS senior (ne pas livrer dans les délais convenus ?!) et a reçu un préavis d’une semaine.

Bien que choqué, j’étais également soulagé car le rôle était devenu stressant. Pas très adapté (conflit de personnalité avec mon manager) et certainement une organisation qui n’était pas prête pour l’IA/ML.

Depuis, j’ai regardé d’autres rôles DS. Je vois que Python et R sont très recherchés. Mais à mon avis, l’expérience et le souci du détail sont des attributs plus importants que l’expérience de l’utilisation de certains outils. Pratiquement n’importe qui peut lancer des algos ML à l’aide de Python, mais être diligent, avoir un état d’esprit de validation et suffisamment d’expérience pour détecter les préjugés vient d’années de pratique, et ce que je vois se dérouler me préoccupe.

Cela m’est arrivé.

L’une des raisons était que je n’étais pas un bon candidat pour cette équipe. J’ai toujours pensé que « les directives valent mieux que les règles », alors qu’ils voulaient standardiser et avoir une règle écrite pour tout, de la façon de répondre aux questions des utilisateurs métier à la façon d’écrire des sous-requêtes en SQL. Je n’étais pas non plus une bonne personne parce qu’ils aimaient énormément Scrum, alors que j’aime expérimenter, essayer de nouvelles choses, explorer de nouvelles avenues, faire essentiellement la partie Science de Data Science – toutes choses que vous ne pouvez pas faire dans un environnement Scrum, où tout doit être défini et chronométré avant même que vous sta

Continuer la lecture

Cela m’est arrivé.

L’une des raisons était que je n’étais pas un bon candidat pour cette équipe. J’ai toujours pensé que « les directives valent mieux que les règles », alors qu’ils voulaient standardiser et avoir une règle écrite pour tout, de la façon de répondre aux questions des utilisateurs métier à la façon d’écrire des sous-requêtes en SQL. Je n’étais pas non plus une bonne personne parce qu’ils aimaient énormément Scrum, alors que j’aime expérimenter, essayer de nouvelles choses, explorer de nouvelles avenues, faire essentiellement la partie Science de Data Science – toutes choses que vous ne pouvez pas faire dans un environnement Scrum, où tout doit être défini et chronométré avant même de commencer.

Ensuite, l’équipe était formellement dirigée par un « Product Owner » bien intentionné mais inexpérimenté, inadéquat, analphabète des données, qui ne savait pas ce qu’était une matrice de confusion et qui insistait pour faire perdre du temps à tout le monde avec des réunions inutiles de deux heures sur « l’équipe » mission”, ou “nettoyer l’arriéré”, ou d’autres bêtises d’entreprise. Mais les personnes qui dirigeaient vraiment la série étaient un groupe central de membres jeunes et arrogants qui dirigeaient les choses d’une manière “à ma façon ou pas du tout”, et qui parlaient souvent dans votre dos. La situation était si mauvaise qu’un jour je suis rentré chez mon partenaire et j’ai juste fondu en larmes, ce que je ne fais pas souvent. Vous pouvez penser que je suis amer et partial, et peut-être que je le suis, mais quand une équipe perd environ la moitié de ses membres en un peu plus d’un an, plus d’autres types de drames dans lesquels je n’entrerai pas,

Heureusement, j’ai trouvé un bien meilleur travail en quelques jours (en fait, j’étais déjà au deuxième tour d’entretiens pour trois postes différents avant mon dernier jour). Maintenant, je gagne environ 50 % de plus qu’avant, j’ai de bien meilleurs collègues et mon niveau de stress a considérablement diminué. Tout bien considéré, je suis content qu’ils m’aient donné la botte.

Oui, j’ai aidé à embaucher un data scientist dans un emploi précédent qui a été licencié après environ 4 mois.

Le problème a commencé avec les compétences en communication. Il a été presque immédiatement incapable de mener des conversations avec d’autres employés numériques et partenaires commerciaux. Habituellement, les employés sont un peu timides au début pendant qu’ils apprennent le métier, pas ce type. Il disputait sur des points qui n’avaient pas d’importance et ne comprenait pas vraiment la motivation des gens parce qu’il n’écoutait pas.

Ce problème de communication s’est transformé en un quasi refus de faire les choses qu’on lui demandait. Il a souvent fait des analyses qu’il voulait que nous fassions inste

Continuer la lecture

Oui, j’ai aidé à embaucher un data scientist dans un emploi précédent qui a été licencié après environ 4 mois.

Le problème a commencé avec les compétences en communication. Il a été presque immédiatement incapable de mener des conversations avec d’autres employés numériques et partenaires commerciaux. Habituellement, les employés sont un peu timides au début pendant qu’ils apprennent le métier, pas ce type. Il disputait sur des points qui n’avaient pas d’importance et ne comprenait pas vraiment la motivation des gens parce qu’il n’écoutait pas.

Ce problème de communication s’est transformé en un quasi refus de faire les choses qu’on lui demandait. Il a souvent fait des analyses qu’il voulait que nous fassions à la place. Ce qui est profondément problématique, c’est que les choses demandées sont des analyses basiques, standard, essentielles.

Une façon dont il aurait pu faire tout cela et rester «dans le bon» était s’il était capable d’expliquer son point de vue, de plaider en sa faveur ou de nous aider à comprendre les choses nécessaires qui nous importaient via ceux-ci à la place. Il ne pouvait pas. Ce que j’ai manqué en l’interviewant, mais j’ai réalisé peu de temps après son arrivée, c’était qu’il était un data scientist de niveau bootcamp, avec un vocabulaire de leader d’opinion. Il avait entendu de nombreux mots et théories passionnants, mais ne comprenait pas grand-chose.

Une chose que vous pourriez vous demander, c’est pourquoi nous l’embaucherions. Il s’agissait d’un ancien de Facebook, qui travaillait dans la science des données depuis environ 5 ans. Il a également très bien réussi lors des entretiens, à la seule exception d’un ingénieur qui l’a trouvé légèrement condescendant.

Oui. J’ai travaillé dans une entreprise de taille moyenne appartenant à PE où ils avaient embauché un très bon Data Scientist/Statisticien. Ce qu’ils ont finalement compris, c’est que les idées, les recommandations, les idées de produits, etc. que cette personne suggérait étaient excellentes, mais qu’ils avaient trop de problèmes « de base » (nettoyer les mauvais pipelines de données, déterminer les meilleures métriques pour mesurer leur entreprise, améliorer leur site Web, etc.) à faire avant qu’il ne vaille la peine de détourner les ressources d’ingénierie pour créer des éléments plus avant-gardistes.

Je crois que cela se produit dans les entreprises bien plus que les gens ne l’admettent, et les « vraies » données

Continuer la lecture

Oui. J’ai travaillé dans une entreprise de taille moyenne appartenant à PE où ils avaient embauché un très bon Data Scientist/Statisticien. Ce qu’ils ont finalement compris, c’est que les idées, les recommandations, les idées de produits, etc. que cette personne suggérait étaient excellentes, mais qu’ils avaient trop de problèmes « de base » (nettoyer les mauvais pipelines de données, déterminer les meilleures métriques pour mesurer leur entreprise, améliorer leur site Web, etc.) à faire avant qu’il ne vaille la peine de détourner les ressources d’ingénierie pour créer des éléments plus avant-gardistes.

Je crois que cela se produit dans les entreprises bien plus que les gens ne l’admettent, et que les « vrais » Data Scientists se retrouvent soit à faire un travail qu’ils ne veulent pas faire, soit ils se font peut-être licencier. Je ne sais pas s’ils ont licencié quelqu’un, mais un exemple bien documenté d’une entreprise qui n’est pas prête pour les trucs sophistiqués est l’histoire de Netflix et de leur prix de 1 million de dollars : Netflix n’a jamais utilisé son algorithme de 1 million de dollars en raison de coûts d’ingénierie.

Oui.

Un de mes amis qui travaille comme analyste depuis plusieurs années s’est récemment reconverti dans le domaine de la science des données. Elle a appris la science des données en autodidacte et n’avait pas beaucoup d’expérience.

Elle a rejoint une entreprise et à la semaine 6, elle a été licenciée par l’entreprise. Et, la raison pour laquelle ils ont dit est qu’ils avaient besoin de quelqu’un pour diriger l’équipe et se mettre au travail dès que possible. Mais, mon ami n’a pas été informé de cela au moment de l’adhésion.

Donc, si vous souhaitez devenir data scientist, assurez-vous simplement d’avoir toutes les compétences nécessaires pour exceller dans ce domaine.

Il est important de posséder de solides mathéma

Continuer la lecture

Oui.

Un de mes amis qui travaille comme analyste depuis plusieurs années s’est récemment reconverti dans le domaine de la science des données. Elle a appris la science des données en autodidacte et n’avait pas beaucoup d’expérience.

Elle a rejoint une entreprise et à la semaine 6, elle a été licenciée par l’entreprise. Et, la raison pour laquelle ils ont dit est qu’ils avaient besoin de quelqu’un pour diriger l’équipe et se mettre au travail dès que possible. Mais, mon ami n’a pas été informé de cela au moment de l’adhésion.

Donc, si vous souhaitez devenir data scientist, assurez-vous simplement d’avoir toutes les compétences nécessaires pour exceller dans ce domaine.

Il est important de posséder de solides compétences en mathématiques, en programmation, en pensée critique, en résolution de problèmes et de bonnes compétences en présentation.

Regardez la vidéo intellipaat pour acquérir les compétences de data scientist,

Avant de rejoindre une entreprise,

  • Lisez attentivement la description du poste
  • Comprendre ce que recherche l’employeur
  • Sachez ce que vous pouvez faire en tant que data scientist pour aider les organisations à améliorer leur activité

Oui, j’ai vu cela plusieurs fois dans des sociétés de services financiers (c’est-à-dire des banques et des compagnies d’assurance).

Si vous vous êtes déjà demandé comment toutes ces sociétés de services financiers en 2008 s’en sont sorties avec tant de malhonnêteté et ont perdu les économies de millions de personnes avec si peu de leurs data scientists en ont parlé plus tôt, c’est parce que ceux qui l’ont fait ont tous perdu leurs emplois.

Il y a beaucoup de corruption dans le secteur des services financiers, et les analystes de données sont invités à faire des choses très malhonnêtes car cela rapporte plus de clients et de revenus à l’entreprise. Lors de l’entretien d’embauche, le

Continuer la lecture

Oui, j’ai vu cela plusieurs fois dans des sociétés de services financiers (c’est-à-dire des banques et des compagnies d’assurance).

Si vous vous êtes déjà demandé comment toutes ces sociétés de services financiers en 2008 s’en sont sorties avec tant de malhonnêteté et ont perdu les économies de millions de personnes avec si peu de leurs data scientists en ont parlé plus tôt, c’est parce que ceux qui l’ont fait ont tous perdu leurs emplois.

Il y a beaucoup de corruption dans le secteur des services financiers, et les analystes de données sont invités à faire des choses très malhonnêtes car cela rapporte plus de clients et de revenus à l’entreprise. Au cours de l’entretien d’embauche, ils ne peuvent pas demander à un analyste de données si cette personne est prête à faire des choses malhonnêtes au nom d’un employeur. Si l’analyste ferme les yeux lorsque des informations inexactes et trompeuses sont présentées aux clients, alors l’analyste est récompensé par des bonus et des éloges. Les analystes qui protestent et disent qu’ils ne fourniront pas de faux chiffres et informations sont licenciés pour “ne pas faire leur travail”.

Les meilleurs data scientists que j’ai rencontrés refusent de travailler pour les banques et les assureurs de nos jours. Je pense que ces entreprises se tirent une balle dans le pied parce que les personnes les plus intelligentes se détournent de ces emplois et acceptent les offres d’emploi d’employeurs honnêtes.

Oui,

Aujourd’hui, tout le monde se lance dans le ML, il y a donc beaucoup plus de concurrence ; et étant un domaine « nouveau » ; la plupart du temps, les gens apprennent des choses qui ne sont pas très utiles, une fois que vous commencez à travailler en tant que data scientist.

L’apprentissage n’en est qu’une partie ; alors vous avez besoin d’expérience; et personne ne vous paie pour acquérir de l’expérience ; c’est pourquoi vous devez travailler pour de petites entreprises pour rassembler vos affaires. Si non; vous êtes licencié.

La plupart des data scientists ont été embauchés alors qu’il n’y en avait pas tant que ça ; maintenant la sélection est plus large, vous obtenez des personnes plus qualifiées car elles ont peu d’années d’expérience à ce stade, et la plupart

Continuer la lecture

Oui,

Aujourd’hui, tout le monde se lance dans le ML, il y a donc beaucoup plus de concurrence ; et étant un domaine « nouveau » ; la plupart du temps, les gens apprennent des choses qui ne sont pas très utiles, une fois que vous commencez à travailler en tant que data scientist.

L’apprentissage n’en est qu’une partie ; alors vous avez besoin d’expérience; et personne ne vous paie pour acquérir de l’expérience ; c’est pourquoi vous devez travailler pour de petites entreprises pour rassembler vos affaires. Si non; vous êtes licencié.

La plupart des data scientists ont été embauchés alors qu’il n’y en avait pas tant que ça ; maintenant, la sélection est plus large, vous obtenez des personnes plus qualifiées car elles ont peu d’années d’expérience à ce stade, et surtout, elles demandent un meilleur salaire, par rapport au salaire surpayé que le même poste couvrirait il y a quelques années à peine.

Je l’ai à la fois vu et fait.

Mettons-nous à l’écart – parfois, cela ne fonctionne tout simplement pas ; vous n’obtenez pas ce que vous espériez d’un membre de l’équipe.

Vu : la « science des données » est une équipe presque dénuée de sens – et par conséquent, le domaine regorge d’attentes injustifiées.

C’est vraiment facile d’embaucher un scientifique – il est beaucoup plus difficile de fournir une valeur réelle à partir d’un projet de science des données ; les projets échouent pour des tonnes de raisons ; adhésion organisationnelle insuffisante, beaucoup de science – mais peu de données, et ainsi de suite. J’ai vu un tas de cas où quelqu’un “a embauché une équipe scientifique” – mais après quelques années sans véritable bus

Continuer la lecture

Je l’ai à la fois vu et fait.

Mettons-nous à l’écart – parfois, cela ne fonctionne tout simplement pas ; vous n’obtenez pas ce que vous espériez d’un membre de l’équipe.

Vu : la « science des données » est une équipe presque dénuée de sens – et par conséquent, le domaine regorge d’attentes injustifiées.

C’est vraiment facile d’embaucher un scientifique – il est beaucoup plus difficile de fournir une valeur réelle à partir d’un projet de science des données ; les projets échouent pour des tonnes de raisons ; adhésion organisationnelle insuffisante, beaucoup de science – mais peu de données, et ainsi de suite. J’ai vu un tas de cas où quelqu’un “a engagé une équipe scientifique” – mais après quelques années sans réelle valeur commerciale, l’équipe était facile à faire.

J’ai été informé que mes compétences n’étaient plus nécessaires après avoir développé des outils de science des données pour l’équipe (étant la plus avertie en technologie) à utiliser qui n’étaient pas à l’abri des erreurs de l’utilisateur.

Le responsable technique n’avait aucune expérience en programmation et était extrêmement contrarié par le fait que l’ignorance des instructions entraînait l’échec de l’application (j’ai ajouté des réponses d’erreur, donc si l’utilisateur n’utilisait pas l’application correctement, cela produirait une erreur et où se trouvait le problème plutôt que fonctionne et fournit une sortie incorrecte). Elle a envoyé un e-mail à tous les dirigeants de mon département à chaque fois qu’elle ou certains de ses amis (qui semblaient également simi

Continuer la lecture

J’ai été informé que mes compétences n’étaient plus nécessaires après avoir développé des outils de science des données pour l’équipe (étant la plus avertie en technologie) à utiliser qui n’étaient pas à l’abri des erreurs de l’utilisateur.

Le responsable technique n’avait aucune expérience en programmation et était extrêmement contrarié par le fait que l’ignorance des instructions entraînait l’échec de l’application (j’ai ajouté des réponses d’erreur, donc si l’utilisateur n’utilisait pas l’application correctement, cela produirait une erreur et où se trouvait le problème plutôt que fonctionne et fournit une sortie incorrecte). Elle a envoyé un courrier électronique à tous les dirigeants de mon département chaque fois qu’elle ou certains de ses amis (qui semblaient également illettrés) n’utilisaient pas correctement les applications que j’avais créées, disant que si je l’avais terminé correctement la première fois, il serait impossible d’avoir des erreurs (même erreur de l’utilisateur). Quand j’ai été informé que c’était mon dernier jour, c’était un mélange de frustration et de soulagement profond.

J’ai pris des vacances pendant quelques mois avant de postuler à nouveau à un emploi, et j’ai eu une bien meilleure opportunité dans la semaine qui a suivi.

Question la plus posée liée à Avez-vous déjà vu un data scientist se faire licencier ? Si oui, pourquoi ? :

  • Quels-emplois-payent-7-chiffres ?
  • Pouvez-vous-survivre-avec 10-dollars-une-heure-si-vous-travaillez-40-heures-par-semaine ?
  • Quel-était-votre-premier-emploi-combien-avez-vous-été-payé ?
  • Quelle-est-la-meilleure-partie-de-votre-travail ?
  • Comment-obtenir-un-emploi-à-RBI-Bank ?
  • Qu’est-ce-qui-serait-mieux-sur-un-CV-si-postuler-à-un-emploi-chez-Google-travaillait-sur-Facebook-ou-travaillait-chez-Amazon-pour-le-même-poste ?
  • Comment-pourrai-je-obtenir-un-emploi-d’ingénieur-gouvernemental-après-avoir-terminé-mon-ingénierie-électrique ?
  • Est-ce que les PSU-comme-PGCIL-BHEL-NTPC-ONGC-ONGC-BSNL-etc-fournissent-un-salaire-à-leurs-employés-sur-la-base-de-la-3e-RPC-actuellement ?
  • Mon-collègue-ne-m’aimait pas-a-déclaré-harcèlement-puis-j’ai-été-licencié-Quel-est-le-meilleur-moyen-de-se-venger-professionnellement ?
  • Quelles-sont-les-principales-différences-entre-un-diplôme-en-sciences-politiques-et-un-diplôme-en-droit-et-quelle-carrière-pourrais-je-faire-avec-un-diplôme-en-sciences-politiques ?
  • Est-il-possible-que-Bill-Gates-a-plus-d’argent-que-la-valeur-nette-de-Forbes ?
  • Qui-est-le-meilleur-cours-en-informatique-qui-beaucoup-de-chances-d’emplois ?
  • Quels-sont-les-emplois-disponibles-après-l’achèvement-d’aB-Architecture ?
  • Quels-sont-les-emplois-impliquant-l’ECE ?
  • Je-veux-quitter-mon-emploi-d’un-BPO-et-commencer-un-nouvel-emploi-Que-puis-je-faire ?
  • Quel-domaine-en-biologie-est-facile-à-avoir-un-salaire-élevé-et-avoir-une-espérance-d’emploi-élevée ?
  • Que-sont-les-emplois-indépendants-Comment-devenir-indépendant ?
  • Les titulaires d’un visa H1B acceptent-ils-des-emplois-américains ?
  • Où-devrais-je-travailler-maintenant-je-suis-une-personne-qui-a-un-diplôme-en-hôtellerie-mais-ne-veut-plus-travailler-dans-l’hôtellerie ?
  • Quel-rôle-de-travail-ajoute-le-plus-de-valeur-à-la-société ?
  • Combien-un-étudiant-international peut-il-gagner-en-occupant-un-emploi-à-temps-partiel-au-Canada-par-mois?
  • J’ai-besoin-d’un-emploi-au-Canada-Quelle-procédure-suivre-?
  • Qu’est-ce-que-LinkedIn-réellement-pour-en-comment-est-ce-utile-pour-faire-votre-carrière ?
  • Une-MTech-après-ECE est-elle-essentielle-pour-obtenir-un-bon-emploi-dans-les-MNC-réputées ?
  • Quel-est-le-salaire-offert-par-les-PSU-via-GATE-pour-les-etudiants-en-genie-civil ?
  • Quels-sont-les-différents-types-d’emplois-pour-les-ingénieurs-civils ?
  • Si-l’argent-n’etait-vraiment-un-problème-pour-quelqu’un-dans-la-société-travailleriez-vous-toujours-un-travail-Pensez-vous-que-la-plupart-des-personnes-feraient-ou-ne-ne-feraient pas-?
  • Comment-obtenir-un-emploi-PSU ?
  • Quels-types-de-masters-sont-possibles-après-une-majeure-en-sociologie ?
  • Comme-Arvind-Kejriwal-est-arrivé-au-pouvoir-à-Delhi-avec-sa-lutte-contre-la-corruption-quelles-sont-les-mesures-prises-par-lui-pour-réduire-la-corruption-à-Delhi ?