Социальные проекты на базе данных — отменная возможность осознать, что мощь Big Data и Data Science быть может ориентирована не только лишь на достижение короткосрочного экономического эффекта. Приложений тут масса: здравоохранение, образование, благотворительность, поисково-спасательные работы и почти все, почти все другое.
Очень показательный определенный пример — построение модели для детектирования людей на снимках с квадракоптера для «Лизы Алерт». Детектирование объекта на снимке — обычная задачка компьютерного зрения, но в этом случае ее усложняют ряд событий: местность быть может весьма разной, и далековато не постоянно в принципе реально отыскать решение. При всем этом полезность от определения изображений измеряется не заработанными средствами, а человечьими жизнями. Не стоит, естественно, мыслить, что коммерческое применение компьютерного зрения не может выручать жизни: контроль соблюдения гигиенических норм работниками пищевых производств, контроль соблюдения норм сохранности на любом томном производстве либо стройке, в конце концов четкое диагностирование болезней по снимкам — все это тоже весьма даже помогает людям. И все таки социальные проекты мотивируют профессионалов по анализу данных по-особенному — дают ощутить, что такие технологии и методы могут поменять мир.
Весьма здорово социальные проекты, основанные на данных, получаются у фаворитов ИТ-индустрии. Взять этот же индекс самоизоляции на главной страничке «Yandex’а». Может показаться, что там нечего созодать: проверить, что геолокация у человека не изменяется, — и всё. По сути, когда начинаешь прописывать в правилах, что все-таки значит «геолокация не изменяется», когда начинаешь учесть различный масштаб соответствующих расстояний в городках различного размера, когда на все это накладывается неувязка пропущенных и неточных данных, возникает очень нетривиальная задачка фильтрации и обработки логов геоданных. Очевидно, идеальнее всего с ней могут совладать спецы, часто сталкивающиеся с схожими неуввязками в собственных сервисах.
Какие спецы необходимы
Потому до этого чем выручать людские жизни и поменять мир, хорошо бы научиться в принципе работать с данными. И тут кроется основная, на мой взор, опасность для соц проектов, основанных на данных, и в целом для области Data Science. Ажиотаж вокруг нее так велик, что уже мешает обучаться по-настоящему. Большущее количество курсов, обещающих успешное трудоустройство в Data Science через три месяца, огромное количество историй фуррора и разогретый баснословными зарплатами рынок — все это подталкивает начинающих ухватить хоть какие-то познания и быстрее бежать устраиваться на работу и монетизировать чуть усвоенные азы.
Сказывается и вечное рвение людей ассоциировать свои и чужие заслуги. Почти все торопятся «не отстать» от друзей и перепродают собственный опыт как можно почаще и дороже, переходя в новейшие компании. За всей данной для нас суетой пропадает основное — умение работать с данными. Подавляющее большая часть профессионалов по Data Science потрясающе существовали бы без постановки им целей и совершенно без какого-нибудь управления — но ничего неплохого в этом нет. По моей личной оценке, 90% людей в отрасли совершенно не задаются вопросцем, для чего рассматривать данные и строить какие-то прогнозные модели. Довольно того, чтоб это был увлекательный для их процесс. Почему? Все просто: весьма немногие команды удосуживаются оценить до старта проекта, что он принесет. В процессе ведения проекта изредка кто уточняет эти оценки, также ставит задачки и выстраивает работу так, чтоб с большей вероятностью принести пользу бизнесу.
Все это сродни предпринимательству. Есть люди, которые сходу бегут запускать бизнес, находить инвестиции, нанимать людей, арендовать дорогой кабинет — в общем, делают огромное количество невразумительных шагов. А есть остальные — те, кто кропотливо сформировывает перечень гипотез, продумывает варианты работы компании и описывает ценности, которые она может создавать, инспектирует наличие потребности у будущих клиентов и оценивает возможный размер грядущего рынка. Только опосля этого они делают малый жизнестойкий продукт (MVP) и тестируют его на первых клиентах, уточняют бизнес-модель и, получив подтвержденные тестами денежные оценки, погружаются с головой в расширение бизнеса. Так же и в работе с данными: есть люди, которым только бы что-то рассматривать, а переработать можно хоть 10 раз. А есть спецы, которые продумывают, планируют свою работу и делают ее отлично сходу либо практически сходу. Вот такие специалисты на данный момент в большом недостатке. И неудача в том, что без их нереально создать успешный проект. Это правильно и в бизнесе, и в соц проектах. Так что если сама по для себя Data Science в рекламе не нуждается, то в рекламе весьма нуждается ответственный подход к ее освоению и применению.
Не дозволить раздувать пузырь
Чтоб побороть эту глобальную делему нехватки экспертов и излишка поверхностных профессионалов в отрасли Data Science, не дозволить нашей области перевоплотиться просто в пузырь, принципиально еще со школы сформировывать у будущих профессионалов по анализу данных правильные ценности в вопросцах образования и работы. Фокус внимания учащихся должен быть не на формальном получении больших оценок и не на сиюминутном извлечении выгоды из каких-либо базисных познаний, а в глубочайшем осознании материала. Область Data Science стоит на фундаменте из арифметики и программирования, но как быть, когда фундаментальную арифметику человек не сообразил, поэтому что, как обожают шутить некие, «в жизни математика нужна лишь учителям арифметики»? Очевидно, у него возникнут суровые задачи с осознанием работы алгоритмов, со способностью их дорабатывать, «чинить», когда что-то сломалось, и применять творческий подход.
Принципиально, чтоб педагоги давали животрепещущие примеры использования познаний по собственному предмету, а ученики — отыскивать эти примеры без помощи других. К примеру, в университетах на упражнениях по линейной алгебре изучают сингулярное разложение матриц. А вот если б студенты впору услышали (либо отыскали сами в поисковиках либо «Википедии»), что это не попросту некое там разложение, а инструмент, при помощи которого в современных стриминговых сервисах юзеру индивидуально советуют достойные внимания киноленты, — тема заиграла бы новенькими красками.
Очевидно, идеальнее всего будет, если такие длинноватые связи станут выстраивать составители школьных и институтских программ. Но готовность учащегося не только лишь полагаться на создателя учебной программки и педагога, да и без помощи других «вести расследование» в отношении того, что и для чего необходимо и как оно соединено с настоящим миром, — весьма нужный навык.
Что не хватает слабеньким спецам в области анализа данных, ну и в почти всех остальных областях ИТ? Наверняка, конкретно данной для нас любознательности и склонности находить связи. И естественно — трудолюбия и готовности систематично работать на длительный итог.
Источник: