Google首席决策师告诉你AI和数据科学团队需要哪10种角色
作者 | Cassie Kozyrkov
译者 | linstancy、王天宇
编辑 | Jane、琥珀
出品 | AI 科技大本营
【导读】组建一个出色的数据团队都需要哪些角色？Google 的首席决策工程师 Cassie Kozyrkov 在这一问题上有自己独到的见解。在她看来，一个好的 AI 和数据科学团队需要 10 种不同的角色。无论你是公司的管理者、招聘者，还是想在数据科学领域工作的求职者，都可以在这篇文章中找到对自己有用的信息。
Google 的 Geoffrey Hinton 是我的偶像，也是深度学习领域的开山鼻祖，
但我不希望一个团队中有10个 Geoffrey Hinton 这样的成员而没有其他角色。
应用数据科学是高度跨学科的领域，依赖于整个团队的共同协作，多角度的观点尤为重要。事实上，观点和态度的重要性仅次于教育和经验。
如果你想要通过智能的工程决策方法使数据变得有用，并且希望从事相关的职业，那么下面我对团队发展中的角色顺序（从0开始）提出的看法或许对你会有帮助。
▌0.数据工程师
在数据分析之前，你要获取所需的数据。如果你需要处理的是小型数据集，那么数据工程实际上就是在电子表格中输入一些数字。但当你需要处理大规模数据时，数据工程本身就成为了一门复杂的学科。就需要团队中有一个人来专门负责处理棘手的工程问题，以便团队中其他人基于此协同工作。
▌1.决策者
在你想聘请一位博士毕业的数据科学家前，其实更需要拥有一位了解数据驱动决策的科学决策者。
他主要负责决定哪些问题可以用数据来解决，进行初步规划，并从商业角度来确定所需的分析级别。一位深思熟虑的人，他不会一直说，“哦，哎呀，我在思考这个决定时甚至都没有想到这种状况。” 作为决策者要考虑周到，思考所有可能的情况并作出决策。
▌2.分析师
数据分析师是你下一个需要考虑的角色。他有能力查看数据、了解数据结构并从中获得灵感，唯一的不足是他可能对这项工作中需要使用的软件并不熟悉。如果你看过数码照片，那么你已经接触过数据可视化及分析了。
学习使用 R 和 Python 等工具只是对 MS Paint 进行数据可视化的升级；它们是用来查看多类别数据集的一种多功能可视化工具，而不仅仅是 RGB 像素矩阵。
分析师可以利用饭后时间多观察数据，从中找到些灵感，肯定比不做这些要好。如果整个团队的成员都这么做的话，那么你一定可以比其它不这样做的团队更能把握行业的命脉。
Nessie 1934：这是数据，请明智地给出结论。
有一点非常重要，作为一名数据分析师，所做出的任何结论都不能脱离数据。这是一种需要专业训练的技能，就如上面的照片一样，你可以说：“这就是我的数据所要展示的内容。”但不要因此给出结论，如“尼斯湖水怪真的存在”这样的言论。
▌3.专业分析师
这是一个节奏很快的角色。胜任这份工作的人要能够更快速地查看更多数据。快速处理数据，并善于探索发现有趣的东西是这类人才所需的技能！同时，这一角色不需要给出小心严谨的意见，而是帮助团队尽可能多地关注数据本身，以便让决策者了解真正值得关注的因素。
这可能与我们的直觉想法不同，但不要把这样的工作交给你最信任的，那些很会写代码的工程师去做。我们需要的不仅是能够快速工作的人才，还尽可能快地发现数据背后潜在的信息，而对于那些乐于编程的工程师来说，观察数据可能是比较难的，因此也就很难胜任这份角色的工作。
我曾见过一名分析师被工程文化浓厚的团队欺负，因为团队成员显然没有意识到所谓“优秀代码”很难用描述性分析进行解释。正是如此，这里的“优秀”指的是“高效和谦虚”。如果一个高效但粗心的程序员无法融入团队，他们自然会离开，而这也证明了自己对业务反应敏捷。
▌4.统计学家
现在，我们已经找到帮助我们分析数据的员工了，而统计学家能够协助决策者在分析数据后得到严谨、有依据的结论。
我们最好还是控制一下这种"喂数据"的疯狂。如果你能克制住学习真实情况之外的冲动的话，那么看“Nessie”这张图没问题。但是你会克制住吗？尽管人类非常擅长于合理分析图片，但其他数据类型似乎无法用常理解释。所以，统计学家的出现可能有助于团队在分析数据后得到严谨、有据的结论。
例如，如果你的机器学习系统正在一个数据集上工作，那么所有你能得出的结论都是基于该数据集的。换句话说，你的系统在该数据集上是起作用的，但它在生产过程中也一定会起作用吗？你能得出这个结论吗？这时候你就需要一些额外的技能来处理这些问题，统计方面的知识或许能帮到你。
灵感是很便宜，但严谨的态度是昂贵的。很多时候我们可以用纯粹的灵感来满足自己。
在你需要认真做出一个决定之前，如果还没有完全地认识到事实真相的话，那么请放慢速度，谨慎思考。
▌5.应用型机器学习工程师
对于一个应用型的 AI /机器学习工程师来说，最好的品质并不是知晓算法如何工作。工程师的日常工作是使用这种算法，而不是构建它们 (这是研究人员所做的事)。我们需要的是那些拥有与现有算法匹配的编程能力，并应用于数据集的工程能力。
除了需要快速编程的能力，这类工程师还需要具备能应对失败的品质。你可能永远不会知道你正在做什么，即使你的意识里觉得自己正在做。通过算法尽可能快地运行数据，并查看算法是否能够正常工作......在这过程中你可能会经历远多于成功的失败过程。这类工作很大一部分需要工程师去不断地尝试，因此你需要不断应对失败的过程；同时，具备从容应对失败的能力，将让你更好地胜任这份工作。
由于日常所碰到的业务问题是无法在教科书中找到，因此你事先也无法知道什么算法会起作用，你也不能期望在第一时间获得完美的结果。你只能尽可能快地尝试很多方法，并不断迭代以找到最好的解决方案。
谈到“针对什么数据用什么算法”这个问题，对于分析师而言，他们会认为这些输入很有意思。这也不难理解为什么要先有数据分析师了。
虽然在问题解决过程会碰到很多磕磕绊绊，但机器学习工程师必须要严谨地深入方法评估这个至关重要的部分。得到的解决方案是否真的适用于新数据呢？幸运的是，你在之前已经有了一个明智的决定，现在需要做的是将这个接力棒传给统计学家。
此外，最强的应用型 ML 工程师要非常清楚应用不同方法所需要的时间。
▌6.数据科学家
在这里，我所说的数据科学家，是具备前面提到的三个角色技能的全面专家。不是每个人都使用我这里的定义，也有具备三选一的专家能力时也自称自己是“数据科学家”，在这里需要注意区分一下。
在数据科学团队中，我将这个角色排在第6位，因为能够聘请到一个真正集三者技能于一身的数据科学家，是一个昂贵的选择。如果你有足够的预算，那么这是一个不错的选择。但如果没有充裕的经费，可以考虑培养现在具备单一技能的专家。
▌7.分析经理/数据科学领导
分析经理是一个是数据科学家和决策者的混合体角色。他们在团队中的角色是凝聚整个团队的力量，以确保团队中的人员不会分崩瓦解，而不是为日常业务增加价值。这是一个非常少见、也非常难雇佣的角色。
每天他都需要保持清醒的头脑，思考诸如“如何设计问题更合理？ 如何做决策？如何最好地分配我们的专家？什么值得做？技能和数据是否符合要求？如何确保输入数据的质量？”等问题。
如果你能够聘请到一位这样的分析经理，那么恭喜你和你的团队，你们很幸运，请尽可能地留住这样的人才，永远不要让他离去。
▌8.定性专家/社会科学家
有时候，你的决策者是一名优秀杰出的领导者，经理人，激励者，影响者或导航者......但他们在做决策时可能并不具备艺术性和科学性。做决策不仅仅需要天分。如果你的决策者在这方面没有很扎实的能力，那么他们带来的损害可能多与收益。
请不要解雇一个技能不够纯熟的决策者，你可以通过专家定性帮助他们提升自身技能。
这类人通常具有社会科学和数据科学的背景，如行为经济学家，神经经济学家和接受过专业培训的 JDM 心理学家，而那些自学成才的人也能够擅长这份角色。这项工作是帮助决策者理清思路，审视所有角度，并将模棱两可的直觉感受转化为成熟的、语言形式的指令，使团队的其他成员也能够轻松地执行。
通常，定性专家在会完全了解并掌握所有的情况的基础上，帮助决策者进行决策，而不是片面地对某些情况。他们是值得信赖的顾问，头脑风暴的伙伴，以及决策者的参谋人。他们的参与可以确保项目朝着正确的方向进行。
▌9.研究者
许多经理在招聘时认为，团队的第一个成员需要有过当教授的经验，但实际上你并不需要那些博士学位的人才，除非你已经知道这一领域的现有算法都已经不能满足你的需求了。但大多数的团队通常都不会提前知道，因此只能按照正常招聘流程，这就好比你想在太空中使用一支笔之前，你得先保证这支笔是能够正常地工作。你可以先试着开始，当现有的方法都不能解决你的问题时，再考虑聘请相关的研究人员。
不要给研究者贴上特殊的标签。最好的是，等到团队发展到一定程度，足以意识到需要研究人员的时候再考虑请他们加入。但这样也会存在一个问题，换句话说，等到你用完所有可用的工具之后，再雇用你所需要的人，通常需要更昂贵的成本。
在发明在太空笔之前，请检查现有笔是否能够正常工作并满足我们的需求。
▌10+额外人员
除了以上提到的这些角色，下面我还列举了一些我比较喜欢的角色，这些角色也将在未来的智能决策项目中发挥重要的重要：
领域专家
伦理专家
软件工程师
可靠性工程师
UX 设计师
交互式可视化/图形设计师
数据收集专家
数据产品经理
项目经理
许多项目离不开这些角色，之所以没将这些列入前10名，主要是因为做决策并不是他们的主要业务。相反，他们都是各自学科的人才，并能为各自领域项目的数据学习和决策制定做出有用的工作。可以把这些角色想像成各自领域的专家，并对智能决策充满兴趣。
▌大团队 or 小团队？
读到这里，你可能已经不堪重负了。这么多需要了解的角色！深吸一口气，根据自己的需要，你可以从前几个角色中获得足够多有价值的信息。
我曾将应用型机器学习比作在厨房中烘焙：如果您个人想要开一家工业规模的比萨店，那么你需要一个大的制作团队或需要与一些供应商/顾问合作。如果你想利用周末时间制作一两个独特的披萨，如焦糖凤尾鱼披萨，那么你仍需要考虑我们所提到的所有角色，包括你要决定做什么 (角色1)，使用哪些配料 (角色2和3)，在哪里获得配料 (角色0)，如何定制食谱 (角色5)，以及如何测试披萨的口味 (角色4)，以便制成品能给人留下深刻印象。但如果你只是想用来消遣的话，你可以自己承担所有的工作。当然，如果你的目标只是制作标准的传统披萨，那么你甚至不需要上述提到的这一切：你只需要拿来别人已经尝试和测试过的配方和配料（无需亲自重复发明），就可以开始烤披萨啦！
原文链接：
https://hackernoon.com/top-10-roles-for-your-data-science-team-e7f05d90d961