- کریس متمن تقریباً 24 سال در ناسا در زمینه علم داده کار کرد.
- او پنج هشداری را که به دیگران که می خواهند وارد این رشته شوند، می دهد را به اشتراک می گذارد.
- متمن بر اهمیت دانش رشته، یک شبکه پشتیبانی کننده و سازگاری با هوش مصنوعی تأکید می کند.
این مقاله بر اساس مکالمه با کریس متمن، دانشمند داده 44 ساله از لا کانادا فلینتریج، کالیفرنیا، که قبلاً به عنوان مدیر ارشد فناوری و نوآوری آزمایشگاه پیشرانه جت ناسا و مدیر بخش هوش مصنوعی، تجزیه و تحلیل و سازمان نوآوری خدمت می کرد، است. متمن قبل از پیوستن به UCLA در ژوئن 2024 به عنوان مدیر ارشد داده و هوش مصنوعی، نزدیک به 24 سال را در ناسا گذراند. موارد زیر برای طول و وضوح ویرایش شده است.
من در علم داده خیلی قبل از اینکه حتی به عنوان "علم داده" شناخته شود، شروع به کار کردم. زمانی که من از سال 1998 تا 2007 در دانشگاه کالیفرنیای جنوبی تحصیل می کردم، روی معماری داده، مهندسی داده، پایگاه های داده و سیستم های داده کار می کردم. بزرگترین علاقه من این بود که چگونه همه آنها به هم مرتبط هستند.
من در ژانویه 2001 به عنوان یک کارمند پاره وقت آکادمیک در ناسا شروع به کار کردم. اندکی پس از آن، به عنوان یک مهندس داده و مهندس نرم افزار به صورت تمام وقت استخدام شدم.
من در آزمایشگاه پیشرانه جت (JPL) ناسا با کار بر روی ماموریت ها پیشرفت کردم و در حین کار بر روی ماموریت رصدخانه کربن گردشی، یک ابزار علمی زمین نسل بعدی، به موفقیت بزرگی دست یافتم. من در سال 2020 به مدیر ارشد فناوری و نوآوری JPL تبدیل شدم.
در اینجا 5 نکته وجود دارد که من به هر کسی که می خواهد وارد علم داده شود هشدار می دهم
1. رشته یا زمینه داده ای را که در آن کار خواهید کرد مطالعه کنید.
زمانی که من وارد این صنعت شدم، آموزش های زیادی در زمینه توسعه و مهندسی نرم افزار داشتم.
من دیدم افرادی که با مدرک داده فارغ التحصیل می شوند، به عنوان دانشمند داده موثرتر از توسعه دهندگان نرم افزاری هستند که سال ها طول می کشد تا یاد بگیرند که عرض و طول جغرافیایی چیست. آموزش پایتون به یک دانشمند علوم زمین موثرتر از آموزش علوم زمین به یک دکترای مهندسی نرم افزار بود.
با نگاهی به گذشته، ای کاش پنج سال اول من صرف یادگیری علوم زمین، علوم سیاره ای و ریاضیات بیشتر به جای توسعه نرم افزار یا مهندسی می شد، که می توانستم بعداً با جزئیات بیشتری آن را یاد بگیرم.
من توصیه می کنم که افراد به جای مدرک کامپیوتر یا نرم افزار، مدرک علمی رشته ای را دریافت کنند. هوش مصنوعی برای شغل مهندسی نرم افزار شما می آید، اما بهترین در علوم رشته ای نیست. گرفتن مدرک در این زمینه ها به شما این امکان را می دهد که یک حرفه طولانی تر داشته باشید.
2. در اوایل کار خود، تجربه ای در زمینه علم داده و عملیات هوش مصنوعی کسب کنید.
یک نفر می تواند از دو طریق اصلی وارد این رشته شود.
اولین مورد این است که با ابزارها و داده های منبع باز کار جالبی انجام دهید و سپس آن را در GitHub خود قرار دهید تا دیگران آن را بررسی کنند و ببینند، که نشان می دهد شما می توانید یک مشکل واقعی را حل کنید. Kaggle چالش های زیادی از این دست دارد که در آن می توانید با دیگران رقابت کنید.
دوم این است که زیر نظر یک مربی کار یا تحصیل کنید یا یک دوره کارآموزی را بگذرانید، جایی که شما یک مشارکت عمومی قابل بررسی در داده ها انجام می دهید.
برای من، نقطه شیرین این است که به دقت در تحقیقات و عملیات داده حرکت کنید. فقط در دامنه تحقیقات پنهان نشوید. در عوض، در واقع مهندسی نرم افزار لازم برای ارائه برنامه کاربردی تحقیق، داده و هوش مصنوعی به مشتریان را یاد بگیرید.
من متوجه شدم که عملیات بسیار پر ارزش تر و کمتر بی رحمانه از تحقیق و جامعه و خط لوله انتشار علمی است. کار من در عملیات شامل همه چیز از ماموریت های ناسا متمرکز بر داده های بزرگ برای علوم زمین گرفته تا نرم افزارهایی مانند Apache Hadoop و Apache Tika بوده است که در سراسر جهان توسط ده ها میلیون نفر از مردم و شرکت ها استفاده می شود.
3. برای موفقیت در علم داده، آماده باشید که به عنوان "کمک" در نظر گرفته شوید نه فردی که دامنه را هدایت می کند.
بزرگترین چالش ها آماده کردن خودم برای عدم حضور در جایگاه رهبری، صرف زمان برای کار در پس زمینه بر روی تجزیه و تحلیل داده ها و گرفتن بیشتر اعتبار کار توسط دیگران بود.
من اغلب می گویم که من یک دانشمند "s کوچک" هستم، نه یک دانشمند "S بزرگ" مانند دیگران - بیشتر به این دلیل که مرا به این احساس وا می داشتند. من دائماً به عنوان نویسنده دوم یا آخر مقالاتی قرار می گرفتم که بزرگترین سهم را در آنها داشتم، به طوری که دانشمند زمین یا سیاره می توانست مقاله نویسنده اول خود را در یک کنفرانس بزرگ دریافت کند.
شما در بسیاری از موارد یک "دستیار" برای دانشمند رشته ای واقعی هستید که در حال آماده سازی، تجزیه و تحلیل و کار بر روی داده ها برای او هستید. شما همچنین اکنون "کمک" برای سوخت رسانی به هوش مصنوعی هستید که به شدت به داده ها وابسته است، بنابراین باید فروتنی زیادی داشته باشید.
وقتی مدیری دارید که واقعاً به او اعتماد دارید، می توانید سعی کنید وارد داده ها، تحقیقات هوش مصنوعی و تجزیه و تحلیل شوید، بنابراین می توانید اعتبار را بدون نگرانی از اینکه به حاشیه رانده شوید، به اشتراک بگذارید.
4. یک شبکه از دوستان بسازید تا در سفر علم داده و هوش مصنوعی از شما حمایت کنند.
جامعه در علم داده بسیار مهم است. شما به افرادی در اطراف خود نیاز دارید که شما را بالا ببرند و به کاری که انجام می دهید علاقه مند باشند.
علم داده قطعاً یک ورزش تیمی است. در حالی که من با برخی از دانشمندانی کار کردم که کار من را تحقیر می کردند، به طور کلی یک سیستم حمایتی از افراد در اطراف خود، از جمله خانواده و همسالانم داشتم. اگر این را ندارید و احساس انزوا می کنید، پس در مسابقات علم داده شرکت کنید، به جلسات ملاقات بروید و شبکه دوستان و جامعه خود را بسازید.
قبل از تصمیم گیری برای پیگیری حرفه ای در علم داده، در نظر بگیرید که آیا از وظایف تحلیلی یا کارهای عملیاتی لذت می برید و اینکه آیا ترجیح می دهید یک بازیکن تیمی باشید یا یک رهبر. ترکیبی از مهارت های تحلیلی و عملیاتی معمولاً به رهبری خوب در علم داده منجر می شود.
آگاه باشید که به راحتی می توانید در علم داده فرسوده شوید و خسته شوید. این امر به ویژه در صورتی صادق است که وقت خود را فقط در Juptyer Notebooks و تجزیه و تحلیل داده ها بگذرانید. داشتن یک شبکه پشتیبانی به جلوگیری از خستگی و فرسودگی کمک می کند.
اطمینان حاصل کنید که فرصتی برای جابجایی بین هر دو طرف خط لوله علم داده - عملیات و تحقیق - دارید، همچنین به جلوگیری از این فرسودگی کمک می کند.
5. هوش مصنوعی این رشته را آنقدر تغییر می دهد که مهندسی نرم افزار دیگر به اندازه قبل مهم نخواهد بود.
تجزیه و تحلیل داده ها در پنج تا ده سال آینده جایگزین خواهد شد، بهتر توسط هوش مصنوعی انجام می شود تا انسان ها. اما آموزش هوش مصنوعی جدید و پالایش داده ها همچنان جایگاه بزرگی خواهد داشت و شما می توانید روی آن تمرکز کنید.
هوش مصنوعی برای سوخت تشنه داده است و درک ریاضیات، آمار و نحوه ارزیابی علم داده و هوش مصنوعی بسیار مهمتر از ساخت آن خواهد بود.
درک پیامدهای قانونی و اخلاقی ساخت هوش مصنوعی و مدل های داده نیز بسیار مهم خواهد شد. مردم آنقدر با داده ها و اطلاعات نادرست غرق شده اند که باید خود را برای گفتن داستان های داده ای بهتر و یک بازیکن پس زمینه در هوش مصنوعی آماده کنید.
من در حال تلاش برای غلبه بر این چالش ها با فکر کردن به اینکه چگونه بازار کار تغییر خواهد کرد هستم. من می بینم که بادها به کدام سمت می وزند و از آنها جلوتر می روم.
هنوز تقاضای زیادی برای دانشمندان داده وجود دارد
علم داده در سراسر رشته ها قطعاً چیزی است که برای من یک فراخوان بوده است.
امروزه می توانید آن را در بخش های صنعت، دولت، تجاری و دانشگاهی پیدا کنید. و هنوز هم تقاضای زیادی برای مهارت و حرفه حتی در عصر هوش مصنوعی وجود دارد زیرا داده سوخت برای هوش مصنوعی است.
علیرغم کاهش های اخیر DOGE، من اهمیتی نمی دهم که اکنون یک دانشمند داده در ناسا باشم. علم داده یکی از معدود زمینه هایی است که در برابر توقف ها و کاهش های بودجه فدرال فعلی مقاوم است. دانشمند داده بودن شما را با توجه به این جهت گیری جدید دولت به خوبی قرار می دهد.