 |
|
企业应该去储备一些数据方面的人才了 |
|
|
|
对于一个理应奇缺人才的领域，数据科学似乎在快速造就大批新专家。不久前，1600人出席了华盛顿大学（University of Washington）机器学习教授卡洛斯•格斯特林（Carlos Guestrin）执掌的公司Turi在旧金山主办的一次数据科学峰会，表明数据科学引起的兴趣是多么的浓厚。 格斯特林提出，所有软件应用在5年内都将需要内置的智能，使数据科学家——经过培训，能够对海量数据进行分析的人员——成为这一新兴“认知”技术经济中的关键工作者。 无论这种关于数据科学即将无处不在的预测正确与否，目前已有一些核心的关键应用依赖机器学习，最主要的是推荐程序、欺诈探测系统、预报工具和旨在预测顾客行为的应用。 把直到不久以前还专属于研究科学家的技术纳入生产级的业务应用程序，可能指向企业竞争力的一种深刻变化。在Turi活动上炫耀数据科学和机器学习技能的公司——包括优步（Uber）、Pinterest和Quora——都创立于数字时代。 举办在线数据科学竞赛的Kaggle的首席执行官安东尼•戈德布卢姆（Anthony Goldbloom）表示，一些在模拟世界里成长壮大的公司，比如沃尔玛（Walmart），也在大举投资于数据科学领域。但他预测称，它们不太可能赶上亚马逊（Amazon）之类公司，这类公司拥有先发优势，并且动作很快。随着相关技术在不同行业推广，随着智能系统发挥越来越关键的作用，这些趋势可能导致行业领导地位发生天翻地覆的变化。 拖累许多传统公司的一个因素，将是开展真正的机器学习运作的高成本。 一名知情人士表示，Netflix估计在一个单一应用——其电影推荐系统——上每年支出1.5亿美元，而一旦把该公司对相关技术的所有应用都考虑在内，总账单很可能是这一金额的四倍。 许多创立时具有数字基因的公司——尤其是那些拥有海量实时客户交互数据可以挖掘的互联网公司——对数据科学的投入是不遗余力的。例如，Pinterest的首席科学家尤雷•莱斯科韦茨（Jure Leskovec）表示，该公司维护着逾100种可以应用到不同类型问题中去的机器学习模型，不断处理热切希望利用这些资源解决业务问题的经理们的请求。 人才是许多非科技公司的另一个问题。尽管数据科学家正大量涌现出来，但有些技能十分短缺，尤其是在深度学习方面——这是最高形式的机器学习。戈德布卢姆说，在使用Kaggle的自由职业计算机科学专家中，仅有大约1000人拥有深度学习技能，而可以运用其他机器学习方法的有10万人。 他接着说，大公司经常不愿调整自己的工资等级去聘用该领域的顶级人才，即便某个高薪专家开发的算法可能对公司业务起到超出比例的效果。 然而，适应即将到来的“智能”应用时代的最大障碍，可能是文化上的。有些公司，比如通用电气（GE），一直在硅谷打造自己的研发团队，以吸引和开发他们将需要的数字技能。但是，他们将不得不把新的数据科学家和机器学习专家安排到运营部门中去，让他们更接近部门经理，才能收获全部好处。 科学与业务实践之间的这种结合是至关重要的。不言而喻的是，从现在开始，所有的经理都将需要在数据引导下做出决策。但那需要思维模式的彻底改变，说来容易做来难。 戈德布卢姆说，这一挑战已变得更为艰巨，因为经理们被要求围绕新的“智能应用”重新设计自己的工作流程，在一定程度上使他们自己失去存在的必要性。 尽管存在种种障碍，有些公司或许能处理好这一艰难的转型。但是，那些在创立之时就把数据科学和机器学习作为业务核心的公司，很可能构成强大竞争。 译者：何黎 |
