数据科学家过时了吗？

需要在评估、拒绝或选择要素时反复地做。但最近业界出现了新平台，这些新平台可以提供旨在解决这一挑战的附加功能及自动化功能。现在一些具有“自动要素工程”功能的平台可以从关系数据源以及无结构文件里自动创建要素表。这种能够在数据科学过程中“自动生成”要素的方法，可以说是个改变游戏规则的功能。

于是，突然之间，“公民”数据科学家开始成为组织开发ML和AI模型的有价值贡献者。一般来说，「公民数据科学家」指的是商业智能(BI)分析师、数据工程师和组织中其他具有深厚领域知识的、精通技术的成员。借助于机器学习，BI团队利用自动化要素工程可以在几天之内开发出复杂的预测分析算法，无需数据科学家帮忙就可以极大地提高生产力。

自动化数据科学：平民化

AutoML 2.0平台的主要好处之一是可以用于真正的数据科学平民化。

数据科学自动化可以加速发现要素和创建功能的过程，而且是自动的，如此一来，更多的用户群体就可以为数据科学过程做贡献。要素创建的自动化使得“公民”数据科学家能够创建极有用的、高度优化的用例。而且公民数据科学家通常具有高度的“专业领域知识”，因此他们基本无需数据科学团队的帮助就可以将重点放在对组织具有高价值的用例上。

开启公民数据科学家的另一个好处在于，企业无需担心招不到数据科学家而一样可以开拓数据科学的使用。2018年 LinkedIn的一项研究表明，美国的组织在雇用数据科学家方面遇到困难。鉴于此，能够发掘新的数据科学贡献者就显得尤为重要。

眼下，全球经济面临着诸多不确定性，在这种情况下能以最少的投资发掘出几类新的AI/ML开发人员，必将成为改变游戏规则的价值主张，在维持或增加竞争优势上意义重大。

自动化数据科学：生产力而非替代

但任何AutoML 2.0平台如果将定位的重点放在替换或更替数据科学家上就大错特错了。大多数数据科学家都将要素工程视为工作中的最大障


 

（编辑：常州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!