Become an efficient "Data Scientist"
- มีบทความมากมายเกี่ยวกับวิธีการทำงานให้มีประสิทธิภาพมากขึ้น แต่เราจะไม่เน้นที่เรื่องนี้ เพราะแนวคิดการเพิ่ม Productivity บางครั้งอาจสร้าง ความกดดัน หรือ ความเหนื่อยล้า มากจนเกินไป
- Efficiency เป็นแนวคิดที่มาพร้อมกับ Flexibility โดยทำแต่ละสถานการณ์ให้เกิดประโยชน์สูงสุด แต่บางครั้งสถานการณ์เปลี่ยนแปลงไป ความวุ่นวายก็หลีกเลี่ยงไม่ได้ และ คนก็เป็นสิ่งมีชีวิตที่ซับซ้อน เมื่อเรามีประสิทธิภาพ การทำสิ่งต่างๆ จะเรียบง่ายขึ้น และ ประหยัดพลังงาน แทนที่จะเผาทิ้งไปทั้งหมด
- การเป็น Data Scientist ที่มีประสิทธิภาพ คือ อะไร?
- ในที่นี้รวบรวมจากหลายๆ บทความ ที่พยายามตอบคำถามนี้จากหลายมุม ไม่ว่าเราจะอยู่ในทีมขนาดใหญ่, ทำงานที่ปรึกษาคนเดียว, ผู้จัดการ หรือ นักวิเคราะห์ใหม่ในบริษัทฯ สามารถนำสิ่งเหล่านี้ไปทดลองปฏิบัติจริงได้
Results matter more than the time you spend on a project (โดย Samuel Flender)
- "ผลลัพธ์" มีความสำคัญมากกว่า "เวลา" ที่ใช้ในโครงการ
- เสนอกลยุทธ์ 3 ประการ (1) บริหารเวลาให้ดี (2) เรียนรู้ให้มีประสิทธิภาพ (3) ตรวจสอบ Idea แต่เนิ่น ๆ ที่สามารถช่วยให้ Data Practitioners มุ่งเน้นความพยายามของในการสร้าง Impact ที่ยิ่งใหญ่ แทนที่จะทำงานหนักที่สุด หรือ นานที่สุด
The art of future-proofing your production data pipelines "ทั้งคุณภาพของ Data Products และ การนำไปใช้งานนั้น จะลดลงประสิทธิภาพลง เมื่อเวลาผ่านไป" โดย Marian Nodine
- เพื่อให้ชีวิตของเรา และ เพื่อนร่วมงาน ง่ายขึ้น มีเกณฑ์สำคัญ 4 ประการ สำหรับ การสร้าง Pipeline ที่ดี และ มีอายุการใช้งานที่ยาวนาน
Learn how to prioritize data requests effectively (โดย Marie Lefevre)
- เรียนรู้วิธีจัดลำดับความสำคัญของ Data requests อย่างมีประสิทธิภาพ การตั้งคำถามเกี่ยวกับเรื่อง timeline กับ Stakeholders ทำให้แผนของทีม Data สามารถจัดการได้อย่างมีประสิทธิภาพ
- Marie Lefevre เสนอคำถามที่เป็นรูปธรรม 5 ข้อ เพื่อให้ได้บริบทที่สามารถแยกแยะความสำคัญของ Requests ได้
Good record-keeping is crucial (โดย Robert Yi)
- การบันทึกเป็นสิ่งสำคัญ เพื่อจัดการกับ Challenges ต่าง ๆ ที่คล้ายกัน เกี่ยวกับ Ad-hoc Analysis
- ความสำคัญของการบันทึกงานที่เราทำ ในการ Support ทีมอื่นๆ ภายในองค์กร ไม่เพียงทำให้ความพยายามเหล่านี้ถูกมองเห็นได้เท่านั้น แต่ยังสามารถช่วยเพิ่มประสิทธิภาพการทำงานในอนาคต และ เห็นรูปแบบที่เกิดขึ้นได้ เมื่อเวลาผ่านไป
A framework for determining the value of data projects (โดย Jordan G.)
- Framework สำหรับกำหนดมูลค่าของโครงการข้อมูล วิธีการกำหนดว่าโครงการใดควรย้ายไปอยู่ด้านบนสุดของ List (มีความสำคัญที่สุด) เพื่อประเมินเวลาที่ต้องใช้ ความน่าจะเป็นของความสำเร็จ และ ผลกระทบที่อาจเกิดขึ้น นำไปสู่การตัดสินใจอย่างมีข้อมูลมากขึ้น
The importance of defining metrics you commit to (โดย Xiaoxu Gao)
- หากข้อมูลไม่น่าเชื่อถือ เราก็ไม่น่าจะเป็นนักวิทยาศาตร์ข้อมูลที่มีประสิทธิภาพ Xiaoxu Gao แนะนำให้เขียน Commitment—เพื่อนำเสนอข้อมูลคุณภาพสูง และ ข้อมูลเชิงลึก (insights) โดยควรตกลงเกี่ยวกับตัวชี้วัด (Metrics) ที่ชัดเจน เพื่อวัดความสำเร็จ
ยังมีบทความอื่น ๆ ที่น่าสนใจอีกเช่น
- ความก้าวหน้าทางเทคโนโลยีที่กระตุ้นความคิดมากที่สุด ในช่วงหลายเดือนที่ผ่านมา นั่นคือ การเกิดขึ้นและการนำเครื่องมือ AI แปลง Text เป็น Image มาใช้ในวงกว้างมากขึ้น the emergence and increasingly wide adoption of text-to-image AI tools
- บทความของ Lucy Dickinson เรื่อง categorical variables in the context of logistic regression
- AI เปลี่ยนแปลงระบบการศึกษาสมัยใหม่อย่างไร? How is AI transforming modern education systems? (By Sanjay Adhikesaven, Abyan Das, Monish Muralicharan)
- Series เรื่อง CUDA - A general purpose GPU interface (By Carlos Costa) Part 1
- การเมืองในสำนักงาน (โดยเฉพาะในองค์กรขนาดใหญ่) เป็นทักษะที่ไม่มี Bootcamp ใดสามารถสอนได้ Cassie Kozyrkov สนับสนุนให้ Data Scientist ถามคำถามที่ถูกต้อง encouraging data scientists to ask the right questions
******
ข้อมูลอ้างอิง - https://towardsdatascience.com/how-to-become-a-more-efficient-data-scientist-357df86cda4d