Если организация полагает, что работа неспециалистов с данными неизбежна, следует позаботиться о ее надлежащей организации, пишет учредитель аналитической компании Impact Analytix Джен Андервуд на портале InformationWeek.

Несмотря на обоснованный скептицизм и откровенное противодействие, грядет расширение работы с данными силами неспециалистов. Прогресс автоматизированного машинного обучения (АМО) резко упрощает сложную научную работу с данными. По всему миру амбициозные специалисты по анализу данных, бизнес-аналитики, инженеры данных и разработчики ПО уже начали экспериментировать с АМО. Некоторые из этих новичков, применяющих науку о данных, но не являющихся специалистами, обеспечили ошеломляющую многомиллионную отдачу инвестиций. Другие делятся историями о разочаровывающих неудачах, которые можно было предотвратить.

Не следует игнорировать технический прогресс, бояться его или противодействовать ему. Ведите организацию вперед, сознавая свою ответственность. Непрофессионалы не заменят имеющихся специалистов по данным. Они лишь позволят вашей организации извлекать больше пользы из огромных сокровищниц данных.

Расширьте программы центра компетенций по аналитике

Если у вас имеется программа развития центра компетенций по аналитике, запланируйте дополнение ее машинным обучением, искусственным интеллектом и наукой о данных для всех. Если такой программы нет, создайте ее. Согласно недавнему опросу руководителей крупных американских фирм, использующих ИИ, 37% уже создали нечто подобное.

Как это уже было при переходе от традиционной бизнес-аналитики под руководством ИТ-подразделений к аналитике самообслуживания, ныне работа с данными силами неспециалистов требует, чтобы на уровне предприятия в целом осуществлялись управление, защита, надежное управление моделями, аудит, организация сотрудничества, тренинга и наставничества. Это позволит избежать дорогостоящих ошибок.

Изучение машинного обучения потребует несколько больших усилий, чем прежние рыночные сдвиги. По сравнению с подготовкой отчетов машинное обучение гораздо менее интуитивно понятно. Это касается всех элементов и этапов, начиная с получения поддержки проекта со стороны руководства и определения подходящих случаев применения и заканчивая пониманием результатов и их эффективной передачей бизнесу.

Кроме того, в проектах машинного обучения гораздо легче допустить ошибку или непреднамеренное отклонение, которые никто не обнаружит, пока не станет слишком поздно. Команде, которая занимается наукой о данных для всех, потребуется другой, повышенный уровень работы с документацией, управления изменениями и аудита для принятия надежных, заслуживающих доверия решений. На ежеквартальных совещаниях с акционерами некоторые столкнувшиеся с обескураживающими неудачами крупные корпорации теперь публично предупреждают об имеющихся рисках. Ни одна компания от них не застрахована.

С другой стороны, невозможно игнорировать прекрасные результаты АМО. В экономике алгоритмов нехватка специалистов по данным имеет большое значение. Использующие науку о данных рядовые сотрудники — это идеальный ресурс, позволяющий сохранить и увеличить доходы компании.

Создайте команду неспециалистов, применяющих науку о данных

Как и многие другие аналитические проекты на предприятиях, наука о данных для всех является командным проектом. В команду, вероятно, войдут ответственный за проект руководитель предприятия, специалист по данным и рядовой сотрудник, который будет применять науку о данных. В регулируемых отраслях к ним добавится специалист, оценивающий комплаенс-риски моделей. Члены команды будут сотрудничать с другими сотрудниками для получения данных и интеграции моделей машинного обучения в процессы, отчеты и приложения.

Руководству следует изучить базовые концепции машинного обучения. Потенциальному специалисту по данным потребуются первоначальное практическое обучение и постоянное руководство со стороны экспертов по данным. Выбирайте краткосрочные практические программы науки о данных для всех, предназначенные для решения проблем бизнеса с помощью автоматизированных решений для работы с данными, а не теоретические или ориентированные на программирование курсы.

При выборе наиболее подходящих сотрудников для обучения науке о данных обращайте внимание на любознательных опытных пользователей инструментов подготовки отчетов, на которые уже опираются лица, принимающие решения, при создании сложных отчетов ad-hoc. Такие пользователи, как правило, уже знают, как составить запрос и подготовить данные. Их любознательность и амбициозность станут активом, когда дело дойдет до применения машинного обучения к решению проблем бизнеса.

Управляйте применяющими науку о данных неспециалистами и защищайте их

Прежде чем команда применяющих науку о данных неспециалистов приступит к созданию и использованию моделей машинного обучения, разработайте стандарты машинного обучения, систему управления, шаблоны проекта, процессы управления изменениями и обзора результатов. Люди должны анализировать результаты работы машин, утверждать модели и продолжать следить за соответствием прогнозов реальности. Модели могут постоянно меняться и деградировать.

Не пренебрегайте документированием планируемого использования моделей, методологии дизайна, сделанных при разработке допущений, рассматривавшихся альтернатив, связей с другими моделями, источников данных, мер по подготовке данных, причин изменения моделей, уже известных ограничений и проблем. Если возникает вопрос или проблема, применяющие науку о данных неспециалисты и, возможно, сторонние эксперты должны иметь возможность выяснить, как и почему модель дает различающиеся прогнозы.

Проверьте, чтобы выбранное решение для АМО учитывало передовой опыт отрасли и обеспечивало полную прозрачность, чтобы можно было сразу выявлять потенциальные проблемы. Внимательно изучите инструменты науки о данных для всех. Многие применяемые сегодня в АМО помощники и кнопки используют создающие риск «черные ящики», не позволяют декодировать и разъяснять, не защищают от случайных ошибок.

Предприятия демонстрируют как правильный, так и неправильный подход к инициативам в области науки о данных для всех. Если вы уже прошли через аналитику самообслуживания и умеете управлять этими инструментами, вы отлично подготовлены к работе с данными силами неспециалистами. Если же у вас нет опыта наделения таких работников новыми мощными технологиями, воспользуйтесь помощью консультантов или вендоров, чтобы с самого начала заложить прочный фундамент.