使領域專家能夠執(zhí)行數(shù)據(jù)科學對業(yè)務有明顯的好處。但是，這不是一夜之間發(fā)生的事情。隨著組織開始將數(shù)據(jù)分析工具交到其領域專家手中，挑戰(zhàn)可能會出現(xiàn)，包括向持懷疑態(tài)度的人展示數(shù)據(jù)分析的價值。準備好應對這些挑戰(zhàn)將使項目向前發(fā)展，并使批評者陷入困境。

新技術的學習曲線

挑戰(zhàn)：數(shù)據(jù)分析領域的創(chuàng)新步伐非?？?，每一項新技術都有自己的學習曲線。在許多情況下，原始技術是由計算機科學家開發(fā)的，目標受眾也是具有非常強大的編程技能的人。這些軟件包是用許多不同的編程語言實現(xiàn)的，所以對于那些不全職編寫代碼的人來說，學習曲線非常陡峭。

溶液：具有領域知識的工程師應該尋找能夠讓他們快速啟動和運行的工具，最好是在他們已經(jīng)熟悉的計算平臺中。像MATLAB中的那些點擊式應用程序可以作為這些工程師的簡單起點。除此之外，通常需要一個編程接口來微調分析，以提高穩(wěn)健性和準確性。如果企業(yè)認真對待數(shù)據(jù)分析，他們也應該尋找培訓課程，這些課程可以幫助工程師比從反復試驗中學習更快地成長。

數(shù)據(jù)分析領域的大量前沿研究創(chuàng)造了一波有可能顛覆性的新技術浪潮。然而，在那股浪潮之后，成功的工具出現(xiàn)了，這些工具對于具有領域知識的工程師來說已經(jīng)足夠通用。

工程師或數(shù)據(jù)科學家：誰做什么？

挑戰(zhàn)：組織正試圖確定“誰是做這項工作的正確團隊？雖然數(shù)據(jù)科學家通常在機器學習方面具有很強的背景，但他們通常對業(yè)務及其產(chǎn)品的來龍去脈很陌生或不熟悉。工程和科學團隊對業(yè)務及其產(chǎn)品有了解，但可能沒有機器學習的經(jīng)驗。

溶液：一個常見的折衷方案是將具有領域知識的工程師與數(shù)據(jù)科學家配對，以利用他們的各自優(yōu)勢，但在許多情況下，這可能是不可能的，因為領域專家遠遠多于數(shù)據(jù)科學家。另一種解決方案是采用工具，同時降低機器學習的標準（對于領域專家）并提供靈活性和可擴展性（對于數(shù)據(jù)科學家）。在實踐中，這意味著采用一種既具有圖形界面（即應用程序）又具有編程語言的工具。

即使數(shù)據(jù)科學小組在組織內不斷壯大，數(shù)據(jù)科學工作也將繼續(xù)由具有領域知識的工程師和數(shù)據(jù)科學家完成。兩者都將在企業(yè)成功采用數(shù)據(jù)分析方面發(fā)揮重要作用，因此創(chuàng)建一個可以進行協(xié)作的環(huán)境是關鍵。

分析最終會在哪里結束？

挑戰(zhàn)：如果成功開發(fā)的分析或機器學習模型無法與業(yè)務的系統(tǒng)、產(chǎn)品和服務集成，則其對業(yè)務的價值有限。這可能意味著將分析與IT組織維護的服務器集成，或將分析部署到嵌入式設備（例如物聯(lián)網(wǎng)系統(tǒng)中的邊緣節(jié)點）。

傳統(tǒng)上，分析是在適合研究和開發(fā)的工具中開發(fā)的，但不適合在生產(chǎn)中運行分析，因此分析必須重新編碼為不同的編程語言，然后才能部署。此過程通常需要數(shù)周到數(shù)月，并且可能會引入錯誤。

溶液：用于開發(fā)分析的平臺提供了打包算法以在不同生產(chǎn)環(huán)境中運行的方法。尋找一種工具，該工具可提供集成路徑和應用程序服務器，以便與常見 IT 系統(tǒng)配合使用，并且還面向嵌入式設備。例如，MATLAB 提供了部署路徑，用于將分析與 IT 系統(tǒng)中常用的編程語言（例如 Java 和 .NET）集成，以及將分析轉換為可在嵌入式設備上運行的獨立 C 代碼。這兩個部署選項都可以通過點擊式界面訪問，這使得它們對具有領域知識的工程師具有吸引力。通過自動執(zhí)行將分析轉換為在生產(chǎn)系統(tǒng)中運行的過程，這些工具可顯著縮短設計迭代的時間。

使領域專家能夠將機器學習和其他數(shù)據(jù)分析技術應用于其工作的技術將繼續(xù)存在。它們?yōu)楣こ虉F隊提供了令人興奮的創(chuàng)新機會 - 無論是在設計工作流程還是他們創(chuàng)造的產(chǎn)品中。數(shù)據(jù)科學家的短缺似乎不會很快得到解決。領域專家將在填補這一空白方面發(fā)揮關鍵作用。他們對業(yè)務及其生產(chǎn)的產(chǎn)品的了解使他們能夠很好地找到應用數(shù)據(jù)分析技術的創(chuàng)新方法。

審核編輯：郭婷