Creare nuovi data scientist nell’era del lavoro da remoto

Formare nuovi data scientist nell'era del lavoro remoto

Imparare come essere un data scientist professionista è diverso ora, ma non è impossibile

L’articolo di oggi riguarda in parte la scienza dei dati, ma riguarda anche la sociologia del lavoro. Come professionista esperto nel campo, ho iniziato la mia carriera di data scientist molto prima del Covid-19 e del radicale cambiamento nel modo in cui lavoriamo oggi. Ho iniziato la mia carriera professionale anni prima ancora di quel momento. Di conseguenza, i miei anni di apprendimento su come diventare un professionista in qualsiasi ambito, figuriamoci un data scientist professionista, sono stati trascorsi a stretto contatto con persone molto più esperte, e in molti modi ciò mi ha permesso di arrivare dove sono oggi. Il mio sviluppo come data scientist non è stato solo questione di corsi e studio, è stato anche un apprendimento su come essere un data scientist in molti modi, molti dei quali sono stati assorbiti in modo sottile attraverso l’essere in compagnia di altri data scientist e facendo il lavoro.

È importante riconoscere che il lavoro non riguarda solo ciò che diamo ai nostri datori di lavoro, anche nel capitalismo. Riguarda anche ciò che riceviamo in cambio, e non solo in termini monetari. I luoghi di lavoro e i lavori hanno molti impatti sociali e culturali su di noi, al di là di ricevere solo uno stipendio. In particolare, sviluppiamo le nostre identità sociali attraverso le professioni, e impariamo a incarnare tali identità osservando come gli altri le mettono in atto.

Sviluppiamo le nostre identità sociali attraverso le professioni, e impariamo a incarnare tali identità osservando come gli altri le mettono in atto.

Il punto che voglio sottolineare è che trasformare giovani intelligenti ma inesperti in data scientist professionisti non riguarda tanto le competenze matematiche, ma piuttosto le norme sociali, lo sviluppo di reti e l’adattarsi al contesto del nostro lavoro. Molgli di questi elementi sono difficili da acquisire anche nei momenti migliori, e oggi ci troviamo in una situazione in cui il lavoro remoto e ibrido richiede nuovi modi per far funzionare questa trasmissione di informazioni e cultura.

• Cosa succede quando la maggior parte dei contenuti online diventa generata da intelligenza artificiale?
• Come addestrare BERT per compiti di modellazione del linguaggio mascherato
• Pulizia di un dataset di auto disordinate con Python Pandas

(Molte delle cose di cui parlerò possono essere rilevanti per molti tipi di lavoro, ma sono specificamente interessato alle esperienze dei giovani data scientist qui.)

Approfondiamo alcuni di questi elementi che acquisiamo dal lavoro, che ci permettono di diventare partecipanti attivi nella nostra professione.

Norme

Sviluppiamo norme culturali e sociali lavorando, osservando il comportamento degli altri, specialmente quelli che sono sopra di noi nella gerarchia. Gergo di business, norme di abbigliamento e buone maniere sociali, ad esempio, possono svilupparsi attraverso l’apprendimento in gran parte indiretto sul posto di lavoro. In alcuni luoghi di lavoro, specialmente quelli dei colletti bianchi, queste norme rappresentano strumenti per costruire capitale sociale e persino mobilità di classe. Nella scienza dei dati, ci sono alcune norme che sono generalizzabili in tutto il settore, o all’interno di diverse industrie in cui i data scientist operano. Ad esempio, nell’ambito tecnologico della scienza dei dati, è sicuramente la norma vestirsi casual. Ci sono anche standard non scritti su come interagire con il proprio capo e altre persone in posizioni di leadership, incluso come comunicare su argomenti tecnici. Ci sono un sacco di norme su come essere un professionista in generale, come gestire i viaggi di lavoro, interagire con i clienti, e così via. Queste competenze sono tutte essenziali per il successo professionale prima o poi, ma nella mia esperienza sono cose che si imparano principalmente per osservazione ed osmosi.

Competenze

Acquisiamo anche competenze tangibili sul posto di lavoro, poiché quasi tutti devono imparare qualcosa per avere successo in un nuovo lavoro. Nel mio caso, entrando nella scienza dei dati dopo alcuni anni in accademia, ho dovuto imparare molto su come applicare ciò che sapevo sulla scienza dei dati e sull’apprendimento automatico a problemi aziendali, invece che accademici. Ho imparato nuovi algoritmi, migliori pratiche di codifica e molte altre competenze dai colleghi nei lavori di data science che ho avuto, soprattutto il primo. Questo non è tutto addestramento formale, per niente – una quantità significativa di apprendimento è stato passivo, osservando e assorbendo come altre persone più esperte e di successo facevano le cose. Inoltre, impariamo sui nostri “ignoti ignoti”. Tutti abbiamo punti ciechi, specialmente quando iniziamo, e non ci rendiamo conto che ci manca un pezzo del puzzle o un approccio che potrebbe essere utile, finché questa mancanza non ci viene indicata. Osservare colleghi che utilizzano una competenza che non sapevate esistesse può aprirvi la porta per sviluppare quella competenza voi stessi.

Network

Oltre a questo, c’è un elemento più astratto ma comunque importante di cameratismo e creazione di network che i luoghi di lavoro forniscono. Idealmente, quando ti unisci a un team o a un’azienda, sviluppi relazioni con le altre persone coinvolte, e queste connessioni sono il collante di un network professionale che può aiutare lo sviluppo della tua carriera in futuro. Se non crei tali collegamenti, sarai svantaggiato non solo nel tuo attuale lavoro, ma anche in futuro. Io per esempio ho la fortuna di avere un solido network professionale sviluppato attraverso la collegialità che è stato fondamentale per il successo della mia carriera. I data scientist sono persone fantastiche e ci aiutiamo reciprocamente a trovare opportunità e fare delle connessioni, ma hai bisogno di un modo per entrare in quei network quando ti unisci alla professione. Spesso ciò è reso più facile avendo colleghi più esperti che faranno le presentazioni e ti garantiranno informalmente.

Il processo di creazione di un nuovo data scientist coinvolge con successo l’acquisizione di tutti questi componenti in qualche modo (e probabilmente anche altri a seconda della situazione). Ma, come ho già detto, il contesto fisico del lavoro è cambiato molto (e credo in meglio) da quando ho iniziato la mia carriera. Come possiamo introdurre nuovi professionisti nel campo in questo nuovo mondo?

Dove lavoriamo

Da come la vedo io, ci sono realmente quattro modi di lavorare per i professionisti del settore terziario, come noi che facciamo data science/machine learning oggi.

• 100% in ufficio di persona, senza nessuno che lavori da remoto
• Ibrido: alcuni o la maggior parte del lavoro da remoto con incontri intenzionali e mirati
• Ibrido: alcuni o la maggior parte del lavoro da remoto con incontri disorganizzati e superficiali
• Lavoro completamente da remoto senza incontri di persona

Come hanno sostenuto molti esperti, qualcosa nello spazio ibrido è probabilmente quello che la maggior parte di noi data scientist avrà nei prossimi mesi e anni, se non l’abbiamo già avuto. Lavorare completamente in ufficio non tornerà per la maggior parte di noi, perché ci siamo abituati all’autonomia e alla flessibilità del lavoro da remoto e abbiamo capito quanto sia un miglioramento per la nostra qualità di vita. I data scientist hanno un set di competenze sufficientemente richiesto da permetterci di ottenere questa flessibilità nei ruoli se lo desideriamo.

È importante dedicare del tempo alla definizione di cosa intendiamo per “ibrido”. Commutare in un ufficio tre giorni alla settimana non è l’unico modo di lavorare in cui le persone a volte si vedono di persona e altre volte no, ed è frustrante vedere quanto poco sensibile sia la conversazione su questo tema. Considererei la maggior parte delle concezioni di lavoro ibrido come “alcuni o la maggior parte del lavoro da remoto con incontri disorganizzati e superficiali”. Questo perché si sta cercando di creare un’ibridazione sulla base dei luoghi di lavoro pre-Covid. È una conseguenza di una scarsa comprensione di ciò che vogliamo per il lavoro e quali siano i compromessi validi.

Passer tempo in un ufficio perlopiù vuoto con una manciata di persone che a malapena conosci e con cui a malapena interagisci è un pessimo modo per un giovane data scientist di ottenere i benefici che ho descritto sopra, se mai li otterrà. E i compromessi per loro, per le loro famiglie e per la comunità sono enormi. Commutare è terribile per la nostra salute individuale, il nostro benessere sociale e ambientale, senza considerare che rappresenta uno spreco di tempo prezioso che potremmo invece impiegare in modo produttivo. Se dobbiamo passare del tempo a viaggiare per un luogo di lavoro, è meglio che ne valga la pena.

Commutare è terribile per la nostra salute individuale, il nostro benessere sociale e ambientale, senza considerare che rappresenta uno spreco di tempo prezioso che potremmo invece impiegare in modo produttivo.

Qual è l’alternativa? Sono un grande fan dell’opzione “alcuni o la maggior parte del lavoro da remoto con incontri intenzionali e mirati”. Un esempio potrebbe essere il lavoro da remoto quotidiano con un incontro trimestrale in loco, in cui le persone si riuniscono in un luogo centrale (non solo un ufficio regionale o locale) e svolgono attività come pianificazione strategica, lavoro di collaborazione, trascorrono del tempo socialmente e imparano gli uni dagli altri. Ci sono molteplici altre possibilità su come potresti suddividere questo tempo, ma l’importante è che sia un tempo di incontro con un obiettivo specifico e che sia progettato per soddisfare tale obiettivo.

Cose che potrebbero essere vere per un lavoro ibrido efficace:

• potrebbe non essere meno costoso rispetto al lavoro da remoto O al lavoro completamente in ufficio
• richiederà pensiero e pianificazione per avere successo

Per i data scientist esperti che hanno anni di esperienza nel campo, il lavoro completamente da remoto potrebbe andar bene. Abbiamo fatto breccia nei network, imparato le norme sociali e acquisito competenze (e, cosa più importante, canali per aggiornare le nostre competenze) che non richiedono incontri di persona speciali. Tuttavia, sostengo che abbiamo la responsabilità di dare una mano a quelli che vengono dopo di noi e che trascorrere del tempo intenzionale di persona con colleghi junior rappresenta un atto di restituzione e ha valore.

Come Farlo

Non sto prescrivendo esattamente come dovrebbe essere strutturato il face time intenzionale, perché ogni azienda e organizzazione sono diverse e non esiste una soluzione unica. Tuttavia, ho alcune suggerimenti per gli obiettivi specifici che ho descritto sopra.

• Norme: La trasmissione di norme e cultura è meglio farla intenzionalmente. Non sperare che i tuoi dipendenti più giovani capiscano immediatamente come funzionano le aspettative interpersonali. Potremmo non doverle esplicitare quando tutti eravamo fianco a fianco per più di 40 ore alla settimana, ma potrebbe esserci stata una trasformazione. Sii più esplicito di quanto pensi di dover essere. Alcune di queste norme vengono assimilate anche durante il face time intenzionale.
• Competenze: Le competenze chiave della scienza dei dati sono descritte in modi diversi a seconda di chi lo chiedi, ma solitamente includono una combinazione di codifica, statistica e apprendimento automatico, conoscenza del business e comunicazione. Sviluppiamo e miglioriamo queste competenze facendo il lavoro, ma acquisiamo anche queste competenze osservando come gli altri fanno il lavoro. Creando opportunità collaborative durante il face time intenzionale, e non concentrandoti solo su riunioni noiose, puoi favorire questa trasmissione di competenze.
• Reti: Sinceramente, penso che costruire reti possa essere la cosa più difficile in assoluto per i data scientist che lavorano in remoto, perché spesso svolgiamo il nostro lavoro quotidiano da soli. Anche se hai revisioni di modelli e codici come squadra, e potresti connetterti alle stand-up, alle riunioni e agli hackathon, gran parte dello sviluppo della rete nei luoghi di lavoro pre-Covid proveniva dalla socializzazione periferica. Le chiacchierate intorno alla macchinetta del caffè sono un cliché, ma in realtà offrono opportunità per i colleghi di conoscersi meglio. Ecco perché il face time intenzionale, fatto in modo caotico e disorganizzato, è completamente diverso dal face time intenzionale – interazioni a scopo sociale durante questi incontri possono aiutare a sviluppare reti solide.

Sembra che molti datori di lavoro non sappiano come assumere data scientist alle prime armi e farli diventare professionisti esperti in questo nuovo mondo del lavoro, quindi finiscono per cercare di assumere persone più esperte di quelle effettivamente necessarie per il lavoro. Sebbene ciò crei maggiori opportunità e richiesta per persone come me, non è buono per il settore nel complesso. Abbiamo bisogno di nuovi ingressi in questa disciplina, che portino idee e creatività, e dobbiamo fornire loro gli strumenti per crescere e avere successo, anche se non siamo più tutto il giorno nello stesso ufficio come un tempo.

Dobbiamo avere nuovi ingressi in questa disciplina, che portino idee e creatività, e dobbiamo fornire loro gli strumenti per crescere e avere successo.

Il nostro compito come membri affermati della professione di data science è prima di tutto riconoscere che le cose sono diverse ora, e va bene così. Non possiamo desiderare di tornare indietro a un diverso mondo del lavoro, e nemmeno vorrei. La flessibilità nel lavoro rende le nostre vite e le nostre comunità migliori. Dobbiamo solo mettere l’impegno per identificare cosa è importante e capire come possiamo raggiungere questi obiettivi in questo nuovo ambiente.

Vedi altri miei lavori su www.stephaniekirmer.com.