Без специалистов по обработке и анализу данных трудно отважиться на машинное обучение и анализ

Руководители отделов, занимающихся данными и аналитикой, столкнулись с дилеммой: без специалистов по обработке и анализу данных трудно отважиться на машинное обучение и анализ, а без успешных пилотных проектов убедить предприятия нанять таких специалистов не менее сложно, пишет Gartner.

"Многие организации все еще находятся на ранних этапах обработки и анализа данных, и им трудно понять, что машинное обучение и анализ данных могут им дать, — говорит Синди Хоусон, вице-президент по исследованиям в Gartner. — Они точно не знают, какие навыки необходимы, и нанять специалистов по обработке и анализу данных сложно".

Более 40% организаций, практикующих передовую аналитику, утверждают: "отсутствие соответствующих навыков" — непростая задача. Нанять опытных кандидатов бывает очень сложно по целому ряду причин:

  • Опытные специалисты по данным, возможно, не захотят первыми присоединяться к компании;
  • Количество энергии, необходимое, чтобы просто получить доступ к данным, интегрировать их и получить первые модели машинного обучения для целей бизнеса, может быть ошеломляющим;
  • Число доступных кандидатов ограничено.

Удержать таких специалистов тоже затруднительно. Сейчас они предпочитают часто менять работу, чтобы набраться опыта и расширить круг задач — и лучше в различных отраслях промышленности.

Компаниям необязательно иметь большую научную лабораторию данных, чтобы пользоваться преимуществами машинного обучения. Нужно начать с малого и развивать эти компетенции, советует Хоусон.

Обучайте существующий персонал до статуса специалиста по обработке и анализу данных

Во многих организациях есть сотрудники с математической квалификацией, которые могли бы выполнять аналитические задачи. Это те, кто был вундеркиндом в математике в средней школе и/или использовал свои количественные навыки в других целях.

Партнерство с научным сообществом

Многие университеты и колледжи сейчас предлагают получить степень в науке о данных. Использование университетов в конкретных проектах позволит организации получить квалифицированные ресурсы и одновременно предоставить студентам реальный опыт обучения. Партнерство может быть четырех типов: стажировки, учебные проекты, инновационные лаборатории или хакатоны.

Нанимайте сторонних специалистов

В наше время огромной нехватки квалифицированных кадров в сфере машинного обучения сторонние специалисты могут ускорить и "подхлестнуть" успех программ, основанных на науке о данных. Есть сотни консультантов, которые могут помочь, начиная с создания идеи проекта, первого испытания, тренировки и обучения младших сотрудников — до полноценного создания управляемых услуг.

Используйте пакетные приложения

Возможности машинного обучения часто имеют вид целевых программных приложений для решения конкретных задач. Они часто обеспечивают превосходные компромиссные соотношения между временем и затратами, значительно снижают преграды, связанные с навыками, и могут предоставить решение гораздо быстрее, чем если вы начнете создавать его с нуля.

Поделиться с друзьями
ASTERA