Data Science als Disziplin – und spezifische Fähigkeiten in maschinellem Lernen, Analytik und Trainingsalgorithmen – sind sehr gefragt.
Es ist ein Bereich, dessen Popularität in den letzten zehn Jahren explodiert ist und der voraussichtlich bis 2026 allein in den USA 11,5 Millionen neue Arbeitsplätze schaffen wird.
Wie ist es also, als Data Scientist zu arbeiten, und was müssen Sie wissen, wenn Sie daran denken, dort Ihre Karriere zu beginnen (oder später im Leben zu wechseln)?
Ich habe Naveed Ahmed Janvekar, einen Senior Data Scientist aus Seattle, der im Betrugs- und Missbrauchspräventionsteam von Amazon arbeitet, gebeten, seine Karriere zu erzählen.
Sehen Sie sich seine Geschichte und die Tipps an, die er für diejenigen hat, die an einer Karriere in der Datenwissenschaft interessiert sind.
Ein Funke: Einsatz von maschinellem Lernen zur Lösung realer Probleme
Was hat Sie zu einer Karriere in der Datenwissenschaft geführt?
Naveed Janvekar: Mein Interesse an maschinellem Lernen wuchs, als ich als Softwareentwickler für Fidelity Investments arbeitete.
Ich hatte Kollegen, die als Analysten mit Daten arbeiteten, um Trends zu identifizieren, was mich neugierig machte, dieses Feld zu erforschen. Also begann ich, meine persönlichen Finanztransaktionen zu analysieren, um Trends und Erkenntnisse zu generieren.
Dies führte dazu, dass wir mehr Zeit damit verbrachten, maschinelles Lernen zu erforschen und herauszufinden, wie man es nutzen kann, um sich wiederholende Muster zu modellieren, um zukünftige Ergebnisse vorherzusagen und es zu unserem Vorteil zu nutzen, um kritische Probleme in großem Maßstab zu lösen.
Um bessere Kenntnisse in diesem Bereich zu erlangen, habe ich mich entschieden, meinen Master in Informationswissenschaft mit einer Spezialisierung auf maschinelles Lernen und Analytik fortzusetzen.
Nach dem Abschluss arbeitete ich bei verschiedenen US-amerikanischen Unternehmen in verschiedenen analytischen Funktionen, darunter als Analyst bei Nanigans (einem in Boston ansässigen AdTech-Startup), Business Intelligence Developer bei KPMG und Senior Data Scientist bei Amazon.
Die Rolle der KI in der Datensicherheit
Welche Rolle spielt maschinelles Lernen in Ihrer Arbeit als Sr. Data Scientist bei Amazon?
Naveed Janvekar: Maschinelles Lernen und Data Science spielen eine wichtige Rolle in meinem Job bei Amazon.
Im Missbrauchspräventionsteam verwenden wir verschiedene Klassifizierungsalgorithmen und Deep-Learning-Algorithmen, um Betrug und Missbrauch auf der Plattform zu erkennen.
Maschinelles Lernen hilft bei der Erzielung von Skalierbarkeit und hochpräziser Erkennung im Vergleich zu herkömmlicher regelbasierter und/oder heuristischer Missbrauchserkennung.
Da Missbrauchsverhalten im Laufe der Zeit komplex wird, hilft uns maschinelles Lernen bei dieser Herausforderung, da wir Modelle ständig mit den neuesten Missbrauchsverhalten/-mustern neu trainieren.
Ich habe Patente für Erfindungen im Zusammenhang mit der Erkennung von aufkommendem Missbrauch auf der Plattform mithilfe von maschinellem Lernen angemeldet.
Kommunizieren von datengesteuerten Erkenntnissen
Welche unerwartete Fähigkeit oder Erfahrung hat Ihnen Ihrer Meinung nach als Data-Science-Experte geholfen?
Naveed Janvekar: Die Fähigkeit, Fachkenntnisse zu erwerben und in der Lage zu sein, Erkenntnisse effektiv und einfach an Geschäftsinteressenten weiterzugeben, hat mir als Data-Science-Experte am meisten geholfen.
Als ich meine Data-Science-Reise begann, legte ich viel mehr Wert auf technische Details als darauf, ein effektiver Geschichtenerzähler zu sein.
Aber in den letzten Jahren habe ich erkannt, dass die Fähigkeit, Narrative und Erkenntnisse aus der Datenwissenschaft oder dem maschinellen Lernen zu kommunizieren, genauso wichtig ist wie die Implementierung von Strategien für maschinelles Lernen.
Gemeinsam mit Algorithmen arbeiten, um Veränderungen zu schaffen
Wie sollten Unternehmen ihren Ansatz in diesem Bereich künftig anpassen?
Naveed Janvekar: In der Vergangenheit wurde die Betrugsprävention traditionell mit heuristischen Geschäftsregeln durchgeführt.
Wenn Sie beobachtet haben, dass ein bestimmtes Muster im Laufe der Zeit häufig auftritt, können Sie eine Geschäftsregel einfügen, um dasselbe Muster in Zukunft zu kennzeichnen.
Dies ist jedoch eine kurzfristige Lösung. Es hält nicht mit der Entwicklung von Betrugsmustern Schritt.
Hier kommen maschinelles Lernen und KI ins Spiel und haben die Landschaft verändert.
Jetzt werden Modelle anhand historischer Daten über mehrere Betrugsverhalten trainiert, wodurch diese Modelle robust werden und Algorithmen dabei helfen, komplexe Verhaltensweisen zu lernen, was für Menschen viel schwieriger ist.
Unternehmen haben damit begonnen, maschinelles Lernen zur Betrugserkennung einzusetzen. Sie müssen sich nun auf Aspekte wie das automatisierte Neutraining von Modellen konzentrieren, um die neuesten Verhaltensweisen bei Betrug zu erfassen und Modelle hochpräzise zu machen.
Dies trägt dazu bei, Aktionen als Ergebnis der Modellausgabe zu automatisieren, anstatt dass menschliche Prüfer erforderlich sind, um verdächtige Entitäten zu bewerten, die nachträglich gekennzeichnet werden.
Die Arbeit mit Daten und Algorithmen kann herausfordernd sein
Aber was macht es spannend und unterhaltsam?
Naveed Janvekar: Ich habe Spaß daran, Features aus Daten zu entwickeln, was meine kreative Seite zum Vorschein bringt.
Basierend auf Fachkenntnissen können Data Scientists die Daten auf unterschiedliche Weise verarbeiten, um die Fragen von Geschäftsinteressenten zu beantworten, explorative Datenanalysen durchzuführen, Korrelationen zwischen Variablen zu finden und Feature-Engineering für bessere Modellleistungen durchzuführen.
In Bezug auf Algorithmen habe ich immer damit experimentiert, verschiedene Arten von Trainingsdatensätzen zu trainieren, Auswertungen durchzuführen und tief in die Frage einzutauchen, warum bestimmte Algorithmen besser funktionieren als andere.
Das hilft mir, ein tieferes Verständnis für diese Algorithmen und Situationen zu erlangen, in denen sie funktionieren – und in denen sie nicht funktionieren.
All das macht die Arbeit für mich spannend und spannend.
Werden Sie Teil der Data Science Community
Welchen nützlichen Tipp würden Sie Data Science-Anfängern geben, die sich für ihre Anwendungen in Marketing und Handel interessieren und sich in diesem Bereich weiterbilden möchten?
Naveed Janvekar: Ein nützlicher Vorschlag wäre die Teilnahme an Forschung und Erfindungen im Bereich des maschinellen Lernens und der Datenwissenschaft.
Seien Sie Teil von Arbeitsgruppen, die versuchen, Probleme in Ihrem Interessengebiet mithilfe von maschinellem Lernen zu lösen.
Tragen Sie zu ihrer Forschung bei, erhalten Sie Peer-Feedback, veröffentlichen Sie Artikel und melden Sie Patente an.
Durch diese Mechanismen tragen Sie aktiv zur Wissenschaftsgemeinschaft bei, lernen ständig von Kollegen und bilden sich weiter.
Es ist auch eine gute Idee, einen Data Science-Mentor zu haben.
Mit SEO-Trends Schritt halten
Wie bleibt ein Data Scientist im Bereich SEO up-to-date und informiert?
Naveed Janvekar: Im Bereich SEO hilft maschinelles Lernen beim Verständnis von Suchanfragen, Sprachsuche und Personalisierung.
Datenwissenschaftler können die Anwendung verschiedener hochmoderner Algorithmen für SEO-Anwendungsfälle untersuchen, um die Wirksamkeit neuerer Algorithmen zu messen.
Auf diese Weise bleiben Datenwissenschaftler über die neuesten Trends in der Branche auf dem Laufenden und aktualisieren den maschinellen Lernstapel in SEO-bezogenen Unternehmen.
Es gibt verschiedene Zeitschriften und Konferenzen, wie die IEEE International Conference, zu maschinellem Lernen und Anwendungen, die Ihnen dabei helfen, mehr über die neuesten Trends beim maschinellen Lernen zu erfahren.
Es ist nicht direkt SEO-bezogen, hilft Ihnen aber, die technologischen Fortschritte zu verstehen, die Ihren Bereich als nächstes stören werden.
Mehr Ressourcen:
Ausgewähltes Bild: Mit freundlicher Genehmigung von Naveed Janvekar