La creación de un modelo predictivo a menudo comienza recolectando datos de múltiples fuentes y descubriendo cómo transformar esos datos en observaciones relevantes. Luego crea el modelo y lo evalúa. A continuación, a menudo hay una ronda para determinar qué características del modelo son demasiado difíciles o demasiado costosas para mantener en producción con la latencia requerida, seguido de un refactorizador. Por último, debe descubrir cómo encajar este modelo en producción de tal manera que realmente haga lo que se supone que debe hacer.
Y esto omite la parte más importante … identificar la oportunidad y comenzar con el caso de negocios. Incluso si la creación de modelos predictivos excelentes estuviera completamente automatizada en base a un lago de datos masivo, todavía pasará mucho tiempo antes de que las máquinas puedan refactorizar automáticamente el flujo de su sitio para usar el modelo, mucho menos identificar, cuantificar y priorizar oportunidades comerciales consistentes con Los objetivos estratégicos actuales de una empresa.
En ese punto, la pregunta más importante podría ser: ¿qué van a hacer los CEO?
- ¿Qué consejo tiene para administrar el tiempo de consultoría como Data Scientist? Cuando los clientes llegan esporádicamente, ¿es razonable decirles mis condiciones?
- ¿Cuál debería ser el camino para ser un científico de datos?
- ¿Cuáles son los diferentes tipos de 'científicos de datos' en Facebook?
- ¿Por qué las personas que se especializan en informática y se convierten en científicos de datos están tan poco capacitadas en análisis, estadísticas y aprendizaje automático?
- ¿Cuáles son algunas sugerencias para un curso de certificación en Big Data?