在2021年底，人工智能(AI)和機器學習(ML)領域不再是未來不確定的新生領域。人工智能和ML已經發展成為對更廣泛的數據科學世界具有巨大影響力的影響領域，這一事實在今年比以往任何時候都更加真實。

然而，隨著AI、ML以及隨后的數據科學的不斷擴展，決定數據科學團隊成功與否的參數也在不斷擴展。從人工智能和ML領域獲得重要和深刻見解的機會取決于數據科學團隊，這些團隊比一個數據科學家操作一臺筆記本電腦要大。對于任何一個人來說，需要獲取、清理和準備分析的數據太多了--這一過程消耗了數據科學家平均工作日的很大一部分。

現代數據科學項目圍繞著關于數據準備、先前的數據科學項目以及部署必須與多個數據科學共享的數據模型的潛在方法的重要信息。因此，研究數據科學團隊為什么需要上下文、一致性和數據的安全協作以確保數據科學的成功是至關重要的。讓我們快速檢查這些需求，以便我們能夠更好地理解數據科學的成功可能是什么樣的。

第一部分：背景

我們對未來數據科學成功的檢驗從上下文開始：如果沒有記錄、存儲和提供給數據科學家的機構知識，依賴于嘗試和失敗實驗的迭代模型構建過程就不能持續很長時間。然而，由于缺乏適當的文件和儲存，大量的機構知識經常丟失。

考慮以下常見場景：一個初級或公民數據科學家被拉進一個項目以提高他們的技能，但由于缺乏上下文，很快就會與同步和異步協作進行斗爭。這些臨時團隊成員需要上下文來更多地了解他們正在與之交互的數據、過去解決過問題的人員以及以前的工作如何影響當前的項目前景。

正確記錄項目、數據模型及其工作流的需要很容易分散數據科學家團隊的注意力，更不用說單獨操作的單個科學家了。領導們可以考慮選擇雇傭一個自由開發者來貢獻他們的時間來保存和傳播機構知識，以改進現代數據科學項目的標準審查和反饋會議。這些會議以及軟件系統、工作臺和最佳實踐可以簡化對項目相關上下文的更有效捕獲，從而提高未來初級和公民數據科學家的數據發現能力。

數據科學的成功需要對知識及其周圍環境進行簡化的管理。如果沒有它，新的、初級的和公民的數據科學家可能會很難進入并為他們的項目做出有意義的貢獻，這反過來導致團隊重新創建項目，而不是為以前的工作做出貢獻。

第二部分：一致性

當涉及到金融服務、健康和生命科學以及制造業時，ML和AI領域已經為基礎變革做出了貢獻；然而，這些行業受制于重要的監管環境。這意味著，在受監管的環境中進行的AI項目必須是可復制的，并有清晰的審計跟蹤。換句話說，以某種方式、形狀或形式參與數據科學項目的IT和業務領導者需要確保在數據科學項目的結果方面有一定程度的數據一致性。

IT和商業領袖可以期待可靠的一致性水平，在進行人工智能促進的戰略轉移時，他們也可以享有更多的信心。當涉及到數據科學項目時，有很多風險，有很多投資依賴于它們，所以數據科學家應該有一個基礎設施，在這個基礎設施中，他們可以從頭到尾都有保證的可復制性水平。這種完全的可復制性轉化為高層管理人員正在尋找的數據的一致性，以便決定數據科學項目是否足夠重要，是否符合他們的業務目標。

反過來，這些高層管理人員應該預期，隨著他們的科學團隊的擴大，必要的培訓集和硬件需求也將擴大，以確保舊項目結果的一致性。因此，幫助管理環境的過程和系統對于數據科學團隊的擴展是絕對必要的。例如，如果一個數據科學家正在使用筆記本電腦，而一個數據工程師正在運行一個云虛擬機上運行的庫的不同版本，該數據科學家可能會看到他們的數據模型從一臺機器到另一臺機器產生不同的結果。底線是：管理人員應該確保他們的數據合作者有一種一致的方式來共享完全相同的軟件環境。

第三部分：協作

最后，我們談到安全協作的重要性。隨著企業繼續將他們的運營轉移到在家工作的模式，組織意識到數據科學協作比面對面協作困難得多。盡管在單個數據科學的幫助下可以管理一些核心數據科學職責（數據準備、研究和數據模型迭代），但大多數業務主管錯誤地將協作擱置一邊，從而阻礙了遠程生產力。

但是如何促進項目參與者之間的有效和遠程協調以及項目數據的安全？答案在于與數據科學項目有關的可共享工作文件和數據，這使得遠程傳播信息更加可行。隨著項目相關數據的傳播變得越來越簡單，共享信息變得越簡單，就越容易促進遠程數據協作。數據科學項目的參與者可以利用基于云的工具來加強其研究背后的安全性。但太多的領導者犯了不鼓勵合作的錯誤，降低了生產率。

結論

近年來，數據科學領域所取得的巨大進步是前所未有的，坦率地說，也是驚人的。數據科學的進步使世界各地的公司能夠解決一些問題，這些問題以前幾乎沒有現成的答案，如果沒有人工智能和ML帶來的創新的話。

然而，隨著數據科學世界的不斷成熟和發展，是時候讓高層管理人員和他們所監督的數據科學團隊從一種更加特殊和被動的完成工作的方式中遷移了。數據科學家可以用來生成上下文、一致性和更大協作的資源，如軟件工作臺，可能對數據科學的成功至關重要。最終，項目將需要數據科學家、工程師、分析師和研究人員更少的努力，他們將能夠更好地加速該領域的持續和驚人的成功。