详细内容或原文请订阅后点击阅览
优化影响：如何保持AI领先并作为数据科学家壮成长
生存的数据科学家将不会是比Chatgpt更好编码的人 - 他们将成为策略性地认为对影响的帖子优化的人：如何保持AI领先和作为数据科学家的壮成长，这首先是迈向数据科学的。
来源:走向数据科学本文是我即将出版的《数据科学家如何无法在AI波》中生存的摘录，而是利用它来提高他们的职业生涯。如果您想在准备好时听到，请在此处加入候补名单！
请在此处加入候补名单现在，初中甚至中级数据科学家感到自豪（使他们感到聪明，技术和不可替代的东西）现在是基线自动化。不舒服的问题不是AI是否可以像人类一样做这些事情，而是人自己是否仍在增加价值。 AI已经足够了，对于大多数填补典型数据科学家日的常规工作已经足够好了。在业务中，足够好，成本为10％，时间通常为1％。
大多数数据科学家仍在优化准确性
坚持您熟悉的工作流程不仅效率低下，而且很快就会成为一种职业风险。当您完善熊猫语法时，您的同龄人正在学习提出更好的问题，影响实际的业务决策并对影响力进行优化。他们不是想超越机器人。他们正在做工作机器人做不到的。
大多数数据科学家都接受了学术严格的培训。在学校或Kaggle比赛中，我们获得了整洁且整洁的数据集，并着手以逐步的准确性来构建ML模型。我们接受了培训，可以追逐清洁答案，统计意义和较低的错误率。一旦获得了第一笔工作，我们就发现很少存在干净的数据，并且每个项目的前90％只需设置我们的数据即可。
业务影响>技术精度从输出到结果的转移
为了在这个新的AI时代蓬勃发展，数据科学家必须变得更具战略意义。他们必须像产品经理的想法一样开始思考。这就是“优化影响”的意思。从决定开始，而不是可交付的，然后向后工作。专注于可操作，即使以详尽的牺牲为代价。与每件作品交流权衡，解释和建议。
时间轴 影响