详细内容或原文请订阅后点击阅览
范围胜于深度：对数据通才角色的反思
过去五年数据团队中通才的角色和重要性发生了哪些变化《范围胜于深度：对数据通才角色的反思》一文首先出现在《走向数据科学》上。
来源:走向数据科学我写了一篇关于走向数据科学的文章：“范围胜过深度——数据团队中多面手的价值。”1
当时我的论点很简单：虽然专家擅长解决复杂、定义明确的问题，但通才往往更有价值，因为他们首先定义问题，然后才在需要的地方引入专家。
由于人工智能在我们日常生活中的激增，我很好奇这些想法仍然能在多大程度上引起我的共鸣，所以我回去重新阅读了那篇文章。我的目的是重写，但令我惊讶的是，我发现自己几乎同意我年轻时写的所有内容。只有一件微妙但非常重要的事情发生了变化。
转变：人工智能成为新专家
在过去五年中，人工智能已经发展到可以处理许多我们传统上依赖专家完成的任务。这种需要深厚专业知识、清晰简短且定义明确的说明的工作现在正是人工智能蓬勃发展的领域。与人类不同的是，它的速度更快且不会疲劳。
所以我决定仍然写下它，但不是重写，而是对我之前的想法的简单反思，突出显示一些需要调整的地方。
1. 我们的学习环境仍然恶劣
我们并不是在整洁、封闭的系统中运作。我们在大卫·爱泼斯坦（David Epstein）所说的“邪恶的学习环境”中运作，即规则不明确、反馈延迟或误导、模式不能一致重复的环境。在这些环境中，你可能做了“正确”的事情，但仍然得到错误的结果，或者做了错误的事情，却显得成功。这就是他们危险的原因。
真正的挑战不是解决问题。这不是五年前，也绝对不是今天。挑战在于了解哪些问题值得解决，以及您用来指导的信号是否值得信任。
2. 超专业化的需求正在缩小（但仍未消失）
如今，这种动态已经发生了显着变化。
这推动我们更进一步：