提出以下三個問題，以確保僱主為您做好準備
數據科學被稱為" 21世紀最性感的工作"，如果我看到更多的商業領袖將數據科學家聘請到我們可以有效發揮作用的環境中，我會相信這一觀點。 相反，我們許多人感到被誤解和看不見。
> Image: Source
下個世紀最性感的工作
我們是幫助人們為您的業務開拓新方向，降低您著手製定重要決策的風險以及通過機器學習和AI使無法解決的事情自動化的人。 我們使您的數據有用，卻使我們生活在資源貧乏中。 您要求我們以以下方式實現和平：
缺乏技巧的領導-如果您沒有負責領導和管理數據科學職能的人員，我們將度過痛苦的時光。 沒有決策者熟練地適當分配工作和制定數據驅動型決策，數據科學家實際上是無用的。
沒有數據—如果您在聘用數據科學家之前先聘請數據科學家，那通常意味著我們沒有數據可以使用，因此我們必須首先為您構建數據工程功能，否則我們將不得不折騰。 如果我們留下來，我們最終會做的工作不是您聲稱要僱用我們的工作。 我已經說過了，我會繼續說下去：您需要高質量的數據才能使數據科學有效。 我們不是神奇的妖精，所以我們不能為您虛構任何東西。
令人討厭的工具-數據科學開發人員的工具令人痛苦。 生態系統是零散的，尤其是在人工智能方面，甚至最好的選擇也遠非完美。 總有一些東西會使騎行顛簸。
如果您要面試數據科學專長，請確保向潛在的僱主介紹他們在這三個方面的計劃，以免陷入困境。 別忘了問別人-確保您擁有數據的工作是誰？ 如果您的所有見解都沒有用，誰會被解僱？ 誰會選擇您使用的工具，並確保它們在所有其他基礎架構中都能正常使用？
如果所有這些問題的答案都是"您"（也許是因為該公司不知道什麼是數據科學（但無論如何都想要）），那麼請適當地設定您的期望。 您將必須自己執行多個作業，並以大約這個順序處理它們。 在學校接受過＃6的訓練？ 幾年後，您可能將無法使用這些涼爽的貝葉斯網絡（並且由於時間太忙，無法管理所組建的團隊，因此不太可能對它們進行實際的提升）。 這可能是最適合您的選擇，但是請在跳動之前先看一下（然後思考！）。
我已經寫了很多有關領導力和數據的文章，所以現在是時候提起工具了。 應用數據科學家（包括那些從事ML / AI研究工作的科學家）不想從頭開始構建我們的工具（這是另一項工作-如果我們願意，我們已經在其中了）。 例如，我們寧願使用現有的程序包製作直方圖，也不願編寫將矩形顯示在屏幕上的代碼。 如果我們要開一家餐廳，要我們自己動手就好像要自己製造微波爐。 如果需要，我們會製造它們，但是我們更願意直接參與烹飪。
與撒旦共事
有時，管理人員將權杖交給數據科學家的專有工具甚至比他們自己拼湊的工具還要糟糕。 我記得我的一個朋友暱稱"撒旦"的意思，例如，"是的，我知道R需要一行，但您可能應該整天預算才能使其在撒旦中工作。" 當您掌握的工具可怕時，心中難忘一整天。
以設計師的眼光
有時候，在旁觀者眼中是可用工具的麻煩-也許沮喪的根源是您選擇了不是為您量身定做的工具。 讓我們看一下兩個Google起源的工具。 Keras不僅是一個漂亮的API，而且在構建時就考慮了數據科學家。 例如，Keras的錯誤消息旨在指導數據科學家的下一步行動，因此它們簡潔明瞭，友好友好，而TensorFlow中的一個等效錯誤會吐出一堆Dickensian比例的文本。
如果您戴上設計思維帽子，這並不會讓您感到驚訝； 作為AI的工業車床，TensorFlow最初並不是為數據科學用戶而設計的。 它是專為研究人員在Google規模上取得新突破而開發的……它擅長於其用途。 這也是您經常感到窒息的工具。
> Hurray for TF 2.0, which is going all-in on usability! There might be teething pains as TF switches over to Keras style and says bye bye to making you write all that boilerplate, but I'm excited. One might even say I'm eager.
對於我們數據科學類型而言，好消息是，即使TensorFlow也變得越來越可愛。 新的2.0版本正在朝著我們的方向發展，它表明了這一點。 讓我們為數據科學家開始說"我愛TensorFlow"這一天（而不是"我可以忍受TensorFlow，因為它是唯一能夠在這種規模下處理我的數據"）而歡呼的一天。
我很高興參與TensorFlow計劃，該計劃明確將數據科學家確定為主要用戶。 我希望在以後的文章中向大家介紹的一個例子是假設分析工具，該工具使模型理解，偏差檢測和ML數據探索變得容易。 該團隊包括一名用戶體驗設計師，負責讓數據科學家從第一天開始就感到高興！ 您可以在這裡偷看結果。
> Curious to know what you're looking at? Find out more about the What-If Tool here.
如果不是為您量身定做的，那可能不適合您
請花點時間考慮一下您正在考慮學習的工具的起源，以及其構建者在指導開發新版本時所向往的社區，這很重要。
先試後買
當我們在使用它時，如果您要為組織打電話，請不要在您的數據科學家對它進行遊戲測試之前使用該工具。 您會認為這將不言而喻，但撒旦則建議相反。 您是否正在考慮為零售業的分析人員準備一種工具，並將其直接插入您的醫療保健公司？ 噢親愛的。
您可能需要考慮由專門工程師提供的一些工具支持，這樣您的數據科學家就不會痛苦。 您當前的分析師可能沒有報名參加對他們來說像垃圾一樣的事情，而且他們可能沒有足夠的時間來了解有關工具（以及這些工具的工程支持！）的信息。 他們的採訪。
妙處
如果您是尋找新工作的數據科學家，請不要忘記檢查您將要信任的人是否瞭解您的需求。 向潛在的僱主詢問有關數據，決策者和工具的問題。 確保他們擁有我們需要的那種幸福和有效的東西。 不要以為僱主在本世紀已經為您準備好了。 如果您喜歡這項工作，我不希望看到您成為一家沒有數據的公司的另一位數據科學總監！
> Image: Source
(本文翻譯自Cassie Kozyrkov的文章《Data scientist: The sexiest job of the 22nd century》，參考：https://towardsdatascience.com/the-sexiest-job-of-the-22nd-century-ffe753e1d155)
