【導讀】組建一個出色的數據團隊都需要哪些角色?Google 的首席決策工程師 Cassie Kozyrkov 在這一問題上有自己獨到的見解。在她看來，一個好的 AI 和數據科學團隊需要 10 種不同的角色。無論你是公司的管理者、招聘者，還是想在數據科學領域工作的求職者，都可以在這篇文章中找到對自己有用的信息。 

Google 的 Geoffrey Hinton 是我的偶像，也是深度學習領域的開山鼻祖，但我不希望一個團隊中有10個 Geoffrey Hinton 這樣的成員而沒有其他角色。

應用數據科學是高度跨學科的領域，依賴于整個團隊的共同協作，多角度的觀點尤為重要。事實上，觀點和態度的重要性僅次于教育和經驗。

如果你想要通過智能的工程決策方法使數據變得有用，并且希望從事相關的職業，那么下面我對團隊發展中的角色順序(從0開始)提出的看法或許對你會有幫助。

0.數據工程師

在數據分析之前，你要獲取所需的數據。如果你需要處理的是小型數據集，那么數據工程實際上就是在電子表格中輸入一些數字。但當你需要處理大規模數據時，數據工程本身就成為了一門復雜的學科。就需要團隊中有一個人來專門負責處理棘手的工程問題，以便團隊中其他人基于此協同工作。

1.決策者

在你想聘請一位博士畢業的數據科學家前，其實更需要擁有一位了解數據驅動決策的科學決策者。

他主要負責決定哪些問題可以用數據來解決，進行初步規劃，并從商業角度來確定所需的分析級別。一位深思熟慮的人，他不會一直說，“哦，哎呀，我在思考這個決定時甚至都沒有想到這種狀況。” 作為決策者要考慮周到，思考所有可能的情況并作出決策。

2.分析師

數據分析師是你下一個需要考慮的角色。他有能力查看數據、了解數據結構并從中獲得靈感，唯一的不足是他可能對這項工作中需要使用的軟件并不熟悉。如果你看過數碼照片，那么你已經接觸過數據可視化及分析了。

學習使用 R 和 Python 等工具只是對 MS Paint 進行數據可視化的升級;它們是用來查看多類別數據集的一種多功能可視化工具，而不僅僅是 RGB 像素矩陣。 

分析師可以利用飯后時間多觀察數據，從中找到些靈感，肯定比不做這些要好。如果整個團隊的成員都這么做的話，那么你一定可以比其它不這樣做的團隊更能把握行業的命脈。 

Nessie 1934：這是數據，請明智地給出結論。

有一點非常重要，作為一名數據分析師，所做出的任何結論都不能脫離數據。這是一種需要專業訓練的技能，就如上面的照片一樣，你可以說：“這就是我的數據所要展示的內容。”但不要因此給出結論，如“尼斯湖水怪真的存在”這樣的言論。

3.專業分析師 

這是一個節奏很快的角色。勝任這份工作的人要能夠更快速地查看更多數據。快速處理數據，并善于探索發現有趣的東西是這類人才所需的技能!同時，這一角色不需要給出小心嚴謹的意見，而是幫助團隊盡可能多地關注數據本身，以便讓決策者了解真正值得關注的因素。

這可能與我們的直覺想法不同，但不要把這樣的工作交給你最信任的，那些很會寫代碼的工程師去做。我們需要的不僅是能夠快速工作的人才，還盡可能快地發現數據背后潛在的信息，而對于那些樂于編程的工程師來說，觀察數據可能是比較難的，因此也就很難勝任這份角色的工作。 

我曾見過一名分析師被工程文化濃厚的團隊欺負，因為團隊成員顯然沒有意識到所謂“優秀代碼”很難用描述性分析進行解釋。正是如此，這里的“優秀”指的是“高效和謙虛”。如果一個高效但粗心的程序員無法融入團隊，他們自然會離開，而這也證明了自己對業務反應敏捷。

4.統計學家

現在，我們已經找到幫助我們分析數據的員工了，而統計學家能夠協助決策者在分析數據后得到嚴謹、有依據的結論。

我們最好還是控制一下這種"喂數據"的瘋狂。如果你能克制住學習真實情況之外的沖動的話，那么看“Nessie”這張圖沒問題。但是你會克制住嗎?盡管人類非常擅長于合理分析圖片，但其他數據類型似乎無法用常理解釋。所以，統計學家的出現可能有助于團隊在分析數據后得到嚴謹、有據的結論。

例如，如果你的機器學習系統正在一個數據集上工作，那么所有你能得出的結論都是基于該數據集的。換句話說，你的系統在該數據集上是起作用的，但它在生產過程中也一定會起作用嗎?你能得出這個結論嗎?這時候你就需要一些額外的技能來處理這些問題，統計方面的知識或許能幫到你。 

靈感是很便宜，但嚴謹的態度是昂貴的。很多時候我們可以用純粹的靈感來滿足自己。

在你需要認真做出一個決定之前，如果還沒有完全地認識到事實真相的話，那么請放慢速度，謹慎思考。 

5.應用型機器學習工程師

對于一個應用型的 AI /機器學習工程師來說，最好的品質并不是知曉算法如何工作。工程師的日常工作是使用這種算法，而不是構建它們 (這是研究人員所做的事)。我們需要的是那些擁有與現有算法匹配的編程能力，并應用于數據集的工程能力。

除了需要快速編程的能力，這類工程師還需要具備能應對失敗的品質。你可能永遠不會知道你正在做什么，即使你的意識里覺得自己正在做。通過算法盡可能快地運行數據，并查看算法是否能夠正常工作......在這過程中你可能會經歷遠多于成功的失敗過程。這類工作很大一部分需要工程師去不斷地嘗試，因此你需要不斷應對失敗的過程;同時，具備從容應對失敗的能力，將讓你更好地勝任這份工作。

由于日常所碰到的業務問題是無法在教科書中找到，因此你事先也無法知道什么算法會起作用，你也不能期望在第一時間獲得完美的結果。你只能盡可能快地嘗試很多方法，并不斷迭代以找到最好的解決方案。

談到“針對什么數據用什么算法”這個問題，對于分析師而言，他們會認為這些輸入很有意思。這也不難理解為什么要先有數據分析師了。

雖然在問題解決過程會碰到很多磕磕絆絆，但機器學習工程師必須要嚴謹地深入方法評估這個至關重要的部分。得到的解決方案是否真的適用于新數據呢?幸運的是，你在之前已經有了一個明智的決定，現在需要做的是將這個接力棒傳給統計學家。

此外，最強的應用型 ML 工程師要非常清楚應用不同方法所需要的時間。 

6.數據科學家

在這里，我所說的數據科學家，是具備前面提到的三個角色技能的全面專家。不是每個人都使用我這里的定義，也有具備三選一的專家能力時也自稱自己是“數據科學家”，在這里需要注意區分一下。 

在數據科學團隊中，我將這個角色排在第6位，因為能夠聘請到一個真正集三者技能于一身的數據科學家，是一個昂貴的選擇。如果你有足夠的預算，那么這是一個不錯的選擇。但如果沒有充裕的經費，可以考慮培養現在具備單一技能的專家。

7.分析經理/數據科學領導

分析經理是一個是數據科學家和決策者的混合體角色。他們在團隊中的角色是凝聚整個團隊的力量，以確保團隊中的人員不會分崩瓦解，而不是為日常業務增加價值。這是一個非常少見、也非常難雇傭的角色。 

每天他都需要保持清醒的頭腦，思考諸如“如何設計問題更合理? 如何做決策?如何最好地分配我們的專家?什么值得做?技能和數據是否符合要求?如何確保輸入數據的質量?”等問題。

如果你能夠聘請到一位這樣的分析經理，那么恭喜你和你的團隊，你們很幸運，請盡可能地留住這樣的人才，永遠不要讓他離去。

8.定性專家/社會科學家

有時候，你的決策者是一名優秀杰出的領導者，經理人，激勵者，影響者或導航者......但他們在做決策時可能并不具備藝術性和科學性。做決策不僅僅需要天分。如果你的決策者在這方面沒有很扎實的能力，那么他們帶來的損害可能多與收益。 

請不要解雇一個技能不夠純熟的決策者，你可以通過專家定性幫助他們提升自身技能。

這類人通常具有社會科學和數據科學的背景，如行為經濟學家，神經經濟學家和接受過專業培訓的 JDM 心理學家，而那些自學成才的人也能夠擅長這份角色。這項工作是幫助決策者理清思路，審視所有角度，并將模棱兩可的直覺感受轉化為成熟的、語言形式的指令，使團隊的其他成員也能夠輕松地執行。 

通常，定性專家在會完全了解并掌握所有的情況的基礎上，幫助決策者進行決策，而不是片面地對某些情況。他們是值得信賴的顧問，頭腦風暴的伙伴，以及決策者的參謀人。他們的參與可以確保項目朝著正確的方向進行。

9.研究者

許多經理在招聘時認為，團隊的第一個成員需要有過當教授的經驗，但實際上你并不需要那些博士學位的人才，除非你已經知道這一領域的現有算法都已經不能滿足你的需求了。但大多數的團隊通常都不會提前知道，因此只能按照正常招聘流程，這就好比你想在太空中使用一支筆之前，你得先保證這支筆是能夠正常地工作。你可以先試著開始，當現有的方法都不能解決你的問題時，再考慮聘請相關的研究人員。 

不要給研究者貼上特殊的標簽。最好的是，等到團隊發展到一定程度，足以意識到需要研究人員的時候再考慮請他們加入。但這樣也會存在一個問題，換句話說，等到你用完所有可用的工具之后，再雇用你所需要的人，通常需要更昂貴的成本。 

在發明在太空筆之前，請檢查現有筆是否能夠正常工作并滿足我們的需求。

10+ 額外人員

除了以上提到的這些角色，下面我還列舉了一些我比較喜歡的角色，這些角色也將在未來的智能決策項目中發揮重要的重要：

許多項目離不開這些角色，之所以沒將這些列入前10名，主要是因為做決策并不是他們的主要業務。相反，他們都是各自學科的人才，并能為各自領域項目的數據學習和決策制定做出有用的工作。可以把這些角色想像成各自領域的專家，并對智能決策充滿興趣。

大團隊 or 小團隊?

讀到這里，你可能已經不堪重負了。這么多需要了解的角色!深吸一口氣，根據自己的需要，你可以從前幾個角色中獲得足夠多有價值的信息。 

我曾將應用型機器學習比作在廚房中烘焙：如果您個人想要開一家工業規模的比薩店，那么你需要一個大的制作團隊或需要與一些供應商/顧問合作。如果你想利用周末時間制作一兩個獨特的披薩，如焦糖鳳尾魚披薩，那么你仍需要考慮我們所提到的所有角色，包括你要決定做什么 (角色1)，使用哪些配料 (角色2和3)，在哪里獲得配料 (角色0)，如何定制食譜 (角色5)，以及如何測試披薩的口味 (角色4)，以便制成品能給人留下深刻印象。但如果你只是想用來消遣的話，你可以自己承擔所有的工作。當然，如果你的目標只是制作標準的傳統披薩，那么你甚至不需要上述提到的這一切：你只需要拿來別人已經嘗試和測試過的配方和配料(無需親自重復發明)，就可以開始烤披薩啦!