Keine KI-Allianz sollte als dauerhaft betrachtet werden: Die Microsoft-OpenAI-Lektion

Drei Jahre lang verfügte die KI-Strategie für Unternehmen über einen zuverlässigen Entwurf: OpenAI-Modelle, Azure-Infrastruktur und Microsoft-Produktivitätstools, die um dieses Paar herum aufgebaut waren. Im April 2026 haben Microsoft und OpenAI ihren bahnbrechenden Deal in eine nicht-exklusive Vereinbarung umgewandelt. Jeder CIO, der auf diesem Stack aufgebaut hat, muss nun andere Entscheidungen treffen.

Was sich durch die Umstrukturierung im April 2026 tatsächlich verändert hat

Microsoft und OpenAI gaben die überarbeitete Vereinbarung Ende April 2026 bekannt und änderten damit mehrere Kernbedingungen ihrer ursprünglichen Partnerschaft. Microsoft behält bis 2032 eine nicht-exklusive Lizenz für das geistige Eigentum von OpenAI. OpenAI kann nun Produkte und APIs über mehrere Cloud-Anbieter verteilen, anstatt alles über Azure zu leiten.

Reuters berichtete, dass OpenAI zugestimmt habe, die Gesamtumsatzbeteiligung mit Microsoft im Rahmen des überarbeiteten Rahmenwerks auf 38 Milliarden US-Greenback zu begrenzen. Laut Finanzberichten von MarketWatch und anderen Medien behält Microsoft einen Anteil von rund 27 % an der gemeinnützigen Organisation OpenAI, obwohl keines der beiden Unternehmen eine genaue aktualisierte Eigenkapitaltabelle veröffentlicht hat. OpenAI gewann auch an größerer betrieblicher Flexibilität, als das Unternehmen seine Umstrukturierung in eine gemeinnützige Gesellschaft abschloss.

Die Schicht kam nicht ohne Vorwarnung. Im Januar 2025 wechselte Microsoft von einer völlig exklusiven Infrastrukturvereinbarung zu einem Vorkaufsrecht-Modell, das an neue OpenAI-Rechenkapazitäten gebunden ist. Im April 2026 wurde dieser Übergang abgeschlossen.

Warum die Partnerschaft zu zerbrechen begann

Der ursprüngliche Deal sah Anreize für einen bestimmten Zeitpunkt in der KI-Entwicklung vor.

OpenAI benötigte Kapital und Hyperscale-Computing, um Grenzmodelle zu trainieren. Microsoft brauchte einen glaubwürdigen Weg in die generative KI, bevor Google seinen Vorsprung festigen konnte. Exklusivität machte Sinn, als die Entwicklung des Stiftungsmodells huge, zentralisierte Investitionen erforderte.

Die Wirtschaftslage veränderte sich schneller als der Vertrag. Die Infrastrukturanforderungen von OpenAI gingen über das hinaus, was ein Cloud-Anbieter allein erfüllen konnte. Microsoft begann, aggressiver in interne KI-Fähigkeiten und different Modellanbieter zu investieren. Berichte im Laufe des Jahres 2025 deuteten auf zunehmende Spannungen im Zusammenhang mit Rechenengpässen, der Kontrolle der Unternehmensverteilung und der strategischen Unabhängigkeit hin.

Der Druck der Unternehmen kam aus einer anderen Richtung. Einige Organisationen wollten Zugriff auf OpenAI-Modelle, ohne sich weiter auf die Lizenzierungsökosysteme von Azure oder Microsoft festzulegen. The Verge berichtete, dass OpenAI intern anerkannte, dass seine Microsoft-Exklusivität manchmal die Fähigkeit des Unternehmens einschränkte, Unternehmen zu bedienen, die bereits auf die AWS-Infrastruktur standardisiert waren. Mit der überarbeiteten Vereinbarung wurde diese Einschränkung aufgehoben.

Neue Optionen und neue Risiken für Unternehmenskäufer

Die folgenreichste Änderung ist nicht technischer Natur. Es ist strategisch.

Zwei Jahre lang betrachteten viele Unternehmen Microsoft und OpenAI als ein einziges Ökosystem. Bei Beschaffungsentscheidungen, Governance-Planung und Entwicklertools wurde davon ausgegangen, dass Azure weiterhin eine zentrale Rolle bei der Bereitstellung von KI an vorderster Entrance spielen würde. Der alte Rahmen hält nicht mehr.

OpenAI kann nun die Verteilung über mehrere Cloud-Anbieter verfolgen. AWS hat die Verschiebung bereits bestätigt. Im April 2026 gab OpenAI bekannt, dass GPT-Modelle, Codex und verwaltete Agenten jetzt in einer eingeschränkten Vorschau auf Amazon Bedrock laufen, wobei AWS Dokumentation zur Bestätigung der Verfügbarkeit veröffentlicht. Für Organisationen, die nie vollständig auf Azure migriert haben, fiel die Hürde. Für die Funktionen von Frontier OpenAI ist keine Microsoft-Infrastrukturverpflichtung mehr erforderlich.

Auch Microsoft gewinnt an Spielraum. Das Unternehmen hat die Unterstützung für Nicht-OpenAI-Modelle in der gesamten Azure AI- und Copilot-Infrastruktur erweitert. Analysten sehen Microsoft zunehmend als eine KI-Orchestrierungsebene und nicht als exklusive OpenAI-Bereitstellungsplattform. Unternehmen können schließlich über Microsoft-Instruments mit mehreren zugrunde liegenden Modellanbietern interagieren, ohne jede Anbieterbeziehung separat verwalten zu müssen. Das Ergebnis ähnelt weniger einem vertikal integrierten KI-Monopol als vielmehr einem wettbewerbsorientierten Modellmarktplatz, der in Unternehmenssoftware eingebettet ist.

Lock-In ist umgezogen, nicht verschwunden

Die Bindung an einen Anbieter bleibt auch nach April 2026 ein echtes Risiko. Die Bindungspunkte verschieben sich lediglich.

Unternehmen, die ihre Beschaffung rund um die Azure-Exklusivität und die stabile OpenAI-API-Verteilung optimiert haben, sehen sich nun mit einer sich schneller verändernden kommerziellen Ebene konfrontiert, als sie erwartet hatten. Die Umstrukturierung im April 2026 hat gezeigt, wie schnell eine grundlegende KI-Allianz ihre Bedingungen ändern kann. Beschaffungsteams müssen die Portabilität viel früher in der Bereitstellungsplanung bewerten, bevor Arbeitsabläufe vollständig auf dem Bereitstellungsmodell eines einzelnen Anbieters basieren.

Die Multi-Cloud-Optionalität allein löst das Drawback nicht. Ein Unternehmen, das die Abhängigkeit von der Infrastruktur gegen die Abhängigkeit von Arbeitsabläufen durch Agenten-Frameworks, Vektordatenbanken, Feinabstimmungs-Pipelines und Identitätssysteme eintauscht, muss in zwei Jahren mit genauso hohen Migrationskosten rechnen. Architekturentscheidungen, die vor dem Einsetzen der Abhängigkeit getroffen werden, bestimmen, wie portierbar der Stapel später bleibt.

Die Neuausrichtung des Wettbewerbs ist jetzt im Gange

Die ursprüngliche Microsoft-OpenAI-Vereinbarung wurde zur Vorlage für die generative KI-Wirtschaft: Ein Hyperscaler finanziert und verteilt ein Grenzmodelllabor im Austausch für privilegierten Zugang. Eine lockerere, wettbewerbsfähigere Model dieser Vorlage nimmt derzeit auf dem gesamten Markt Gestalt an.

AWS vertieft OpenAI-Integrationen durch Bedrock. Google Cloud positioniert sich als neutrale Infrastruktur und konkurriert über Gemini. Anthropic funktioniert in allen Amazon- und Google-Beziehungen. Microsoft erweitert neben OpenAI auch die Unterstützung für Mistral und interne Modelle. Keine einzelne Allianz kontrolliert die KI-Verteilung in Unternehmen.

Die Geschichte bietet einen nützlichen Rahmen. Der frühe Cloud-Computing-Markt folgte einem ähnlichen Development und verlagerte sich mit zunehmender Reife der Infrastruktur von Internet hosting-Strategien einzelner Anbieter hin zu Multi-Supplier-Umgebungen. Die KI verfolgt den gleichen Weg. Die Folge ist eine mehrschichtige Marktstruktur: Cloud-Anbieter konkurrieren bei Infrastruktur und Orchestrierung, Gründungsmodellunternehmen konkurrieren bei Leistungsfähigkeit und Kosten und Anbieter von Unternehmenssoftware konkurrieren bei der Workflow-Integration.

Für Unternehmensführer besteht die Lehre aus April 2026 darin, dass keine Partnerschaft zwischen Modellentwicklern und Infrastrukturanbietern als dauerhaft betrachtet werden sollte. Die kommerzielle Ebene unterhalb der generativen KI bleibt fließend. Unternehmen, die jetzt modulare, tragbare KI-Architekturen aufbauen, werden bei der nächsten Umstrukturierung weitaus weniger Migrationskosten tragen.

von Shopify sagte kürzlich seinen Mitarbeitern in einem internen Memo: „Bevor sie nach mehr Mitarbeiter und Ressourcen bitten, müssen die Groups nachweisen, warum sie nicht das bekommen können, was sie mit KI erledigen wollen.“

In den letzten 6 Jahren in Startups gearbeitet zu haben, ist sowieso keine Possibility, um mehr Mitarbeiter oder mehr Ressourcen zu bitten. Die Einschränkungen sind eng und Sie müssen im Allgemeinen streng in Projekte investieren, von denen Sie zuversichtlich sind, dass sie wirksam sein werden. In diesen Situationen würde Tobi wahrscheinlich wahrscheinlich umformulieren: „Saugen Sie es auf und verwenden Sie einfach KI, wenn Sie können“.

Als Datenwissenschaftler möchte ich verstehen, wie sich unsere Arbeit mit KI entwickelt. Tech -Führungskräfte erwarten eindeutig, dass jedes Workforce effizienter und kreativer ist. Kann ein milliardenweise Parametermodell, obwohl es das gesamte Web gelesen hat, systematisch hilfreich sein, um Ihre eigenen Probleme zu lösen? Um diese Frage anzugehen, schlage ich den folgenden Rahmen vor: Lassen Sie mich alle Projekte durchgehen, an denen ich seit Beginn meiner Karriere gearbeitet habe, und beurteilen Sie, wie viel KI geholfen hätte.

Heute kehren wir auf 2020 zurück. Ich bin ein Junior -Datenwissenschaftler in einem Unternehmen, das von der Pandemic: Miete the Runway ziemlich schlecht getroffen wurde.

Worum ging es beim Projekt

Hire the Runway wurde 2009 eingeführt. Das Unternehmen verzeichnete von 2016 bis 2020 ein schnelles Wachstum, nachdem er sein beliebtes Produkt eingeführt hatte: ein monatliches „unbegrenztes“ Abonnement für Mode, auch bekannt als „Closet within the Cloud“, sodass Sie eine große Anzahl von Excessive -Finish -Kleidung zu einem unschlagbaren Preis mieten können. Das Produkt battle ein Hit für jede Frau, die regelmäßig etwas Neues bei der Arbeit, Nachtläufe, Partys, besonderen Ereignissen usw. tragen wollte. Als Covid im März 2020 anfing und alle wochenlang aufgehört haben … nun, es hat die Stimmung irgendwie getötet.

Die „Netflix of Style“ (ja, einige Leute haben diesen Spitznamen wirklich benutzt) hatten eine wahnsinnige Menge an nicht verwendeten Inventar, eine ganze Saison von Gegenständen, die nur in einem Lagerhaus „sitzen“ werden müssen, und natürlich einen enormen Umsatzrückgang. Es battle dringend, eine neue Einnahmequelle zu finden, um finanziell zu überleben. Nicht der richtige Zeitpunkt, um nach mehr Ressourcen oder Beseitigung zu fragen, da ein Drittel der Belegschaft entspricht.

Hier kam eine brillante Idee: Was wäre, wenn wir versuchen würden, zum Einzelhandelsgeschäft zurückzukehren? Das heißt, verkauft Artikel als gebrauchte Hand, anstatt sie zu mieten. Aber hier battle die große Frage: Da die Aussperrung eines Tages enden wird und die Leute wieder zur Miete gehen, welche Artikel sollten wir vorerst im Vergleich zu einem Rabatt halten? Und wie viel sollte dieser Rabatt sein?

Die 2020 -Lösung

Das Ziel des Projekts ist es, für jedes Produkt den optimalen Preis zu erhalten, der den richtigen Restbetrag zwischen Mieten und Verkauf ist. Sie können den optimalen Preis P als Preis erhalten, der Folgendes maximiert:

Das ist leicht zu finden… vorausgesetzt, Sie kennen die zukünftigen Mieteinnahmen (das „Mietraum“ in dieser Gleichung) und die Preiselastizität (die Wahrscheinlichkeiten in dieser Gleichung).

Anfang 2020 arbeitete ich bereits an der RTR Unit Economics und Income Prognosen. Ich habe ein Modell aufgebaut, das auf der Grundlage einer Artikelvermietung der Gegenstände vorhersagt wurde, wie oft es mehr Male vermietet werden konnte und welche zusätzlichen Einnahmen es generieren würde.

Das fehlende Stück hatte eine Vorstellung von der Preiselastizität, dh die Beantwortung der Frage: Bei einem Preis für einen Artikel wäre die Wahrscheinlichkeit, sie zu verkaufen? Um mehr über dieses Modell zu erfahren, würde ich Sie zu diesem sehr detaillierten und intestine geschriebenen Umleiten umleiten Weblog -Artikel von meinem Teamkollegen Meghan Solari.

Es ist wichtig zu beachten, dass einige Geschäftsbeschränkungen angewendet werden mussten, um sicherzustellen, dass wir keinen ganzen Stil verkaufen und einige Einheiten für Mietstände behalten.

Wie KI hätte helfen können

Dieses Projekt liegt nahe an einem klassischen Nachfrage- und Angebotsproblem, wobei der Umsatz von Miete und Einzelhandel etwas interessanter wird. Es ist jedoch nicht die größte Herausforderung, die Gleichung zu finden, die den optimalen Preis verleiht. Die Hauptherausforderung besteht darin, jeden Parameter bei unzureichenden Daten zu schätzen.

In der Tat ist die Vorhersage der zukünftigen Nachfrage schwierig: Sie haben nur wenige Monate Geschichte (bestenfalls) für jeden Stil, und Sie müssen einen großen Horizont vorhersagen (im Grunde genommen bis zum Lebensende). Schnelle Veränderungen der Modetrends erfordern ein tiefes Verständnis der Branche, wenn überhaupt vorhersehbar. Und die Unsicherheit, die durch die frühe Covid -Periode geschaffen wurde, machte jede Zeitserie -Modelle sehr schwer zu bauen.

Die Schätzung der Preisgestaltung ist nicht einfacher. Da die Miete die Landebahn kein Einzelhandelsgeschäft battle, stammten die Verkaufsdaten von Design Restricted.

Und genau hier würde die Herausforderung auch für jede KI-gesteuerte Lösung kommen. Eine KI kann nur so intestine sein wie die Daten, die er zur Verfügung stellt.

Lösung für die spärlichen Daten auf Stilebene

Obwohl jeder Stil nur eine begrenzte Geschichte hat, gibt es eine Fülle von Informationen in ähnlichen Elementen. Dies ist ein erstklassiger Anwendungsfall für Transferlernen und gemeinsame Einbettungen, die durch den Zugriff auf vorgebreitete LLMs erleichtert werden können. Einbettungen auf gemeinsamer Stilebene hätten es uns ermöglichen können, starke Annahmen für neue Stile zu treffen, die auf Metadaten basieren: Farbe, Marke, Preis, Stoff, Silhouette… wir hätten effektivere Modelle erstellen können, die lernen, wie man Nachfragekurven aus einigen Datenpunkten vorhersagen und aus Mustern in historisch ähnlichen Elementen abzurufen. Ein Unternehmen wie Stichfix hat diesen Raum Pionierarbeit gemacht, indem sie Ingredient -Metadaten verwendet haben, um tiefe Einbettungen zu erstellen, die über ein neues Inventar hinweg verallgemeinert werden.

Mit einem schnellen Modebadycycy Halten

LLMs hätte es einfacher machen können, sich ständig ändernde Modetrends zu verfolgen und zu verstehen und an externen Signalen zu arbeiten, um potenzielle Veränderungen in der gesamten Branche vorherzusagen. Das battle nicht im Jahr 2020 einfach, da es large Datenabstände abschreibt, herauszufinden, was related ist und schwache Signale interpretiert. Heute ist genau das, was LLMs intestine sind. Unternehmen mögen Trendalytik Tun Sie genau das, um Tiktok, Google -Tendencies und soziale Medien zu scannen, um aufkommende Muster in Silhouetten, Farben oder Influencern -Posts zu ermitteln. Diese Daten wären äußerst wertvoll gewesen, um eine genaue Nachfrageprognose zu machen.

Aufbau eines dynamischen Preisagenten

Eine letzte Sache, die angesichts der heutigen Technologie Spaß daran hätte, einen Agenten aufzubauen, der die Preise in Echtzeit geändert und durch Verstärkungslernen die optimalen Preisstrategien durch die Interaktion mit der Umwelt gelernt hätte. Dies hätte es uns ermöglichen können, sicherzustellen, dass die Preise von der historischen und zukünftigen Nachfrage des Stils abhängen, aber auch von den Kundenfunktionen, dem persönlichen Miet- und Kaufgeschichte, dem Engagement, dem Geschmack usw., die uns näher an die Prime -RL -Groups bei Airbnb oder Uber hätte näher bringen können, die Preise, die auf Echtzeit -Nachfrage basieren, und die Wahrscheinlichkeit der Buchung buchen.

Dies sind einige der Ideen, die ich selbstsüchtig aufgeregt hätte, um daran zu arbeiten, aber beachten Sie zwei wichtige Dinge:

1. Aus Produktperspektive ist es wirklich schwer zu schätzen (insbesondere jetzt, wo ich keinen Zugriff mehr auf die Daten habe), welche Auswirkungen die Auswirkungen auf den Gesamtumsatz hatten.

2. Diese Ideen hätten bereits im Jahr 2020 in der Reged gebaut werden können, da das großartige Workforce von ML-Ingenieuren, die wir auf der Miete The Runway hatten,. Aber es hätte Monate – wenn nicht Jahre – der Forschung und Entwicklung mit hohen Risiken dargestellt, die wir uns zu diesem Zeitpunkt nicht leisten konnten.

Und das ist wahrscheinlich mein bisher Haupt zum Mitnehmen bei LLMs: Sie trivialisieren nicht die Probleme, die wir vor 5 Jahren in unseren Kopf geschlagen haben, aber sie machen es einfacher, Ideen zu testen, die sich in den Tagen unrealistisch lange entwickelt hätten. Dies verändert das Paradigma, in dem Datenteams in der Regel arbeiten und neue Partnerschaftsmöglichkeiten mit Produktteams eröffnen.

Artikel 100% menschlicher geschriebener Mensch

Ahh, das Meer.

Der Urlaub auf dem mediterranen Meer lag am Strand und starrte in die Wellen. Woman Luck hatte einen guten Tag: Die Sonne starrte von einem blauen und wolkenlosen Himmel herab und erhitzte den Sand und das salzige Meer um mich herum. Zum ersten Mal seit einiger Zeit hatte ich Ausfallzeiten. In der abgelegenen Area, in der ich warfare, gab es nichts mit ML zu tun, wo die rauen Straßen jeden verängstigt hätten, der sich an die gleichmäßigen Gehwege westlicher Länder gewöhnt hat.

Dann, weg von der Arbeit und teilweise Zivilisation, irgendwo zwischen Zonierung und Daydreaming, begannen meine Gedanken zu driften. In unserem täglichen Geschäft sind wir auch damit beschäftigt, Zeit damit zu verbringen, nichts zu tun. Aber Nichts ist hier ein starkes Wort: Als meine Gedanken teuerten, erinnerte ich mich zuerst an die jüngsten Ereignisse, dachte dann über die Arbeit nach und kam dann schließlich zum maschinellen Lernen an.

Vielleicht Spuren meines vorherigen Artikels –wo ich 6,5 Jahre „Machen“ ml nachdachte– Ich warfare immer noch im Hinterkopf. Oder vielleicht warfare es einfach die völlige Abwesenheit von irgendetwas Technischen um mich herum, wo das Meer mein einziger Begleiter warfare. Was auch immer der Grund warfare, ich begann psychological, die Jahre hinter mir zu proben. Was warfare intestine gelaufen? Was warfare seitwärts gegangen? Und – vor allem – was wünschte ich, jemand hätte mir zu Beginn jemand gesagt?

Dieser Beitrag ist eine Sammlung dieser Dinge. Es soll keine Liste dummer Fehler sein, die ich andere dringend bittet, um jeden Preis zu vermeiden. Stattdessen ist es mein Versuch, die Dinge aufzuschreiben, die meine Reise ein bisschen reibungsloser gemacht hätten (aber nur ein bisschen ist Unsicherheit notwendig, um die Zukunft genau das zu machen: die Zukunft). Teile meiner Liste überschneiden sich mit meinem vorherigen Beitrag und aus gutem Grund: Einige Lektionen lohnt sich wieder zu wiederholen und erneut zu lesen.

Hier ist Teil 1 dieser Liste. Teil 2 ist derzeit in meinem sandigen, seewasserfleckigen Notizbuch begraben. Mein Plan ist es, in den nächsten Wochen damit nachzuverfolgen, sobald ich genug Zeit habe, um es in einen Qualitätsartikel zu verwandeln.

1. ML MEHR MEH

Dies ist ein Punkt, den ich versuche, nicht zu viel nachzudenken, oder es wird mir sagen: Sie haben Ihre Hausaufgaben nicht gemacht.

Als ich anfing, warfare mein interner Monolog so etwas wie: „Ich will nur ml. ““ Was auch immer das bedeutete; letztlich Trainieren Sie ein maschinelles Lernenmodell. Das Modelltraining ist ironischerweise oft der kürzeste und letzte Teil des gesamten Prozesses.

Jedes Mal, wenn ich endlich zum Modelltrainingsschritt komme, atme ich psychological auf Erleichterung auf, weil ich es durch das unsichtbare Teil geschafft habe: die Daten vorzubereiten. Es gibt nichts „Verkaufbar“ in lediglich die Daten vorbereiten. Nach meiner Erfahrung ist die Vorbereitung der Daten in keiner Weise auffällig (solange es intestine genug gemacht wird).

Hier ist das übliche Muster dafür:

• Sie haben ein Projekt.
• Sie erhalten einen realen Datensatz. (Wenn Sie mit einem intestine kuratierten Benchmark-Datensatz arbeiten, haben Sie Glück!)
• Sie möchten ein Modell trainieren.
• Aber zuerst… Datenreinigung, Fixieren, Verschmelzen, Validieren.

Lassen Sie mich Ihnen ein persönliches Beispiel geben, das Ich habe als lustige Geschichte erzählt (Was es jetzt ist. Damals bedeutete es, ein paar Tage maschinelles Lernen unter Zeitdruck wieder zu resotieren…).

Ich habe einmal an einem Projekt gearbeitet, bei dem ich die Vegetationsdichte (unter Verwendung des NDVI -Index) aus ERA5 -Wetterdaten vorhersagen wollte. ERA5 ist ein massiver Gitter-Datensatz, der frei im Europäischen Zentrum für Wettervorhersagen mit mittlerer Reichweite erhältlich ist. Ich habe diesen Datensatz mit NDVI -Satellitendaten von NOAA (im Grunde genommen der amerikanischen Wetteragentur) zusammengeführt, die Auflösungen sorgfältig ausgerichtet, und alles schien in Ordnung zu sein – keine Fehlanpassungen, keine Fehler wurden geworfen.

Dann rief ich die Datenvorbereitung an und trainierte ein Sehtransformatormodell auf dem kombinierten Datensatz. Ein paar Tage später habe ich die Ergebnisse und… Überraschung visualisiert! Das Modell dachte, die Erde sei auf den Kopf. Im wahrsten Sinne des Wortes waren meine Eingabedaten nach rechts, aber die Zielvegetationsdichte wurde am Äquator umgedreht.

Was warfare passiert? Ein subtiler Fehler in meiner Auflösungsübersetzung drehte die Breitengradorientierung der Vegetationsdaten um. Ich hatte es nicht bemerkt, weil ich bereits viel Zeit mit der Datenvorbereitung verbracht habe und schnell zum „lustigen Teil“ gelangen wollte.

Diese Artwork von Fehler ärgert sich in einem wichtigen Punkt: ML-Projekte in der realen Welt sind Datenprojekte. Insbesondere außerhalb der akademischen Forschung arbeiten Sie nicht mit Cifar oder ImageNet. Sie arbeiten mit chaotischen, unvollständigen, teilweise Labellel und Multi-Supply-Datensätzen, die erforderlich sind:

• Reinigung
• Ausrichten
• Normalisierung
• Debuggen
• Visuelle Inspektion

Und noch mehr ist diese Liste nicht exexhautiv. Dann alle oben genannten wiederholen.

Die Daten richtig machen Ist die Arbeit. Alles andere baut auf dieser (traurig unsichtbaren) Fundament auf.

2. Das Schreiben von Papieren ist wie die Vorbereitung eines Verkaufsgesprächs

Einige Papiere nur intestine lesen. Möglicherweise können Sie nicht erklären, warum, aber sie haben einen Fluss, eine Logik, eine Klarheit, die schwer zu ignorieren ist. Das ist selten zufällig*. Für mich stellte sich heraus, dass das Schreiben von Papieren ähnlich ist, um eine ganz bestimmte Artwork von Verkaufsgespräch zu erstellen. Du verkaufst deine Ideedein Ansatzdein Einblick zu einem skeptischen Publikum.

Dies warfare eine überraschende Erkenntnis für mich.

Als ich anfing, nahm ich an, dass die meisten Papiere genauso aussahen und fühlten. Alle von ihnen waren für mich „wissenschaftliches Schreiben“. Aber im Laufe der Zeit bemerkte ich, als ich mehr Papiere las, die Unterschiede. Es ist wie das Sprichwort: Außenstehende sehen alle Schafe gleich aus; Für den Hirten ist jeder unterschiedlich.

Vergleichen Sie beispielsweise diese beiden Papiere, auf die ich in letzter Zeit gestoßen bin:

Beide verwenden maschinelles Lernen. Aber sie sprechen mit unterschiedlichem Publikum mit unterschiedlichen Abstraktionsebenen, unterschiedlichen narrativen Stilen und sogar unterschiedlichen Motivationen. Der erste geht davon aus, dass die technische Neuheit von zentraler Bedeutung ist. Der zweite konzentriert sich auf die Relevanz für Anwendungen. Offensichtlich gibt es auch den visuellen Unterschied zwischen den beiden.

Je mehr Papiere Sie lesen, desto mehr erkennen Sie: Es gibt nicht eins Weg, um ein „gutes“ Papier zu schreiben. Es gibt viele Möglichkeiten, und der Weg variiert je nach Publikum.

Und es sei denn, Sie sind einer dieser sehr seltenen brillanten Köpfe (denken Sie an Terence Tao oder jemand dieses Kalibers), Sie brauchen wahrscheinlich Unterstützung, um intestine zu schreiben. Vor allem bei Anpassung eines Papiers für eine bestimmte Konferenz oder ein bestimmtes Journal. In der Praxis bedeutet dies, eng mit einer hochrangigen ML -Individual zusammenzuarbeiten, die das Feld versteht.

Das Erstellen eines guten Papiers ist wie die Vorbereitung eines Verkaufsgesprächs. Sie müssen:

• Rahmen Sie das Drawback richtig ein
• Verstehe deine Zielgruppe (dh Goal -Veranstaltungsort)
• Betonen Sie die Teile, die am meisten Resonanz finden
• Und polieren, bis die Nachricht bleibt

3. Die Fixierung des Fehlers ist der Weg nach vorne

Vor Jahren hatte ich diese romantische Idee von ML als Erkundung eleganter Modelle, Erfindung neuer Aktivierungsfunktionen oder das Erstellen von cleveren Verlustfunktionen. Das kann für eine kleine Reihe von Forschern zutreffen. Aber für mich sah der Fortschritt oft so aus: „Warum fährt dieser Code nicht aus?“ Oder noch frustrierender: „Dieser Code lief erst vor ein paar Sekunden-warum läuft er nicht mehr Jetzt? „

Nehmen wir an, in Ihrem Projekt müssen Imaginative and prescient -Transformatoren für Umwelt -Satellitendaten verwendet werden (dh der Modellseite von Abschnitt 1 oben). Sie haben zwei Optionen:

1. Implementieren Sie alles von Grund auf neu (nicht empfohlen, es sei denn, Sie fühlen sich besonders abenteuerlich oder müssen es für Kursnachweise tun).
2. Finden Sie eine vorhandene Implementierung und passen Sie sie an.

In 99% der Fälle ist Choice 2 die offensichtliche Wahl. Aber „einfach Ihre Daten einschließen“ funktioniert quick nie. Sie werden auf:

• Verschiedene Berechnungsumgebungen
• Annahmen über Eingangsformen
• Vorverarbeitung von Macken (z. B. Datennormalisierung)
• Hartcodierte Abhängigkeiten (von denen ich auch schuldig bin)

Schnell kann Ihr Tag zu einer endlosen Reihe von Debugging-, Backtracking-, Testen von Kantenfällen, Änderungen von Dataloadern, Überprüfung des GPU -Speichers ** und der Wiederaufnahme von Skripten. Dann beginnen die Dinge langsam zu funktionieren. Schließlich trainiert Ihr Modell.

Aber es ist nicht schnell. Es ist Fehler beheben Sie Ihren Weg nach vorne.

4. Ich (ganz mit Sicherheit) wird nicht machen Das Durchbruch

Sie haben definitiv von ihnen gehört. Der Transformator Papier. Die Gans. Stabile Diffusion. Es gibt einen kleinen Teil in meinem, der denkt: Vielleicht werde ich das nächste transformative Papier schreiben. Und sicher muss jemand. Aber statistisch gesehen werde es wahrscheinlich nicht ich. Oder Sie, Entschuldigung. Und das ist in Ordnung.

Die Werke, die dazu führen, dass ein Feld schnell ändert, sind per Definition außergewöhnlich. Diese Arbeiten sind außergewöhnlich, dass die meisten Werke, selbst gute Arbeit, kaum erkannt werden. Manchmal hoffe ich immer noch, dass eines meiner Projekte „in die Luft jagen“ würde. Aber bisher haben es die meisten nicht. Einige wurden nicht einmal veröffentlicht. Aber hey, das ist kein Misserfolg – es ist die Grundlinie. Wenn Sie erwarten, dass jedes Papier ein Homerun ist, sind Sie auf der schnellen Spur enttäuscht.

Gedanken schließen

Für mich erscheint maschinelles Lernen oft als schlankes, modernes Feld-eines, in dem sich Durchbrüche gleich um die Ecke haben und wo das „Tun“ intelligente Menschen mit GPUs und Mathematik Magie machen. Aber in meiner täglichen Arbeit ist es selten so.

Meistens besteht meine tägliche Arbeit aus:

• Umgang mit unordentlichen Datensätzen
• Debugging -Code aus GitHub gezogen
• Redrapferpapiere immer und immer wieder
• Wiederum neuartige Ergebnisse produzieren

Und das ist okay.

---

Fußnoten

Der vorherige Artikel erwähnte: https://towardsdatascience.com/lessons-lenarned-after-6-5-Jahre-of-machine-learning/

* Wenn Sie interessiert sind, ist mein Lieblingspapier das eine: https://arxiv.org/abs/2103.09762. Ich habe es vor einem Jahr an einem Freitagnachmittag gelesen.

** Bis heute erhalte ich immer noch E -Mail -Benachrichtigungen darüber, wie das Löschen des GPU -Speichers im Tensorflow unmöglich ist. Dieses 5-jährige GitHub-Drawback gibt die Particulars.

wird unsere digitalen Assistenten werden und uns helfen, die Komplexität der modernen Welt zu steuern. Sie werden unser Leben einfacher und effizienter machen. “ Inspirierende und völlig unvoreingenommene Aussage von jemandem, der bereits Milliarden in diese neue Technologie investiert hat.

Der Hype ist actual für AI -Agenten, und Milliarden strömen ein, um Modelle zu bauen, die uns produktiver und kreativer machen. Es ist schwer, nicht einverstanden zu sein, wenn ich meinen Morgenkaffee gerne genieße, während Cursor meine Unit -Assessments kodiert. Wenn Sie jedoch die Leute in meinem Netzwerk fragen, wie sie KI in ihrem Alltag verwenden, erwähnen ihre Antworten oft anekdotische Anwendungsfälle, überall von „Ich benutze es, um meinem Sohn Geschichten zu erzählen“ (ich denke, das wäre nicht einmal ein Anwendungsfall, wenn Sie mehr Fantasie hätten), um es zu „optimieren“ (Bewegung Ai, bitte aufhören, mich für die Liebe zum Gott zur Liebe zu tun).

Als Datenwissenschaftler geht mein Geist zwischen zwei Schlussfolgerungen hin und her. Der FOMO -Teil von mir, der nicht zu spät zur Roboterrevolutionspartei kommen will, und der zynische, der glaubt, dass es noch einen langen Weg vor sich gibt, bevor künstliche Intelligenz tatsächlich clever wird. Um herauszufinden, auf welcher Seite meiner schizophrenen Persönlichkeit ich wetten sollte, werde ich ein einfaches, aber leistungsstarkes Rahmen verwenden: Überprüfung aller Projekte, an denen ich seit Beginn meiner Karriere gearbeitet habe, und zu beurteilen, wie 2025 hochmoderne KI-Modelle hätte helfen können.

Heute kehren wir auf 2018 zurück. Ich bin ein offener Sommerpraktikant bei einem der disruptivsten Startups in Amerika: Mieten Sie die Landebahn.

Worum ging es beim Projekt

Die Miete des Landebahn -Achievement -Zentrums in Secaucus, New Jersey, warfare früher die größte chemische Reinigung in den USA.

Im Sommer 2018 hatte ich als Praktikant für den Operations Analyst ein ziemlich schweres Drawback, über das ich nachdenken konnte: Das Everyding Middle erhielt Tausende von Einheiten aus dem ganzen Land zurück. Alle Gegenstände mussten zuerst inspiziert werden und würden dann einen gründlichen Reinigungsprozess durchlaufen, bevor sie getrocknet wurden oder einige spezielle Behandlungen erhalten hatten. Dies könnte sein:

• Recognizing, wenn das Kleidungsstück während der Miete befleckt wurde
• Drücken, wenn es zu faltig warfare und gebügelt werden musste
• Reparatur, wenn es beschädigt worden warfare

Die meisten dieser Aufgaben wurden von verschiedenen Abteilungen manuell ausgeführt und mussten spezialisierte Arbeitnehmer zur Verfügung stehen, sobald die erste Cost von Einheiten ihre Abteilung erreichte. In der Lage zu sein, Tage vorherzusagen, welches Einheitenvolumen verarbeitet werden müsste (und wann), warfare entscheidend für die Planungsscheibe für Achievement Middle, um sicherzustellen, dass jedes Betriebsteam angemessen besetzt sein würde.

Die Komplexität des Flusses machte es noch schwieriger. Es ging nicht nur darum, das Inboundvolumen vorherzusagen, sondern auch zu beurteilen, welcher Teil dieses Inboundvolumens spezielle Behandlungen erfordern würde, wo und wann Engpässe erscheinen konnten, und zu verstehen, wie sich die Arbeit in einer Abteilung auf die anderen Abteilungen auswirken würde.

Die 2018 -Lösung

An diesem Punkt fragen Sie sich vielleicht: Warum warfare es angesichts der Komplexität und der Einsätze des Projekts in den Händen eines jungen unerfahrenen Praktikums? Um truthful zu sein, kratzte ich während meines 10-wöchigen Sommerpraktikums nur an der Oberfläche und schrieb ein wahnsinnig kompliziertes Pyomo-Drehbuch, das später von einem hochrangigeren Datenwissenschaftler verfeinert wurde, der zwei Jahre allein mit diesem Projekt verbracht wurde.

Aber wie Sie sich vorstellen können, warfare die Lösung dieses riesige Optimierungsmodell als Eingabe der eingehenden Volumenprognose für jeden Wochentag, die durchschnittliche UPH (Einheiten professional Stunde, dh die Anzahl der Einheiten, die in einer Stunde verarbeitet werden können) in jeder Abteilung und einige Annahmen zu den Anteilen der Einheiten, die spezifische Behandlungen erfordern würden. Die Hauptbeschränkungen waren das Timing und die Regelmäßigkeit der Verschiebungen sowie die Anzahl der Vollzeitverträge. Das Modell würde dann eine optimierte Arbeitsplanung für die Woche ausgeben.

Wie KI hätte helfen können

Lassen Sie uns zuerst die Dinge neu anklagen: Sie werden in meiner LinkedIn-Biografie keine Wörter wie „Ai-enthusiast“ oder „LLM-Gläubiger“ sehen. Ich bin ziemlich skeptisch, dass KI alle unsere Probleme auf magische Weise lösen wird, aber ich bin daran interessiert zu sehen, ob mit der heutigen Technologie ein anderer Ansatz möglich wäre.

Weil unser Ansatz warfare, konnte man sagen, hübsche alte Schule und monatelanges Verfeinerungen und Assessments erforderlich.

Die Hauptgrenze ist der statische Aspekt der Lösung. Wenn während der Woche etwas Unerwartetes geschieht (z. B. ein Schneesturm, der die Logistik in einigen Teilen des Landes lähmt und einen Teil des eingehenden Volumes verzögert), müssen viele Annahmen des Modells geändert werden und seine Ergebnisse werden veraltet.

Dies ist eine Lösung, bei der Datenwissenschaftler tief in das Unkraut eingehen, anstatt sich auf ein außergewöhnliches Framework zu verlassen, sich auf viele Annahmen zu verlassen und Zeit damit zu verbringen, diese Annahmen aufrechtzuerhalten und zu aktualisieren.

Könnte AI einen völlig anderen Ansatz finden? NEIN.

Für dieses spezielle Drawback benötigen Sie eindeutig ein Optimierungsmodell, und ich muss noch darüber gelesen, dass ein LLM ein Modell mit einer solchen Komplexität bewältigen kann. Man könnte einen Rahmen mit einem AI-Agenten vorschlagen, der als Normal Supervisor fungiert und sich auf Subagenten stützt, um die Planung jeder Abteilung zu bewältigen. In diesem Rahmen würde jedoch Agenten immer noch Instruments erfordern, mit denen sie ein komplexes Optimierungsmodell lösen können, und die Subagenten müssten kommunizieren, da die Scenario einer Abteilung alle anderen betreffen kann.

Könnte AI die „menschlich erzeugte“ Lösung erheblich verbessern? Möglich.

Zu diesem Zeitpunkt ist mir ziemlich offensichtlich, dass LLMs das Drawback nicht trivial machen, aber sie könnten dazu beitragen, die Lösung in mehreren Bereichen zu verbessern:

• Erstens könnten sie bei der Berichterstattung und Entscheidungsfindung helfen. Die Ausgabe des Optimierungsmodells könnte einen geschäftlichen Sinn haben, aber für jemanden ohne ein starkes Verständnis der linearen Programmierung ist es schwierig, eine Entscheidung zu treffen. Ein LLM könnte dazu beitragen, die Ergebnisse zu interpretieren und konkrete Geschäftsentscheidungen vorzuschlagen.
• Zweitens könnte ein LLM dazu beitragen, schneller auf bestimmte unerwartete Situationen zu reagieren. Es könnte beispielsweise Informationen zu Ereignissen zusammenfassen, die sich auf die Operationen auswirken könnten, wie z. B. schlechtes Wetter in einigen Teilen des Landes oder anderen Problemen mit Lieferanten, und als solche, wann das Planungsmodell überholt werden soll. Dies setzt voraus, dass es Zugriff auf gute Qualitätsdaten zu diesen externen Ereignissen hat.
• Schließlich ist es möglich, dass KI auch dazu beitragen kann, Echtzeitanpassungen an der Planung vorzunehmen. Zum Beispiel ist es in der Regel aufgrund der Kleidungseigenschaften vorhersehbar, ob sie besondere Pflege benötigen (z. B. muss ein Baumwollhemd immer manuell gebügelt werden). Wenn ein VLM jedes Kleidungsstück an der Empfangsstation scannt, kann die nachgeschalteten Abteilungen helfen, zu verstehen, wie viel Volumen sie Stunden im Voraus erwarten sollten.

Könnte AI es den Datenwissenschaftlern ermöglichen, das Modell aufrechtzuerhalten und zu aktualisieren? Ja!

Es ist wirklich schwer zu leugnen, dass bei Instruments wie Copilot oder Cursor -Codierung und Aufrechterhaltung dieses Modells einfacher gewesen wäre. Ich hätte Claude nicht blind gebeten, jede Einschränkung des linearen Programms von Grund auf neu zu codieren, aber da AI -Code -Redakteure klüger als je zuvor sind, wäre es einfacher, bestimmte Einschränkungen zu ändern und zu testen (und menschliche Fehler zu fangen!).

Meine Schlussfolgerung ist, dass ein LLM im Jahr 2018 das Projekt nicht trivialisiert hätte, obwohl es die endgültige Lösung hätte erhöhen können. Es ist jedoch nicht unmöglich zu glauben, dass in einigen Jahren (Monate?) Agenten mit verbesserten Argumentationsfunktionen anspruchsvoll genug sein werden, um diese Artwork von Problemen zu knacken. In der Zwischenzeit, während KI Modell -Iterationen und -anpassungen beschleunigen kann, bleibt das menschliche Urteil im Kern unersetzlich. Dies dient als wertvolle Erinnerung daran, dass es nicht nur darum geht, Datenwissenschaftler zu lösen, sondern auch darum, mathematische oder Informatikprobleme zu lösen-es geht darum, praktische Lösungen zu entwerfen, die sich entwickelnden, oft nicht eindeutigen und nicht so intestine definierten Einschränkungen der realen Welt entsprechen.

Artikel 100% Menschen erzeugt

Martin Luther King Jr. ist berühmt für seine Rede, „Ich habe einen Traum.” Er hielt es am 28. August 1963 im Lincoln Memorial in Washington, D.C. vor etwa 250.000 Menschen. Sie gilt als eine der bedeutendsten Reden des 20. Jahrhunderts. Es spielte eine entscheidende Rolle in der Bürgerrechtsbewegung für schwarze Amerikaner.

Während dieser Rede sagte er, dass er von einem Tag träume, an dem seine vier Kinder in einer Nation leben würden, in der Menschen nicht nach ihrer Hautfarbe, sondern nach ihrem Charakter beurteilt werden.

Auch ich hatte vor einigen Jahren einen Traum. Es struggle nicht so glorreich und hat den Lauf der Geschichte nicht so verändert wie das von Martin Luther King. Mein Ziel struggle es, Datenwissenschaftler zu werden.

Nicht wegen des Prestiges oder weil es im Development lag (und immer noch ist), sondern weil ich es wirklich liebe, mit Daten zu arbeiten, komplexe Probleme zu lösen und Erkenntnisse zu nutzen, um Geschäftsergebnisse voranzutreiben. Als ich Datenwissenschaftler wurde, trafen meine einzigartigen Fähigkeiten und Leidenschaften aufeinander. Weißt du, das Candy Spot, der zu einer erfüllenden Karriere führt.

Meine Reise struggle nicht einfach. Ich wusste weder, wo ich anfangen sollte, noch wusste ich, was ich als nächstes tun sollte. Ich nahm an verschiedenen Kursen teil, von denen sich viele als nicht hilfreich erwiesen. Ich habe auch unzählige Artikel über Information Science gelesen. Während es harte Arbeit erfordert, Datenwissenschaftler zu werden, habe ich viel Mühe auf Dinge verwendet, die letztendlich nicht notwendig waren.

Ich wünschte, jemand hätte mir die Anleitung gegeben, die ich gleich mit Ihnen teilen werde. Dies ist der Zweck dieses Artikels. Die gute Nachricht? Das Befolgen dieser Schritte ist keine Garantie für einen Job als Datenwissenschaftler, aber sie werden Ihre Chancen erheblich verbessern – auch ohne Doktortitel! Ich kenne mehrere Fachleute, die sich ohne Doktortitel als Datenwissenschaftler hervorgetan haben. Der Erfolg in diesem Bereich hängt vor allem von Beharrlichkeit und praktischer Erfahrung ab.

„Der Anfang ist der wichtigste Teil jeder Arbeit.“

— Platon

Untersuchungen zeigen dass ein Kleinkind über einen Zeitraum von zwei bis drei Monaten etwa 14.000 Schritte macht und 100 Stürze professional Tag erlebt, bevor es das Laufen beherrscht. Dennoch bleiben sie hartnäckig und denken nie daran, aufzugeben.

Im Gegensatz dazu machen wir als Erwachsene oft das Gegenteil. Wir neigen dazu, aufzugeben, sobald wir auf Hindernisse stoßen. Wo ein Erwachsener 100 Misserfolge sieht, sieht ein Child 100 Lernmöglichkeiten. Das Child analysiert sein Versagen nicht zu sehr und überschätzt die Risiken nicht. Es fängt einfach an, versucht es, fällt und versucht es erneut!

Betrachten Sie die Geschichte von Justin Kan, dem Mitbegründer von Twitch. Seine unternehmerische Reise begann nicht mit einem Blockbuster-Erfolg. Es begann mit dem, was er als „Scheiß erster Begin„Kiko genannt, eine On-line-Kalender-App. Kiko konkurrierte mit Giganten wie Google Kalender, wurde aber schließlich bei eBay für 258.100 US-Greenback verkauft!

Als nächstes startete er Justin.television, eine Plattform, auf der er sein Leben rund um die Uhr dwell streamte. Aus Justin.television wurde schließlich Twitch, eine Reside-Streaming-Plattform mit Schwerpunkt auf Gaming. Im Jahr 2014 erwarb Amazon Twitch für 970 Millionen US-Greenback!

Wie Justin Kan sagte: „Warten Sie nicht. Bauen Sie jetzt Ihr erstes beschissenes Startup auf.”

Dieser Rat gilt auch für Ihre Reise in die Datenwissenschaft. Irgendwo anfangen. Beginnen Sie jetzt Ihren Lernprozess. Auch wenn sich Ihr erster Versuch „beschissen“ anfühlt und Sie nicht sicher sind, wo Sie anfangen sollen, ist es in Ordnung. Sie können auf Ihren anfänglichen Bemühungen aufbauen, und nichts hindert Sie daran, Ihre Richtung im Laufe der Zeit anzupassen. Sie müssen jetzt und irgendwo anfangen.

Der Kathedrale von Beauvais in Frankreich sollte im 13. Jahrhundert die höchste Kathedrale der Welt werden. Sein ehrgeiziges Design sprengte die Grenzen der gotischen Architektur. Allerdings kam es 1284 zu einem bemerkenswerten Einsturz, als das Chorgewölbe aufgrund unzureichender Fundamente und struktureller Unterstützung einstürzte. Es ist bis heute unvollendet.

Dies dient als starke Analogie für Ihre Reise in die Datenwissenschaft. Sie könnten (wir alle) versucht sein, direkt in die spannenden Teile einzutauchen, wie zum Beispiel Deep-Studying-Modelle, LLMs oder die neuesten Frameworks für maschinelles Lernen. Aber wie bei der Kathedrale von Beauvais könnte Ihr ehrgeiziger Plan ohne ein solides Fundament scheitern. Um sicherzustellen, dass Ihr Wissen fundiert genug ist, um fortgeschrittenere Konzepte zu unterstützen, ist es wichtig, zunächst die Grundlagen zu erlernen.

Mathematik: Ihre universelle Sprache

Stellen Sie sich Mathematik als die Sprache der Muster vor. Überall gibt es Mathematik. Und ganz ehrlich: Wenn Sie Mathematik nicht mögen, ist eine Karriere in der Datenwissenschaft möglicherweise nicht die richtige Wahl für Sie.

Sie müssen kein Mathematiker werden, aber Sie müssen die folgenden Schlüsselkonzepte verstehen:

• Lineare Algebra (Matrizen, Vektoren usw.): Stellen Sie sich Matrizen und Vektoren als die Sprache vor, in der Daten kommunizieren. Wenn Sie diese Konzepte verstehen, können Sie Datenstrukturen für Algorithmen für maschinelles Lernen manipulieren.
• Kalkül (Differenzierung, Integration, Gradient usw.): Sie sind für die Optimierung von Modellen unerlässlich, wie etwa Gradienten beim Coaching neuronaler Netze.
• Statistiken (Verteilungen, deskriptive Statistiken usw.): Hier lernen Sie, die Geschichten zu interpretieren, die Daten erzählen. Wenn Sie Konzepte wie Verteilungen und deskriptive Statistiken verstehen, können Sie fundierte Entscheidungen auf der Grundlage von Datenmustern treffen.

Eintauchen in die Programmierung

Wenn Ihre mathematischen Grundlagen vorhanden sind, wird die Programmierung Ihre Ideen zum Leben erwecken. Während einige dafür plädieren, R in der Datenwissenschaft zu erlernen, zeichnet sich Python durch seine Vielseitigkeit und weit verbreitete Verwendung in der Branche aus. Darüber hinaus verwenden die meisten Leute, die ich kenne, Python. Für die meisten Anwendungsfälle ist es mehr als ausreichend. Konzentrieren Sie sich auf:

• Grundlegende Syntax und Funktionen: Verstehen Sie, wie Python auf einer grundlegenden Ebene funktioniert. Es ist, als würde man ein Alphabet lernen, bevor man Geschichten schreibt.
• Datenstrukturen: Pay attention, Wörterbücher, Tupel – wissen, wie man sie verwendet. Es ist entscheidend für den Umgang mit realen Daten.
• Kontrollflussanweisungen: Beherrschen Sie „if-Anweisungen“, „for-Schleifen“ und „while-Schleifen“. Damit können Sie Logik implementieren, die komplexe Probleme lösen kann. Mit einfachen Aussagen können Sie viel mehr erreichen, als Sie denken!
• Objektorientierte Programmierung: Verstehen Sie das Konzept von Klassen, Funktionen und Objekten. Dadurch können Sie effizienten, wiederverwendbaren Code schreiben. Es erleichtert auch die Zusammenarbeit mit anderen.

SQL: Ihre Datenbanksprache

Daten werden oft in Datenbanken gespeichert, auf die Sie zugreifen und die Sie bearbeiten müssen. SQL ist Ihre Sprache für die Interaktion mit diesen Daten.

• Interaktion mit Datenbanken: Lernen Sie grundlegende SQL-Befehle zum Abrufen, Aktualisieren und Verwalten von Daten.

Maschinelles Lernen: Daten in Erkenntnisse verwandeln

Als Nächstes können Sie mit dem maschinellen Lernen fortfahren, nachdem Sie Mathematik, Programmierung und Datenverarbeitung verstanden haben. Konzentrieren Sie sich auf:

• Algorithmen verstehen: Beginnen Sie mit dem Erlernen von Algorithmen wie linearer Regression, Entscheidungsbäumen und Clustering-Methoden. Dies sind die Grundlagen für komplexere Modelle.
• Überwachtes vs. unbeaufsichtigtes Lernen: den Unterschied zwischen diesen beiden Kerntypen des maschinellen Lernens verstehen. Beim überwachten Lernen werden Modelle mit gekennzeichneten Daten trainiert, während beim unüberwachten Lernen unbeschriftete Daten zum Einsatz kommen.
• Modellbewertung: Erfahren Sie, wie Sie die Leistung Ihrer Modelle mithilfe von Metriken wie dem F1-Rating für Klassifizierungsmodelle, der Wortfehlerrate für die Spracherkennung oder dem RMSE für die Zeitreihenanalyse bewerten.
• Function-Engineering: Es ist die Kunst, Ihre Rohdaten so umzuwandeln, dass Ihre Modelle sie verstehen können. Dies macht oft einen größeren Unterschied als die Verwendung eines ausgefallenen Algorithmus. Sie können ein Beispiel sehen Hier.
• Bibliotheken und Frameworks: Machen Sie sich mit beliebten Python-Bibliotheken für maschinelles Lernen vertraut, wie z. B. scikit-learn, TensorFlow und PyTorch.

Denken Sie daran, dass es beim maschinellen Lernen nicht nur um die Anwendung von Algorithmen geht. Es geht darum, das Drawback, das Sie lösen möchten, zu verstehen und den richtigen Ansatz zu wählen.

Geschäftssinn: Technische Fähigkeiten in geschäftliche Auswirkungen umwandeln

Viele Menschen kontaktieren mich, wenn es um den Beginn einer Karriere in der Datenwissenschaft geht. Sie verfügen in der Regel über beeindruckende Qualifikationen wie einen Doktortitel und einen fundierten Hintergrund in Mathematik. Trotz dieser beeindruckenden Referenzen fällt es vielen jedoch schwer, in diesem Bereich Fuß zu fassen. Der Grund? Es mangelt ihnen an Geschäftssinn.

Technische Fähigkeiten sind unerlässlich. Hier ist jedoch die Wahrheit. Das beste KI-Modell hat einen Wert von 0 $, wenn es ein Geschäftsproblem nicht löst. Ich habe brillante Datenwissenschaftler scheitern sehen, weil sie ausgefeilte Modelle erstellt haben, die niemand verwendet hat. Der Schlüssel? Lernen Sie, wie ein Unternehmer zu denken.

Zum Beispiel:

• Geschäftsprobleme übersetzen: Anstatt nur ein Vorhersagemodell zu erstellen, sollten Sie fragen: „Wie unterstützt dieses Modell die Entscheidungsfindung im Unternehmen?“
• Priorisierung der Wirkung: Konzentrieren Sie sich auf Probleme, bei denen Information Science den größten Nutzen generieren kann, anstatt komplexe Lösungen zu verfolgen, die kein Geschäftsproblem lösen.