小娜走了,微软小冰又来了
|
《哈佛商业评论》预见了这样的发展吗? 这种发展趋势令人惊讶吗?根据 2012 年《哈佛商业评论》(Harvard Business Review)杂志上那篇著名的文章《数据科学家:21 世纪最令人称羡的工作》,这样的发展趋势也并不足以为奇: 数据科学家最基本、最通用的技能是编写代码的能力。但在五年后,这一点可能就会发生变化,因为会有更多的人会在他们的名片上印上“数据科学家”的头衔。 正如这篇文章所描述的,如今作为一名数据科学家,你并不一定非要成为一名优秀的程序员。那是因为,以前用来分析大数据的工具和方法并不是那么随处可得且用户友好。这就要求从前的数据科学家在拥有其他技能的同时还需要具备较强的工程技能。但是用于机器学习和数据科学的工具发展十分迅速,现在比以往任何时候都更容易获取这些工具,因此你只需几行代码就可以访问使用最先进技术(State of the art,SOTA)的模型。这使得以前的数据科学家角色如今更容易分拆成为分析师或工程师。现在,我们不必像以前那样,需要全面掌握所有分析、工程和统计知识才能成为一名数据科学家。 例如,Facebook 就引领了这一趋势的变化,让过去的数据分析师的工作角色变成了数据科学家。这是一个自然的演进过程,因为随着数据量的增加以及数据问题变得更具挑战性,执行良好的数据分析需要更多的专业技能和培训。不仅仅是 Facebook,像苹果和 Airbnb 这样的公司也已经开始明确区分数据分析师 / 产品数据科学家和机器学习数据科学家这样的角色岗位。 公司规模如何影响岗位的分化 值得一提的是,这样的角色岗位细分更多发生在规模较大的科技公司。数据科学家这个角色和软件工程师还是有很大差异的,固然各种大小规模的科技公司都需要软件工程师,但并不是所有公司都需要专业的研究科学家或机器学习工程师。许多公司拥有几名数据科学家可能就足以运转业务了。所以在小公司里,可能仍然会有一些数据科学家同时扮演上述四个角色。 根据一般的经验而言,大公司(FANG 四巨头:Facebook,Amazon,Netflix 和 Alphabet)的数据科学家职能通常类似于高级分析师,而小公司的数据科学家扮演的角色更类似于机器学习工程师。当然这两种职能对于公司来说都是重要和必需的。接下来,我将继续沿用这里我的新定义,即下文每当提及数据科学家时,意味着这是一个分析师角色。 数据科学家分化出的不同角色以及如何选择
在下面的图表中,我试图展示一个与上面的图表类似的图,但对这四种功能增加了更详细的描述。这些描述内容可能并不算完美,但你可以把它们作为参考。 到2020年4月、5月和6月,Link11的安全运营中心(LSOC)记录的攻击次数环比2019年高出97%,在2020年5月达到环比增加108%的峰值。 2020年DDoS攻击报告的主要发现包括:
|
