2017年2月14日
- Gartner的客户吗?登录为个性化的搜索结果。
没有招聘数据科学家如何做机器学习
贡献:苏珊摩尔
许多组织缺乏的技能需要计划和执行最初的飞行员。
数据和分析领导人面临着一个两难困境。没有数据科学家,冒险进入机器学习和数据科学是困难的。没有任何成功的飞行员,令人信服的商业雇佣数据科学家也同样具有挑战性。
“企业不需要大量数据科学实验室为了利用机器学习。开始小和进化。”
“很多组织仍然在他们的数据科学的早期阶段旅程,努力了解机器学习和数据科学可以为他们做,”说辛迪豪森Gartner研究副总裁。“他们不知道需要哪些技能和就业数据科学家是很困难的。”
为什么它是如此困难?
超过40%的组织练习高级分析说“缺乏足够的技能”是一个挑战。招聘有经验的候选人可以是非常困难的原因:
- 有经验的数据科学家可能想避免被第一个加入公司。
- 所需的能量来获得数据,整合它,第一个机器学习模型部署到业务可以是惊人的。
- 有一个有限的可用的候选人。
保留质量数据科学家也是一种斗争。他们现在忙跳槽获得接触更广泛的任务,最理想的是在不同的行业。
如何应对挑战的技能
企业不需要大量数据科学实验室为了利用机器学习。开始小和发展这些能力,建议豪森。
培训现有员工(公民)数据科学家
许多组织已经在数学上熟练的员工可以利用执行更多的分析任务。这些员工可能已经从高中数学爱好者和/或正在使用他们的定量技能在其他角色。
与学术界合作
现在许多大学和学院提供相关数据科学学位。使用大学具体项目符合组织的双重目的技术资源,同时也给学生提供真实的学习经验。的关系有四个主要形式:实习、创新类项目,实验室或活动。
聘请第三方专业人员
在这次巨大的机器学习的技能短缺,第三方专业人士可以加速和启动数据科学项目的成功。有成百上千的咨询公司可以提供一系列的援助,从创建项目的想法,试点初期,初级员工的指导和教学管理服务的完全成熟的创作。
使用打包的应用程序
机器学习能力通常打包为有针对性的软件应用程序来解决具体问题。这些经常提供一流的cost-time-risk权衡,显著降低屏障,可以提供一个解决方案的技能比从头创建一个快得多。
经验信息技术会议
加入你的同行在Gartner会议上公布的最新见解。
Gartner的客户推荐资源*:
*请注意,某些文件可能不会Gartner提供给所有客户。
获得独家内容
Gartner使用< / >和< a href = " / en /关于/政策/隐私”目标= "平等" >隐私政策。< / > < / p >">
登录到您的帐户< / >,访问你的研究和工具。< / p >" class="eloqua-text">
登录到您的帐户< / >,访问你的研究和工具。< / p >" class="optin-text">