ستساعدك المقالة التالية: نصائح لبناء الحياة المهنية من أحد كبار علماء البيانات في Amazon
إن علم البيانات كتخصص – ومهارات محددة في التعلم الآلي، والتحليلات، وخوارزميات التدريب – مطلوب بشدة.
إنه مجال ازدهرت شعبيته خلال العقد الماضي ومن المتوقع أن يتطور 11.5 مليون المزيد من الوظائف الجديدة في الولايات المتحدة وحدها بحلول عام 2026.
إذًا كيف يبدو العمل كعالم بيانات، وما الذي تحتاج إلى معرفته إذا كنت تفكر في بدء حياتك المهنية هناك (أو الانتقال لاحقًا في حياتك)؟
انا سألت نفيد أحمد جانفيكار، أحد كبار علماء البيانات من سياتل ويعمل في Amazonفريق منع الاحتيال وإساءة الاستخدام، لمشاركة رحلته المهنية.
اطلع على قصته والنصائح التي يقدمها للمهتمين بمتابعة مهنة علم البيانات.
شرارة: استخدام التعلم الآلي لحل مشاكل العالم الحقيقي
ما الذي دفعك إلى العمل في مجال علم البيانات؟
نافيد جانفيكار: نما اهتمامي بالتعلم الآلي عندما كنت أعمل في شركة Fidelity Investments كمطور برامج.
كان لدي زملاء يعملون كمحللين للبيانات لتحديد الاتجاهات، مما جعلني أشعر بالفضول لاستكشاف هذا المجال. لذلك بدأت في تحليل معاملاتي المالية الشخصية لتوليد الاتجاهات والأفكار.
وأدى ذلك إلى قضاء المزيد من الوقت في البحث عن التعلم الآلي وكيف يمكن الاستفادة منه لنمذجة الأنماط المتكررة للتنبؤ بالنتائج المستقبلية واستخدامها لصالحنا لحل المشكلات الحرجة على نطاق واسع.
من أجل اكتساب خبرة أفضل في هذا المجال، قررت متابعة درجة الماجستير في علوم المعلومات مع التخصص في التعلم الآلي والتحليلات.
بعد التخرج، عملت في شركات مختلفة مقرها الولايات المتحدة في أدوار تحليلية مختلفة مثل محلل في Nanigans (شركة ناشئة في مجال AdTech مقرها بوسطن)، ومطور ذكاء الأعمال في KPMG، وكبير علماء البيانات في Amazon.
دور الذكاء الاصطناعي في أمن البيانات
ما هو الدور الذي يلعبه التعلم الآلي في عملك كعالم بيانات كبير في؟ Amazon؟
نافيد جانفيكار: يلعب التعلم الآلي وعلوم البيانات دورًا حيويًا في وظيفتي في Amazon.
في فريق منع إساءة الاستخدام، نستخدم خوارزميات تصنيف مختلفة وخوارزميات التعلم العميق لاكتشاف الاحتيال وإساءة الاستخدام على المنصة.
يساعد التعلم الآلي في تحقيق قابلية التوسع والكشف عالي الدقة مقارنةً بالكشف عن إساءة الاستخدام التقليدي القائم على القواعد و/أو الكشف عن إساءة الاستخدام.
نظرًا لأن سلوكيات إساءة الاستخدام تصبح معقدة بمرور الوقت، فإن التعلم الآلي يساعدنا في التغلب على هذا التحدي نظرًا لأننا نعيد تدريب النماذج باستمرار باستخدام أحدث سلوكيات/أنماط إساءة الاستخدام.
لقد قمت بتقديم براءات اختراع لاختراعات تتعلق باكتشاف إساءة الاستخدام الناشئة على المنصة باستخدام التعلم الآلي.
توصيل الرؤى المستندة إلى البيانات
ما هي المهارة أو الخبرة غير المتوقعة التي تشعر أنها ساعدتك كمحترف في علم البيانات؟
نافيد جانفيكار: لقد ساعدتني مهارة اكتساب الخبرة في المجال والقدرة على توصيل الرؤى بشكل فعال ومبسط إلى أصحاب المصلحة في الأعمال أكثر كمحترف في علم البيانات.
عندما بدأت رحلتي في علم البيانات، ركزت كثيرًا على التفاصيل التقنية بدلاً من أن أكون راويًا فعالاً.
ولكن على مدى السنوات القليلة الماضية، أدركت أن القدرة على توصيل السرد والرؤى من علوم البيانات أو التعلم الآلي لا تقل أهمية عن تنفيذ استراتيجيات التعلم الآلي.
العمل جنبا إلى جنب مع الخوارزميات لإحداث التغيير
كيف ينبغي للشركات أن تصمم نهجها في هذا المجال للمضي قدمًا؟
نافيد جانفيكار: في الماضي، كان منع الاحتيال يتم تقليديًا باستخدام القواعد الإرشادية للأعمال.
إذا لاحظت ظهور نمط معين بشكل متكرر مع مرور الوقت، فيمكنك وضع قاعدة عمل لوضع علامة على نفس النمط في المستقبل.
ومع ذلك، فهذا حل قصير المدى. ولا يواكب تطور أنماط الاحتيال.
هذا هو المكان الذي يأتي فيه التعلم الآلي والذكاء الاصطناعي وقد غيّرا المشهد.
الآن، يتم تدريب النماذج باستخدام البيانات التاريخية عبر سلوكيات الاحتيال المتعددة، مما يجعل هذه النماذج قوية وتساعد الخوارزميات على تعلم السلوك المعقد، وهو أمر أكثر صعوبة بالنسبة للبشر.
بدأت الشركات في استخدام التعلم الآلي في الكشف عن الاحتيال. ويجب عليهم الآن التركيز على جوانب مثل إعادة التدريب الآلي للنماذج لالتقاط أحدث السلوكيات في الاحتيال وجعل النماذج دقيقة للغاية.
ويساعد ذلك في أتمتة الإجراءات نتيجة لمخرجات النموذج، بدلاً من مطالبة المدققين البشريين بتقييم الكيانات المشبوهة التي تم وضع علامة عليها بعد وقوعها.
قد يكون العمل مع البيانات والخوارزميات أمرًا صعبًا
ولكن ما الذي يجعلها مثيرة وممتعة؟
نافيد جانفيكار: لقد استمتعت بهندسة الميزات من البيانات، مما يبرز جانبي الإبداعي.
استنادًا إلى الخبرة في المجال، يمكن لعلماء البيانات دمج البيانات بطرق مختلفة للإجابة على أسئلة أصحاب المصلحة في الأعمال، وإجراء تحليل البيانات الاستكشافية، والعثور على الارتباطات بين المتغيرات، وإجراء هندسة الميزات للحصول على أداء أفضل للنموذج.
فيما يتعلق بالخوارزميات، فقد جربت دائمًا تدريب أنواع مختلفة على مجموعات البيانات التدريبية، وإجراء التقييمات، والتعمق في سبب عمل بعض الخوارزميات بشكل أفضل من غيرها.
وهذا يساعدني على اكتساب فهم أعمق لهذه الخوارزميات والمواقف التي تعمل فيها – والمواقف التي لا تعمل فيها.
كل هذا يجعل العمل ممتعًا ومثيرًا بالنسبة لي.
أن تصبح جزءًا من مجتمع علوم البيانات
ما هي النصيحة المفيدة التي ترغب في مشاركتها مع المبتدئين في علم البيانات المهتمين بتطبيقاتها في التسويق والتجارة وقد يرغبون في تحسين مهاراتهم في هذا المجال؟
نافيد جانفيكار: أحد الاقتراحات المفيدة هو المشاركة في الأبحاث والاختراعات في مجال التعلم الآلي وعلوم البيانات.
كن جزءًا من مجموعات العمل التي تحاول حل المشكلات في مجال اهتمامك باستخدام التعلم الآلي.
ساهم في أبحاثهم، واحصل على تعليقات الزملاء، وانشر الأبحاث، وقدم براءات الاختراع.
ومن خلال هذه الآليات، فإنك تساهم بشكل فعال في مجتمع العلوم، وتتعلم باستمرار من أقرانك، وتحسن مهاراتك.
إنها أيضًا فكرة جيدة أن يكون لديك مرشد في علوم البيانات.
مواكبة اتجاهات تحسين محركات البحث
كيف يظل عالم البيانات مطلعًا ومطلعًا في مجال تحسين محركات البحث (SEO)؟
نافيد جانفيكار: في مجال تحسين محركات البحث، يساعد التعلم الآلي في فهم الاستعلامات والبحث الصوتي والتخصيص.
يمكن لعلماء البيانات استكشاف تطبيق خوارزميات مختلفة ومتطورة لحالات استخدام تحسين محركات البحث لقياس فعالية الخوارزميات الأحدث.
سيؤدي القيام بذلك إلى إبقاء علماء البيانات على اطلاع بأحدث الاتجاهات في الصناعة، بالإضافة إلى تحديث حزمة التعلم الآلي في الشركات ذات الصلة بتحسين محركات البحث.
هناك العديد من المجلات والمؤتمرات، مثل مؤتمر IEEE الدولي، على التعلم الآلي والتطبيقات لمساعدتك في معرفة المزيد حول أحدث اتجاهات التعلم الآلي.
لا يتعلق الأمر بتحسين محركات البحث بشكل مباشر ولكنه سيساعدك على فهم التقدم التكنولوجي الذي سيغير مساحتك بعد ذلك.
المزيد من الموارد:
