数据科学家与其他利益相关者之间出现摩擦的5个常见原因
概述：
作为数据科学家，您是否曾经对利益相关者没有看到自己带来的价值感到沮丧？您可能会问自己：“我应该在多大程度上解释我所做的工作或我的模型正在做什么？” 如果听起来像您，那么请密切注意本帖子和下一篇，因为它们都是关于改善数据科学家与其他利益相关者之间的协作的。
这是一个由两部分组成的文章：本文介绍了导致数据科学家和利益相关者之间产生摩擦的基本假设和理解上的空白；我的另一篇文章， 实现更好的协作提供具体步骤。
可理解性：
机器学习（ML）模型天生就是复杂且难以解释的。数据科学家知道，数据输入和输出生成之间的事件不容易映射到可解释的过程。在采用机器学习技术之前，世界要简单得多。解释输出是如何生成的比较容易。那时，数据科学在基于规则的系统上运作；实际上，即使规则现在变得更加复杂，它仍然可以实现。
治理：
更重要的是，在ML模型之前的世界中，规则是在整个过程中由利益相关者控制的。（请注意，我对利益相关者一词的用法很广泛...可能是总经理，企业所有者，营销主管，产品经理等。）虽然情况不再如此，但利益相关者在其中仍然可以有很多发言权机器学习过程。例如，在许多环境中，涉众仍然掌握着输入数据的关键。有时，他们甚至拥有导致数据输出的大部分过程。
投资：
此外，缺乏理解会导致沟通不畅，这会破坏双方之间的信任。这种不信任会严重阻碍数据科学家在模型构建的端到端过程（即模型的收集，构建，部署和迭代）中提供适当级别的支持的能力。
通常，需要管理层对资源/时间/资本分配的支持，才能从机器学习模型中获得更好的结果。没有这种投资，机器学习模型的结果要么不及标准，要么浪费时间。请记住，以50％的准确性进行预测的模型是没有用的。
从利益相关者的观点（POV）来看，以上是一些主要差距，导致期望不一致和缺乏信任。尽管这些差距会影响所有相关方面，但从数据科学家的角度来看，这是潜在的含义。
缺乏支持和指导：
我听说数据科学家表示，当公司开始组建数据科学团队或聘用新的数据科学家时，令人非常兴奋。但是，他们在开始时所经历的支持和热情在几个月或几个季度后就减弱了。当然，并不是说所有公司都一样，但是当公司开始将数据科学原理/技术纳入其产品/过程的旅程中，这种痛苦最经常发生。同样，如果利益相关者由于沟通问题而感到自己没有得到想要的东西，数据科学家最终将感到失望和/或被忽视。
期望错位：
公司经常雇用错误类型的数据科学家或错误的项目资历。这通常发生在公司开始使用数据科学并且对这个团队/角色/人员的需求不清楚的情况下。这种错位最终会进一步破坏关系，同时浪费时间和精力。
上面列出的差距确实可以解决。这需要时间，精力，学习和建立一些框架，以便两个实体（数据科学家和利益相关者）可以促进更好的协作并共同实现更多目标。在我的下一篇文章中查看一些建议的解决方案，以解决数据科学家与利益相关者之间的沟通空白！  

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！