Формирование будущего работы взгляд в будущее от Арпита Агарвала из Meta
Будущая трансформация работы с взглядом в будущее от Арпиты Агарвалы из Meta
Пандемия COVID-19 изменила рабочую среду, превратив удаленную работу в долгосрочную норму. В этом эпизоде программы Ведение с данными Арпит Агарвал из Meta обсуждает, что будущее работы включает виртуальную реальность, обеспечивающую удаленное взаимодействие, повторяющее личные впечатления. Арпит делится своими находками из своего пути, акцентируя важные моменты и проблемы аналитики на ранних стадиях развития продукта.
Вы можете послушать этот эпизод Ведение с данными на таких популярных платформах, как Spotify, Google Podcasts и Apple. Выберите свою любимую и наслаждайтесь осмысленным контентом!
Основные идеи из нашего разговора с Арпитом Агарвалом
- Будущее работы зависит от виртуальной реальности для удаленного взаимодействия.
- Создание команды по науке о данных способствует инновациям и влиянию на бизнес.
- Аналитика на ранних стадиях разработки продукта придает приоритет качеству с использованием внутренних тестов и отзывов.
- При найме на позицию в области науки о данных требуются технические навыки, умение решать проблемы и сильный характер.
- Для карьерного роста в области науки о данных требуется широкий кругозор, за которым следует специализированная экспертиза.
Теперь давайте посмотрим на вопросы, на которые ответил Арпит Агарвал о своем карьерном пути и опыте работы в отрасли.
- Подсказки типов Python с литералами
- Овладение долгой краткосрочной памятью с помощью Python Раскройте силу LSTM в NLP
- Облачная аналитика данных современный подход к анализу и моделированию данных
Как пандемия COVID-19 изменила нашу рабочую среду?
Пандемия фундаментально изменила нашу рабочую динамику. Мы перешли от офисной среды к принятию удаленной работы как новой реальности. Даже при политике возвращения в офис значительная часть рабочей силы будет продолжать работать удаленно. Основная проблема заключается в поддержании производительности и развитии связей, которые раньше строились в рамках офисных стен. Существующие инструменты недостаточны для воспроизведения личного опыта, и здесь на сцену выходит Meta. Мы разрабатываем продукты, которые обеспечивают ощущение совместной работы бок о бок, понимание языка тела друг друга и эффективное сотрудничество, все это в рамках виртуального пространства.
Можете ли вы рассказать о своем пути от колледжа к становлению лидера в области науки о данных?
Мой путь начался в BITS Goa, где я получил степень в области компьютерных наук. Сначала я был сосредоточен на учебе, но в BITS мне удалось исследовать другие интересы, включая интерпретацию данных. Я возглавлял клуб головоломок, что пробудило мой интерес к данным. После колледжа я присоединился к Oracle, где работал в области хранения данных и бизнес-аналитики, помогая клиентам принимать решения на основе данных. Этот опыт закрепил мой интерес к аналитике и ее применению в бизнесе. Я получил степень MBA, чтобы углубить свое понимание бизнеса, и позже присоединился к Mu Sigma, где оттачивал свои навыки аналитики. Моя карьера продвигалась через консультационные должности и руководящие позиции в стартапах, таких как Zoomcar и Katabook, где я решал разнообразные задачи в области науки о данных.
Какие ключевые моменты в вашей карьере сформировали ваш путь?
Присоединение к Zoomcar было переломным моментом. Мне была поручена задача создания команды науки о данных с нуля, что позволило мне работать над инновационными проектами, такими как системы оценки водителей с использованием данных автомобиля. Этот опыт дал мне возможность тесно сотрудничать с руководителями высшего уровня и прямо влиять на бизнес-решения. Еще одним значительным моментом было время, проведенное в Katabook, где я помог компании стать ориентированной на данные и запустил различные аналитические инициативы, включая предложения по кредитам на основе моделей машинного обучения.
Как Meta представляет себе будущее работы и какую роль в нем играет наука о данных?
Видение Meta на будущую работу заключается в использовании виртуальной реальности с целью создания пространства, где удаленное сотрудничество станет таким естественным и эффективным, как личное взаимодействие. Ключевую роль в достижении амбициозных организационных целей для продуктов, опережающих свое время, играет наука о данных. Она включает в себя выработку стратегии продукта в соответствии с этими целями, обеспечение качества продукта и управление разнообразными глобальными командами. Наука о данных также решает проблему аналитики для продуктов, находящихся в начальных стадиях разработки, когда данных от клиентов остается недостаточно.
Какие проблемы возникают при анализе продуктов, находящихся в фазе 0 до 1?
Аналитика для продуктов, находящихся в фазе 0 до 1, представляет сложности, так как имеются ограниченные данные о клиентах для принятия решений. Основное внимание уделяется обеспечению качества и функциональности продукта, что является критическим для корпоративных продуктов. Мы опираемся на внутренние тестирования (dogfooding), альфа и бета-тестирование с выбранными группами, а также на исследование пользователей, чтобы получить обратную связь и проверить правильность выбранного направления продукта. После создания прочной основы мы можем выпустить продукт для более широкой аудитории и использовать науку о данных для измерения принятия, удержания и внесения изменений на основе обратной связи пользователей.
Как вы оцениваете кандидатов на роли в области науки о данных, особенно в новых областях, таких как генеративное искусственное интеллект?
При отборе кандидатов на роли в области науки о данных я обращаю внимание на их способности к решению проблем, глубокое понимание основ машинного обучения и умение работать с языками программирования и обработкой данных. В случае генеративного искусственного интеллекта, кандидаты должны обладать экспертизой в соответствующей области, такой как обработка естественного языка или компьютерное зрение. Кроме того, я ценю характер и трудолюбие, которые я оцениваю с помощью вопросов о поведении, проверки рекомендаций и способности кандидата подробно объяснить свои проекты.
Какие советы вы можете дать людям, начинающим карьеру в области науки о данных?
Для новичков в области науки о данных рекомендуется исследовать разные интересы, прежде чем специализироваться. Используйте бесплатные образовательные ресурсы, отдавайте приоритет навыкам, важным для достижения успеха и личного удовлетворения, а не краткосрочной финансовой выгоде. Воспользуйтесь возможностями, даже в случае небольших проектов или компаний, для значительного роста. Помните, что основой удачи является упорный труд; успех – это непрерывное путешествие обучения и совершенствования.
Итоги
Путь Arpit Agarwal является примером влияния науки о данных на разные отрасли. Видение Meta о будущем работы подчеркивает важную роль науки о данных. Хотящие стать специалистами в области науки о данных могут получить ценные советы от Арпита о развитии навыков, использовании возможностей и прочном пути непрерывного обучения.
Чтобы узнать больше интересных информаций о искусственном интеллекте, науке о данных и GenerAI, оставайтесь с нами на Leading with Data.
Проверьте наши предстоящие сессии здесь.
