عِلم البيانات

ما المقصود بعِلم البيانات؟

عِلم البيانات هو دراسة البيانات لاستخراج رؤىً هادفة للأعمال. وهو نهج متعدد التخصصات يجمع بين المبادئ والممارسات المكتسبة من مجالات الرياضيات والإحصاء والذكاء الاصطناعي وهندسة الحاسوب من أجل تحليل كميات كبيرة من البيانات. ويساعد هذا التحليل علماء البيانات في طرح أسئلة والإجابة عنها، مثل محاولة معرفة ما حدث ولماذا حدث وماذا سيحدث وما يمكن فعله بواسطة النتائج.

ما أهمية عِلم البيانات؟

يُعد عِلم البيانات مهمًا لأنه يجمع بين الأدوات والأساليب والتكنولوجيا للوصول إلى معلومات ذات مغزى من خلال البيانات. وتتوفر البيانات بوفرة كبيرة لدى المنظمات الحديثة، وتنتشر الأجهزة التي يمكنها جمع المعلومات وتخزينها تلقائيًا. تجمع الأنظمة وبوابات الدفع عبر الإنترنت كمًا أكبر من البيانات في مجالات التجارة الإلكترونية والطب والمال وكل أوجه الحياة البشرية الأخرى. تتوفر لدينا بيانات من النصوص والأصوات ومقاطع الفيديو والصور بكميات هائلة.

تاريخ عِلم البيانات

في حين أن مصطلح عِلم البيانات ليس جديدًا، فإن المعاني والدلالات حوله شهدت تغيرات بمرور الوقت. ظهرت هذه الكلمة لأول مرة في الستينيات باعتبارها اسمًا بديلاً للإحصاء. وفي أواخر التسعينيات، وضع المتخصصون في عِلم الحاسوب صياغة لهذا المصطلح. وأشار تعريف مقترح إلى عِلم البيانات بأنه مجال منفصل ذو ثلاثة أوجه: تصميم البيانات وجمعها وتحليلها. واستغرق الأمر عقدًا آخر من الزمان ليُستخدم هذا المصطلح خارج الأوساط الأكاديمية.

مستقبل عِلم البيانات

لقد أصبحت معالجة البيانات أسرع وأكثر كفاءة بفضل الابتكارات القائمة على الذكاء الاصطناعي والتعلم الآلي. وكان الطلب على هذه الصناعة الشرارة التي شكلت منظومة من الدورات التدريبية والشهادات والمناصب الوظيفية ضمن مجال عِلم البيانات. ولأن مجموعة المهارات والخبرات متعددة الوظائف مطلوبة، فمن المتوقع بشدة أن يشهد عِلم البيانات نموًا خلال العقود القادمة.

ما وجه استخدام عِلم البيانات؟

يُستخدم عِلم البيانات لدراسة البيانات بأربع طرق رئيسة:

1. التحليل الوصفي

يفحص التحليل الوصفي البيانات من أجل اكتساب رؤى حول ما حدث وما يحدث في بيئة البيانات. وهو يتصف بمؤثرات عرض بيانات، مثل المخططات الدائرية أو المخططات الشريطية أو المخططات الخطية أو الجداول أو الأشكال السردية الوصفية المنشئة. فمثلاً، تستطيع شركة حجز تذاكر الطيران تسجيل بيانات مثل عدد التذاكر المحجوزة كل يوم. وسيكشف التحليل الوصفي أوقات ذروة الحجز، وأوقات ركود الحجز والأشهر عالية الأداء لهذه الخدمة.

2. التحليل التشخيصي

التحليل التشخيصي هو فحص بيانات عميق ومفصل الهدف منه فهم سبب حدوث أمر ما. وهو يتصف بتقنيات مثل التعمّق واستكشاف البيانات وتنقيب البيانات والارتباطات. يمكن إجراء عدد من عمليات البيانات وتحويلاتها على مجموعة بيانات معينة لاستكشاف أنماط فريدة في كل من هذه التقنيات. فمثلاً، تستطيع خدمة حجز تذاكر الطيران استخدام تقنية التعمّق على شهر عالي الأداء تحديدًا لفهم أوقات ذروة الحجز. وقد يؤدي ذلك إلى اكتشاف أن العديد من العملاء يزورون مدينة معينة لحضور حدث رياضي شهري.

3. التحليل التنبئي

يستخدم التحليل التنبئي البيانات السابقة لإنشاء توقعات دقيقة حول أنماط البيانات التي قد تحدث في المستقبل. وهو يتصف بتقنيات مثل التعلم الآلي والتوقع ومطابقة الأنماط وبناء النماذج التنبئية. وفي كل من هذه التقنيات، يتم تدريب الحواسيب لعكس هندسة العلاقات السببية في البيانات. فمثلاً، يمكن أن يستخدم فريق شركة حجز تذاكر الطيران عِلم البيانات للتنبؤ بأنماط حجز الرحلات للعام الجديد في بداية كل عام. يمكن أن يفحص برنامج الحاسوب أو اللوغاريتم البيانات السابقة والتنبؤ بأوقات ذروة الحجز لوجهات معينة في شهر مايو. ومع توقع متطلبات السفر المستقبلية لعملاء الشركة، تستطيع البدء في عرض إعلانات موجهة لتلك المدن بداية من فبراير.

4. التحليل التوجيهي

ترتقي التحليلات التوجيهية بالبيانات التنبئية إلى المستوى التالي. وهو لا يتنبأ بالأمر محتمل الحدوث فحسب، بل يقترح أيضًا استجابة مثلى لهذه النتيجة المتوقعة. ويستطيع التحليل التوجيهي تحليل الآثار المحتملة للاختيارات المختلفة والتوصية بأفضل مسار عمل. وبإمكانه استخدام التحليل الرسومي والمحاكاة ومعالجة الأحداث المعقدة والشبكات العصبونية ومحركات التوصيات من التعلم الآلي.

لنعود إلى مثال خدمة حجز تذاكر الطيران، يستطيع التحليل التوجيهي دراسة حملات التسويق السابقة من أجل تحقيق الاستفادة القصوى من أوقات ذروة الحجز التالية. ويمكن لعالِم البيانات أن يتوقع نتائج الحجز لمستويات مختلفة من النفقات التسويقية على قنوات تسويق مختلفة. ومن شأن توقعات البيانات هذه أن تمنح شركة حجز تذاكر الطيران ثقة أكبر في قراراتها التسويقية.

ما فوائد عِلم البيانات بالنسبة للأعمال؟

يغير عِلم البيانات طريقة عمل الشركات تغييرًا جذريًا. فإن الكثير من الأعمال، بغض النظر عن حجمها، بحاجة إلى إستراتيجية عِلم بيانات قوية لدفع النمو والحفاظ على الميزة التنافسية. وتشمل بعض الفوائد الأساسية ما يلي:

استكشاف الأنماط التحويلية المجهولة

يسمح عِلم البيانات للأعمال بكشف النقاب عن أنماط وعلاقات جديدة بإمكانها تحويل المنظمة بصورة جذرية. ويمكنه الكشف عن تغييرات منخفضة التكلفة لإدارة الموارد، وذلك من أجل تحقيق أعظم تأثير في هوامش الربح. فمثلاً، استخدمت شركة تجارة إلكترونية عِلم البيانات ومن ثم اكتشفت أن الكثير من استفسارات العملاء يتم إنشاؤها بعد ساعات العمل. وكشفت التحقيقات أن العملاء على الأرجح سوف يتمموا عملية الشراء إذا تلقوا ردًا عاجلاً بدلاً من الرد عليهم في يوم العمل التالي. ومن خلال تطبيق خدمة عملاء تعمل على مدار الساعة في جميع أيام الأسبوع، شهدت الشركة زيادة في إيراداتها قدرها 30%.

ابتكار المنتجات والحلول الجديدة

يمكن أن يكشف عِلم البيانات عن ثغرات ومشكلات لم يكن من الممكن الكشف عنها بطريقة أخرى. وما يدفع عجلة الابتكار في العمليات الداخلية والحلول الخارجية هو الرؤى الأكبر بشأن قرارات الشراء وملاحظات العملاء والعمليات التجارية. فمثلاً، قام فريق معني بأحد حلول الدفع عبر الإنترنت بجمع تعليقات العملاء حول الشركة على الوسائط الاجتماعية وتحليلها. وكشف هذا التحليل أن العملاء ينسون كلمات السر في أثناء فترات ذروة الشراء وهم غير راضين عن النظام الحالي لاستعادة كلمة السر الحالية. ومن ثم، تستطيع الشركة ابتكار حل أفضل لزيادة رضا العملاء بشكل بالغ.

التحسين في الوقت الفعلي

يصعب جدًا على الأعمال، لا سيما المؤسسات كبيرة النطاق، الاستجابة إلى الظروف المتغيرة في الوقت الفعلي. ويمكن أن يسبب ذلك خسائر أو انقطاعات بالغة في النشاط التجاري. ويستطيع عِلم البيانات أن يساعد الشركات في التنبؤ بالتغيير والتفاعل بطريقة مثالية لقاء الظروف المختلفة. فمثلاً، استخدمت شركة شحن قائمة على الشاحنات عِلم البيانات من أجل الحد من وقت التعطل عندما تتعطل الشاحنات. وتعرفت الشركة على أنماط المسارات ودوام العمل التي تؤدي إلى فترات تعطل أقصر في المدة وعدلت على جداول الشاحنات. وجهزت أيضًا مخزونًا من قطع الغيار الشائعة التي تحتاج إلى استبدالها بشكل متكرر بحيث يمكن إصلاح الشاحنات بصورة أسرع.

ما عملية عِلم البيانات؟

تبدأ عملية عِلم البيانات عادةً بسبب وجود مشكلة تجارية ما. يتعاون عالِم البيانات مع أصحاب المصلحة للعمل التجاري من أجل فهم ماهية الاحتياجات التجارية. وبمجرد تحديد المشكلة، يمكن أن يقوم عالِم البيانات بحل المشكلة باستخدام عملية عِلم البيانات التي يُطلق عليها OSEMN:

O – الحصول على البيانات

يمكن أن تكون البيانات حالية أو مكتسبة حديثًا أو عبارة عن مستودع بيانات قابل للتنزيل من الإنترنت. يستطيع علماء البيانات استخراج البيانات من قواعد البيانات الداخلية أو الخارجية، أو برنامج إدارة علاقات العملاء (CRM) لدى الشركة، أو سجلات خادم الويب، أو الوسائط الاجتماعية، أو شراءها من مصادر طرف ثالث موثوق بها.

S – تنقيح البيانات

تنقيح البيانات (أو تنظيف البيانات) هو عملية توحيد قياسي للبيانات وفقًا لتنسيق محدد مسبقًا. وينطوي ذلك على التعامل مع البيانات المفقودة، وإصلاح أخطاء البيانات، وإزالة القيم المتطرفة للبيانات. تشمل الأمثلة لتنقيح البيانات ما يلي:

تغيير كل قيم البيانات إلى تنسيق قياسي شائع
إصلاح أخطاء التهجئة أو المسافات الزائدة
إصلاح الأخطاء الرياضية أو إزالة الفواصل من الأرقام الكبيرة

E – استكشاف البيانات

استكشاف البيانات هو التحليل الأولي للبيانات الذي يُستخدم لتخطيط المزيد من إستراتيجيات بناء نماذج البيانات. يصل علماء البيانات إلى فهم مبدئي للبيانات باستخدام الإحصاء الوصفي وأدوات مؤثرات عرض البيانات. ثم يستكشفون البيانات لتحديد الأنماط المثيرة للاهتمام التي يمكن دراستها أو اتخاذ إجراء بناءً عليها.

M – بناء نماذج البيانات

تُستخدم لوغاريتمات البرمجيات والتعلم الآلي للحصول على رؤى أعمق والتنبؤ بالنتائج ووصف أفضل مسار عمل. وتُطبق تقنيات التعلم الآلي، مثل الربط والتصنيف والتجميع، على مجموعة بيانات التدريب. وربما يخضع النموذج للاختبار مقابل بيانات تجريبية محددة مسبقًا من أجل تقييم دقة النتيجة. ويمكن ضبط نموذج البيانات لعدة مرات بهدف تحسين نتائج النتيجة.

N – تفسير النتائج

يتعاون علماء البيانات مع المحللين والأعمال لتحويل رؤى البيانات إلى إجراءات. وهم يصنعون الرسومات البيانية والمخططات والجداول لتمثيل الاتجاهات والتنبؤات. ويساعد تلخيص البيانات أصحاب المصلحة في فهم النتائج وتنفيذها بطريقة فعّالة.

ما تقنيات عِلم البيانات؟

يستخدم متخصصو عِلم البيانات أنظمة حوسبة لتنفيذ عملية عِلم البيانات. أفضل التقنيات التي يستخدمها علماء البيانات هي:

التصنيف

التصنيف هو فرز البيانات إلى مجموعات أو فئات محددة. وتُدرَّب الحواسيب للتعرف على البيانات وفرزها. وتُستخدم مجموعات بيانات معلومة لبناء لوغاريتمات القرار في جهاز حاسوب يعالج البيانات ويصنفها بسرعة. على سبيل المثال:

صنِّف المنتجات إلى شائع أو غير شائع.
صنِّف طلبات التأمين إلى عالي المخاطر أو منخفض المخاطر.
صنِّف تعليقات الوسائط الاجتماعية إلى إيجابية أو سلبية أو حيادية.

يستخدم متخصصو عِلم البيانات أنظمة حوسبة لتنفيذ عملية عِلم البيانات.

الانحدار

الانحدار هو أسلوب إيجاد علاقة بين نقطتي بيانات غير مرتبطتين على ما يبدو. وعادةً ما يُبنى نموذج للرابط على أساس معادلة رياضية، التي يتم تمثيلها في شكل مخطط أو منحنيات. عندما تكون قيمة نقطة بيانات واحدة معلومة، يُستخدم الانحدار للتنبؤ بنقطة البيانات الأخرى. على سبيل المثال:

معدل انتشار الأمراض المحمولة جوًا
العلاقة بين رضا العملاء وعدد الموظفين
العلاقة بين عدد محطات الإطفاء وعدد الإصابات الناتجة عن وقوع حريق في مكان معين

التجميع

التجميع هو أسلوب لتجميع البيانات وثيقة الصلة معًا للبحث عن الأنماط والقيم الشاذة. يختلف التجميع عن الفرز لأن البيانات يتعذر تصنيفها بشكل دقيق إلى فئات ثابتة. ولذلك، تُجمع البيانات إلى العلاقات الأكثر احتمالاً. ويمكن استكشاف أنماط وعلاقات جديدة باستخدام التجميع. على سبيل المثال: ·

جمَّع العملاء ذوي سلوك الشراء المماثل لتحسين خدمة العملاء.
جمَّع حركة مرور بيانات الشبكة للتعرف على أنماط الاستخدام اليومي واكتشاف الهجمات الشبكية بشكل أسرع.
جمَّع المقالات إلى فئات إخبارية مختلفة متعددة، واستخدم هذه المعلومات للعثور على المحتوى الإخباري المزيف.

المبدأ الأساسي وراء تقنيات عِلم البيانات

في حين أن التفاصيل تختلف، فإن المبادئ الأساسية وراء هذه التقنيات هي:

تعليم الآلة كيفية فرز البيانات استنادًا إلى مجموعة بيانات معلومة. على سبيل المثال، تُقدم عينة من الكلمات الأساسية إلى الحاسوب مع قيمة الفرز الخاصة بها. كلمة "سعيد" تشير إلى إيجابي، بينما "أكره" تشير إلى سلبي.
تقديم البيانات المجهولة إلى الآلة، والسماح للجهاز بفرز مجموعة البيانات بشكل مستقل.
السماح لحالات عدم الدقة في النتائج، والتعامل مع العامل الاحتمالي للنتيجة.

ما تكنولوجيات عِلم البيانات المختلفة؟

يعمل ممارسو عِلم البيانات باستخدام تكنولوجيات معقدة مثل:

الذكاء الاصطناعي: تُستخدم نماذج تعلّم الآلة والبرمجيات ذات الصلة في التحليل التنبؤي والتوجيهي.
الحوسبة السحابية: لقد منحت التكنولوجيات السحابية علماء البيانات المرونة والقدرة على المعالجة المطلوبتين لإجراء تحليلات بيانات متقدمة.
إنترنت الأشياء: يشير إنترنت الأشياء (IoT) إلى الأجهزة المختلفة التي يمكن أن تتصل بالإنترنت بشكل تلقائي. تجمع هذه الأجهزة البيانات من أجل المبادرات المعنية بعِلم البيانات. وهي تنشئ بيانات هائلة يمكن استخدامها في تنقيب البيانات واستخراج البيانات.
الحوسبة الكمومية: تستطيع الحوسبة الكمومية إجراء حسابات معقدة بسرعة عالية. ويستخدمها علماء البيانات الماهرون في بناء خوارزميات كمية معقدة.

عِلم البيانات هو مصطلح جامع للأدوار والمجالات الأخرى ذات الصلة بالبيانات. دعنا نلقِ نظرة إلى بعض منها فيما يلي:

ما الفرق بين عِلم البيانات وتحليلات البيانات؟

في حين أن المصطلحين يمكن استخدامهما بالتبادل، فإن تحليلات البيانات تُعد مجموعة فرعية من عِلم البيانات. وعِلم البيانات عبارة عن مصطلح جامع لكل جوانب معالجة البيانات، بدءًا من الجمع مرورًا ببناء النماذج ووصولاً إلى الرؤى. من ناحية أخرى، تهتم تحليلات البيانات بشكل رئيس بالإحصاء والرياضيات والتحليل الإحصائي. وهي تركز على تحليل البيانات فحسب، في حين أن عِلم البيانات يرتبط بالصورة الأكبر المتعلقة بالبيانات التنظيمية. في معظم أماكن العمل، يعمل علماء البيانات ومحللو البيانات معًا صوب أهداف تجارية مشتركة. ويمكن أن يقضي محلل البيانات وقتًا أطول في عمل تحليلات روتينية من أجل تقديم تقارير دورية. أما عالِم البيانات، فقد يصمم الطريقة التي يتم بها تخزين البيانات ومعالجتها وتحليلها. بعبارة بسيطة، يفسر محلل البيانات الأحداث استنادًا إلى البيانات الحالية، بينما عالِم البيانات ينشئ أساليب وأدوات جديدة لمعالجة البيانات التي سيستخدمها المحللون.

ما الفرق بين عِلم البيانات وتحليلات الأعمال؟

في حين أن هناك تداخلاً بين عِلم البيانات وتحليلات الأعمال، فإن الفرق الرئيس هو استخدام التكنولوجيا في كل من المجالين. يستخدم علماء البيانات تكنولوجيا البيانات من كثب على نحو يفوق استخدامها من قِبل محللي الأعمال. ويمثل محللو الأعمال همزة الوصل بين الأعمال وتكنولوجيا المعلومات. فإنهم مَن يتولون تعريف حالات العمل أو جمع المعلومات من أصحاب المصلحة أو التحقق من صحة الحلول. ومن ناحية أخرى، يستخدم علماء البيانات التكنولوجيا للعمل على بيانات الأعمال. وربما يصممون برامج، ويطبقون تقنيات التعلم الآلي لبناء نماذج، ويطورون لوغاريتمات جديدة. لا يفهم علماء البيانات المشكلة فحسب، بل يمكنهم أيضًا إنشاء أداة توفر حلولاً لهذه المشكلة. وليس من الغريب أن تجد محللي الأعمال وعلماء البيانات يعملون في الفريق نفسه. يأخذ محللو الأعمال المخرجات من علماء البيانات، ويستخدمونها للوصول إلى تفسير بإمكان عموم القائمين على العمل التجاري فهمه.

ما الفرق بين عِلم البيانات وهندسة البيانات؟

يتولى مهندسو البيانات إنشاء وصيانة الأنظمة التي تسمح لعلماء البيانات بالوصول إلى البيانات وتفسيرها. ويعملون بشكل وثيق بالتكنولوجيا الأساسية أكثر من علماء البيانات. وينطوي دورهم الوظيفي - بوجه عام - على بناء نماذج بيانات وإنشاء مسارات بيانات والإشراف على عمليات الاستخراج والتحويل والتحميل (ETL). ويمكن أيضًا لمهندس البيانات، حسب تجهيزات المنظمة وحجمها، أن يدير البنية الأساسية ذات الصلة، مثل منصات تخزين البيانات الضخمة وتدفقها ومعالجتها، مثل Simple Storage Service (Amazon S3). ويستخدم علماء البيانات تلك البيانات التي عالجها مهندسو البيانات، من أجل إنشاء نماذج تنبئية وتدريبها. وبعد ذلك، يمكن أن يسلم علماء البيانات النتائج إلى المحللين لدعم عملية صنع القرار.

ما الفرق بين عِلم البيانات والتعلم الآلي؟

التعلم الآلي هو عِلم تدريب الآلات على التحليل والتعلم من البيانات على غرار البشر. وهو واحد من الأساليب المستخدمة في مشروعات عِلم البيانات للحصول على رؤى مؤتمتة من البيانات. ويتخصص مهندسو التعلم الآلي في مهارات الحوسبة واللوغاريتمات والبرمجة الخاصة بأساليب التعلم الآلي. ومن الممكن أن يستخدم علماء البيانات أساليب التعلم الآلي باعتبارها أداة أو العمل بشكل وثيق مع مهندسي التعلم الآلي الآخرين من أجل معالجة البيانات.

ما الفرق بين عِلم البيانات والإحصاء؟

الإحصاء هو مجال قائم على الرياضيات يهدف إلى جمع البيانات الكمية وتفسيرها. وفي المقابل، عِلم البيانات هو مجال متعدد التخصصات يستخدم الأساليب والعمليات والأنظمة العلمية لاستخراج المعرفة من البيانات بأشكال مختلفة. يستخدم علماء البيانات أساليب مشتقة من تخصصات عدة، بما في ذلك الإحصاء. ولكن، تختلف المجالات في عملياتها والمسائل التي تدرسها.

ما أدوات عِلم البيانات المختلفة؟

تمتلك AWS مجموعة متنوعة من الأدوات لدعم علماء البيانات من حول العالم:

تخزين البيانات

لتخزين البيانات في مستودعات، تستطيع Amazon Redshift تشغيل استعلامات معقدة على البيانات المهيكلة أو غير المهيكلة. يستطيع المحللون وعلماء البيانات استخدام AWS Glue لإدارة البيانات والبحث فيها. تنشئ AWS Glue تلقائيًا كتالوجًا موحدًا لجميع البيانات في مخزن البيانات مع إرفاقه بالبيانات الوصفية، وذلك من أجل تمكين قابلية استكشاف هذه البيانات.

التعلم الآلي

Amazon SageMaker هي خدمة تعلّم آلة مُدارة بالكامل يجري تشغيلها على Amazon Elastic Compute Cloud (EC2). وهي تسمح للمستخدمين بتنظيم البيانات وبناء نماذج تعلّم الآلة وتدريبها ونشرها وتوسيع نطاق العمليات.

التحليلات

Amazon Athena هي خدمة استعلام تفاعلية تُسهل عملية تحليل البيانات في Amazon S3 أو Glacier. وتتميز بأنها سريعة، وبلا خادم، وتعمل باستخدام استعلامات SQL القياسية.
Amazon Elastic MapReduce (EMR) تعالج البيانات الكبيرة باستخدام خوادم مثل Spark وHadoop.
Amazon Kinesis تسمح بجمع البيانات المتدفقة ومعالجتها في الوقت الفعلي. وهي تستخدم بيانات تدفق النقرات لمواقع الويب، وسجلات التطبيقات، وبيانات القياس عن بُعد المستمدة من أجهزة إنترنت الأشياء.
Amazon OpenSearch تسمح بالبحث في بيانات بأحجام من البيتابايت وتحليلها وتطبيق مؤثرات العرض المرئي عليها.

ما العمل الذي يؤديه عالِم البيانات؟

يستطيع عالِم البيانات استخدام مجموعة متنوعة من التقنيات والأدوات والتكنولوجيات باعتبارها جزءًا من عملية عِلم البيانات. واستنادًا إلى المشكلة، يختار عالِم البيانات أفضل مجموعات مركبة من العناصر للحصول على نتائج أكثر دقة بصورة أسرع.

يختلف الدور الوظيفي والعمل اليومي لعالِم البيانات حسب حجم المنظمة ومتطلباتها. على الرغم من أنه يتبع عملية عِلم البيانات، فإن التفاصيل ربما تكون مختلفة. في الفرق الكبيرة المعنية بعِلم البيانات، يمكن أن يعمل عالِم البيانات مع غيره من المحللين والمهندسين وخبراء التعلم الآلي والإحصائيين لضمان اتباع عملية عِلم البيانات بشكل متكامل وتحقيق أهداف الأعمال.

أما في الفرق الصغيرة، فقد يؤدي عالِم البيانات أكثر من دور. قد يؤدي عالِم البيانات أدوارًا وظيفية متعددة أو أدوارًا وظيفية متداخلة، ويعتمد ذلك على ما لديه من خبرة ومهارات وخلفية تعليمية. وفي هذه الحالة، ربما تتضمن مسؤولياته اليومية الهندسة والتحليل والتعلم الآلي إلى جانب منهجيات عِلم البيانات الأساسية.

ما التحديات التي يواجهها علماء البيانات؟

مصادر البيانات المتعددة

توجد أنواع مختلفة من التطبيقات والأدوات التي تنشئ بيانات بتنسيقات متنوعة. ويتعين أن يقوم علماء البيانات بتنقيح هذه البيانات وتحضيرها لجعلها متسقة. وقد يكون هذا الجزء من العمل مملاً ومستهلكًا للوقت.

فهم مشكلة الأعمال

يتعين على علماء البيانات العمل مع عدة أصحاب مصلحة ومديرين لتحديد المشكلة المطلوب حلها. وقد يكون ذلك صعبًا، لا سيما في الشركات الكبيرة التي تتعدد فيها الفرق التي تتفاوت متطلباتها.

إزالة التحيز

لا تتسم أدوات تعلّم الآلة بأنها دقيقة تمامًا، ونتيجةً لذلك قد ينشأ شيءٌ من عدم اليقين أو التحيز. التحيزات هي عبارة عن اختلالات في بيانات التدريب أو سلوك التنبؤ للنموذج عبر المجموعات المختلفة، مثل الفئة العمرية أو فئة الدخل. على سبيل المثال، إذا كانت الأداة مُدرَّبة بشكل رئيس على البيانات ذات الصلة بالأفراد في منتصف العمر، فقد تكون أقل دقة عندما تصدر تنبؤات بخصوص الأشخاص الأصغر والأكبر سنًا بخلاف هذه الفئة العمرية. ويوفر مجال تعلّم الآلة فرصة لمعالجة التحيزات عن طريق الكشف عنها وقياسها في البيانات والنموذج.

كيف تصبح عالم بيانات؟

عادة ما تكون هناك ثلاث خطوات لتصبح عالم بيانات:

احصل على درجة البكالوريوس في تكنولوجيا المعلومات أو علوم الكمبيوتر أو الرياضيات أو الفيزياء أو أي مجال آخر ذي صلة.
احصل على درجة الماجستير في علوم البيانات أو مجال آخر ذي صلة.
اكتسب خبرة في مجال من اهتمامك