Profile 1 : Ram Narasimhan από την GE.

Ο Ram Narasimhan περνάει την περισσότερη ώρα της ημέρας του στο τμήμα της συλλογής και επεξεργασίας των δεδομένων της εταιρείας. Μέσα από τα τα δεδομένα βοηθάει την εταιρεία να επιλύσει τα προβλήματα της εταιρείας. Επίσης μεγάλο χρόνο ξοδεύει, συνομιλώντας με άλλους επιστήμονες, παρακολουθώντας σεμινάρια αλλά και κάνοντας τηλεφωνικές κλήσεις και πάντα στα πλαίσια της μάθησης για την επίλυση προβλημάτων.

Profile 2 : Dan Mallinger από την Think Big's Data Practice.

Από haker (χάκερ) σε Data Scientist. Σπούδασε μαθηματικές επιστήμες και οργανωτική ψυχολογία και ασχολήθηκε για χρόνια με Business Analytics. Βρέθηκε να διευθύνει την ομάδα Think Big και γενικότερα στην καριέρα του έδωσε πολλές λύσεις με τεχνολογίες ανοιχτού κώδικα καιρό πριν εμφανιστεί ο όρος Data Science. Όλα αυτά τα χρόνια οι λύσεις που δίνει έχει παραμείνει ίδιος και το υπόβαθρό του στις κοινωνικές επιστήμες του έδωσε πολλές δεξιότητες.

Στην συνέχεια περιγράφει μια "εβδομάδα" εργασίας του:

• Κατά μέσο όρο εργάζεται 60 ώρες την εβδομάδα.
• Διατηρεί τα καθημερινά αποτελέσματα των μελετών του.
• Κρατά τα καθημερινά αποτελέσματα των μοντέλων που δημιουργεί για να τα συγκρίνει.
• Επίσης αναφέρει ότι το ποσοστό απόρριψης του από θέσεις εργασίας είναι μεγάλο, καθώς οι επιχειρήσεις δεν έχουν συγκεκριμένα πλάνα για αυτούς.

Η ανταμοιβή να είσαι Data Scientist

Η μεγαλύτερη στιγμή μετά την συλλογή των δεδομένων, είναι όταν ένας αλγόριθμος επιλύει ένα πρόβλημα του πραγματικού κόσμου. Το αίσθημα υπερηφάνειας και ικανοποίησης είναι μεγάλο ύστερα από αυτό.

Καθώς η διαδικασία αυτοματοποιημένου καθαρισμού των δεδομένων εξελίσσεται, οι Data Scientists θα έχουν την δυνατότητα να αφιερωθούν μόνο στο κομμάτι της επίλυσης των προβλημάτων. Τέλος, μία παρανοϊκή άποψη αναπτύσσεται, η οποία υποστηρίζει ότι η μηχανική μάθηση (Machine Learning) μια μέρα θα αντικαταστήσει τους Data Scientists.

Πηγή: dataversity.net