Data Scientist - מה זה התפקיד ואיך נהיים אחד¶
Data Scientist הוא אחד התארים המבולבלים ביותר בהייטק. כל חברה מגדירה אותו קצת אחרת, ולפעמים אותה כותרת מסתירה מאחוריה שלוש עבודות שונות לגמרי. בואו ננסה לפרק את זה לגורמים אמיתיים.
מה Data Scientist עושה בפועל¶
בגדול, Data Scientist הוא מי שלוקח נתונים גולמיים והופך אותם לתובנות או למודלים שעוזרים לעסק לקבל החלטות. זה כולל שלב של איסוף וניקוי נתונים (שלוקח בפועל הרבה יותר זמן ממה שרוב האנשים מדמיינים), שלב של ניתוח סטטיסטי כדי להבין מגמות, ולעיתים קרובות גם בניית מודלים חזויים - למשל מודל שמנבא אילו לקוחות עלולים לעזוב, או אילו עסקאות נראות חשודות כהונאה.
חשוב להבין - זה לא תמיד "AI" במובן הפופולרי של המילה. הרבה מהעבודה של data scientist היא סטטיסטיקה קלאסית וניתוח נתונים, ולא בהכרח בניית רשתות נוירונים עמוקות. יש חפיפה עם עולם ה-ML, אבל זה לא אותו דבר.
איך זה שונה מ-ML Engineer ומ-AI Engineer¶
הבלבול בין התארים האלה נפוץ מאוד, אז הנה חלוקה גסה שיכולה לעזור:
- Data Scientist מתמקד בניתוח, בתובנות ובבניית מודלים לצורך עסקי ספציפי - הרבה פעמים בעבודה שמסתיימת בדוח או בהמלצה, לא רק בקוד production.
- ML Engineer מתמקד בלקחת מודל (שלרוב data scientist בנה) ולהפוך אותו למערכת production אמינה, יציבה וסקיילבילית.
- AI Engineer (תפקיד חדש יחסית) מתמקד בשילוב מודלי שפה קיימים - כמו GPT או Claude - בתוך מוצרים, בלי בהכרח לבנות מודל חדש בכלל.
בחברות קטנות יותר, אדם אחד לפעמים עושה את שלושת הדברים האלה. בחברות גדולות, אלה תפקידים נפרדים לגמרי עם צוותים נפרדים.
אילו מיומנויות צריך¶
- פייתון ברמה טובה, כולל היכרות עם ספריות עיבוד נתונים כמו pandas ו-numpy.
- SQL - כמעט כל data scientist עובד מול מסדי נתונים ביומיום, וזו אולי המיומנות הכי מוערכת שאין לה מספיק תשומת לב.
- סטטיסטיקה והסתברות - הבסיס האמיתי של התפקיד. הבנת התפלגויות, מבחני השערות, קורלציה מול סיבתיות.
- אלגברה לינארית ברמה בסיסית עד בינונית - נדרשת בעיקר אם אתם בונים מודלים מורכבים יותר, פחות אם אתם עוסקים בעיקר בניתוח.
- ספריות ML - כמו scikit-learn לתחילת הדרך, ו-PyTorch או TensorFlow אם אתם פונים לכיוון מודלים עמוקים יותר.
- יכולת לתקשר תובנות - זו מיומנות שמפתחים נוטים לזלזל בה, אבל data scientist שלא יודע להסביר למה התוצאה שלו חשובה למישהו שלא טכני, מאבד חלק גדול מהערך שלו.
כמה מתמטיקה באמת צריך¶
זו שאלה שכתבתי עליה בהרחבה בפוסט נפרד, אבל בקצרה - כן, יש בסיס מתמטי אמיתי שנדרש, אבל הוא לא חייב להיות ברמה של תואר אקדמי כדי להתחיל. תפקידי data scientist שונים דורשים רמות שונות של עומק מתמטי - יש תפקידים שמתמקדים בעיקר בניתוח ודשבורדים, ויש כאלה שדורשים בניית מודלים סטטיסטיים מורכבים. ככל שהתפקיד קרוב יותר לבניית מודלים, כך הבסיס המתמטי הופך משמעותי יותר.
איך נכנסים לתפקיד בפועל¶
- בנו בסיס תכנותי בפייתון. זה תמיד השלב הראשון, בלי קשר לאיזה כיוון תפנו בהמשך.
- תרגלו עבודה עם SQL ועם ניתוח נתונים אמיתי, לא רק דוגמאות מהספר. קחו dataset ציבורי ונסו לחלץ ממנו תובנות אמיתיות.
- למדו את היסודות הסטטיסטיים - לא צריך קורס אקדמי מלא, אבל צריך להבין את המושגים הבסיסיים לעומק.
- בנו פרויקט משלכם - ניתוח dataset מעניין, מודל חיזוי פשוט, כל דבר שמראה שאתם יודעים לעבור מנתונים גולמיים לתובנה שימושית.
- חפשו משרות ג'וניור או stagiaire שמאפשרות ללמוד תוך כדי עבודה - זה תפקיד שבו הרבה מהלמידה האמיתית קורית על נתונים אמיתיים, לא בקורס.
קורס התכנות הבסיסי שלנו מלמד פייתון מאפס, אבן היסוד לכל מסלול data science, לפני שמתקדמים לספריות ולסטטיסטיקה.
לסיכום¶
Data Scientist הוא תפקיד רחב שמשלב תכנות, סטטיסטיקה, ולפעמים ML - והגבולות שלו מול תפקידים סמוכים כמו ML Engineer ו-AI Engineer מטושטשים ומשתנים מחברה לחברה. הדרך הכי בטוחה להתחיל היא בסיס תכנותי חזק, יסודות סטטיסטיים אמיתיים, ופרויקט אחד שמראה שאתם יודעים להפוך נתונים לתובנה.
מתלבטים אם התפקיד הזה מתאים לכם? הצטרפו לקהילה בדיסקורד ותשאלו אנשים שכבר שם.