IT思维

公众号：AI前线

作者 | Jesse Moore

编译 | 李瑞丰

编辑 | Emily

你把自己和你的团队锁在一个密室，与世隔绝。然后你对团队说：

除非我们写出最完美的分类器，否则我们是不会离开这个密室的。

六个月之后，你发现之前实现的这些工具毫无用武之地。

是不是似曾相识？

有好多团队创造的那些看起来很有意思的工具，实际上却很少被使用。我曾经参加过黑客马拉松这样的比赛，就是那种里面有一大堆聪明的人在一起，每个人为了解决一个相同的问题而实现一堆复杂的应用。

为什么这样的情况经常出现？我们该如何避免让那些聪明且有天赋的人在这样无效的工作上浪费自己的时间和精力呢？

其实这个问题不单纯是某一方的责任，数据科学家和投资者两者都存在问题。首先，投资者们不理解数据科学家团队正在做的事，所以他们并不信任数据科学家；其次，数据科学家属于典型的科研思维，很少从工程或者商业的角度去思考问题。

根本原因在于双方缺乏交流和沟通。
科学家们通常缺乏社交技能。如果你缺乏专业领域知识，你会发现跟科学家沟通十分困难。我的多次亲身经历告诉我，尝试跟一个没有基础知识的人解释清楚科学结论很难，这类沟通通常以对方茫然的表情而告一段落。这不是因为跟我沟通的人不够聪明，而是我没有受过类似的沟通训练，能够完成一个很简单清晰的表述。这是我的原因，我应该尝试以别人能理解的方式，跟人进行沟通。

沟通是一个学习门槛很高的技能，需要无数次地练习和总结，然后调整你的表达方式。为了提高沟通的效率，数据科学家需要构建一个术语表，能用通俗易懂的方式向非专业人士描述清楚自己正在做的事情。

为了解决这个问题，我开始不断地思考工程师和科学家之间的沟通跟其他人之间沟通的区别是什么。

人工智能的科学家思维和工程师思维
科学家思维和工程师思维最大的区别，就在于他们做事情的核心驱动力上面。科学家的目的是发现并探索事物运行的本质规律，而工程师的目的是解决实际问题，这两者其实是息息相关的。科学家们从探索和实验中获得灵感，而工程师将这些灵感变成真正的产品。

科学家们喜欢未知，而工程师却不能理解。现在我们迫切需要一种方式，来让两者能够相互融合。

The-Scientist.com

权宜之计？

一个数据科学团队可能花费数月的时间来完成自己机器学习系统的调整、优化。这个系统可能很简洁巧妙，但是除非这个系统真的能够解决现实世界中的某个问题，他才能真正的带来商业价值；否则这个系统对于商人来讲就毫无意义。

那些追求效率，追求极致的数据科学家需要学习如何找到科学和实践的平衡点，并能应用到他们所在的行业当中。只有能让科研和实践达到某种程度上的平衡，数据科学家们所投身的领域才可能逐渐走向成熟，最终获得成功。
而从实践和商业的角度获取来的思考和经验，反过来还能帮助数据科学家完善自己的分析和研究。这才是数据科学最终的价值所在。

查看英文原文：
https://towardsdatascience.com/the-best-algorithm-doesnt-always-win-ea7cf1df7aca