Thành công của Chương trình Tiếp thị và Báo cáo Thành công

Marketing Program Successes and Reporting SuccessThành công của Chương trình Tiếp thị và Báo cáo Thành công
It is crucial to work with corporate marketing to share the company's achievements in order to plan for the launch of a machine learning program.Điều quan trọng là làm việc với bộ phận tiếp thị của công ty để chia sẻ những thành tựu của công ty nhằm lập kế hoạch triển khai chương trình máy học.
The program's achievements are promoted to increase talent recruitment and internal technology adoption.Các thành tựu của chương trình được thúc đẩy để tăng cường tuyển dụng nhân tài và áp dụng công nghệ nội bộ.
The machine learning and software engineering team must be able to recruit from universities that have strong programs in computer science, mathematics and statistics.Nhóm nghiên cứu máy học và kỹ thuật phần mềm phải có khả năng tuyển dụng từ các trường đại học có các chương trình mạnh về khoa học máy tính, toán học và thống kê.
This could be a way to create a new talent pool in an organization.Đây có thể là một cách để tạo ra một nhóm nhân tài mới trong một tổ chức.
People with machine learning skills will benefit from the widespread marketing that highlights their successes.Những người có kỹ năng học máy sẽ được hưởng lợi từ việc tiếp thị rộng rãi làm nổi bật những thành công của họ.
Marketing content can highlight the benefits and value of machine learning programs and encourage end users and employees to take pride in their new method of working.Nội dung tiếp thị có thể nêu bật lợi ích và giá trị của các chương trình máy học, đồng thời khuyến khích người dùng cuối và nhân viên tự hào về phương pháp làm việc mới của họ.
An organization that implements a digital transformation initiative can increase its economic performance by providing financial reporting to analysts and the financial community with direct economic value.Một tổ chức thực hiện sáng kiến ​​chuyển đổi kỹ thuật số có thể tăng hiệu quả hoạt động kinh tế của mình bằng cách cung cấp báo cáo tài chính cho các nhà phân tích và cộng đồng tài chính với giá trị kinh tế trực tiếp.
The investment community can learn from the machine learning program by reporting on it.Cộng đồng đầu tư có thể học hỏi từ chương trình học máy bằng cách báo cáo về nó.
This reveals that significant changes are occurring in working practices and highlights the roadmap for future developments.Điều này cho thấy những thay đổi đáng kể đang diễn ra trong cách thức làm việc và làm nổi bật lộ trình phát triển trong tương lai.
The Most Common Skills RequiredCác kỹ năng phổ biến nhất được yêu cầu
Today, there is a lot of demand for AI/ML professionals.Ngày nay, có rất nhiều nhu cầu về các chuyên gia AI/ML.
The existing talent pool is concentrated at a few companies such as Amazon, Google, Facebook, and Microsoft.Nguồn nhân lực hiện có tập trung tại một số công ty như Amazon, Google, Facebook và Microsoft.
These companies often spend significant amounts of money to retain and attract strong AI/ML talent.Các công ty này thường chi một số tiền đáng kể để giữ chân và thu hút nhân tài AI/ML mạnh mẽ.
Google, for example, bought DeepMind Technologies in 2014 for $500 million.Ví dụ, Google đã mua DeepMind Technologies vào năm 2014 với giá 500 triệu đô la.
This equates to $6 million per employee.Con số này tương đương với 6 triệu đô la cho mỗi nhân viên.
Data scientists in businesses are often analysts or "citizen scientists", who have been trained in data analysis and business intelligence, but may also have AI/ML experience.Các nhà khoa học dữ liệu trong doanh nghiệp thường là nhà phân tích hoặc "nhà khoa học công dân", những người đã được đào tạo về phân tích dữ liệu và trí tuệ kinh doanh, nhưng cũng có thể có kinh nghiệm về AI/ML.
They could also be statisticians, who have been trained to extract inferences from data sets.Họ cũng có thể là các nhà thống kê, những người đã được đào tạo để rút ra các suy luận từ các tập dữ liệu.
Many companies are still in the early stages of their journey towards AI and don't have an extensive AI specialist pool.Nhiều công ty vẫn đang trong giai đoạn đầu của hành trình hướng tới AI và không có đội ngũ chuyên gia AI rộng khắp.
There seems to be a growing recognition that strong technical AI/ML talent is important for many industries.Dường như ngày càng có nhiều sự công nhận rằng tài năng kỹ thuật AI/ML mạnh mẽ là quan trọng đối với nhiều ngành công nghiệp.
Machine learning engineers, data scientists and big data developers are the most sought-after jobs on sites such as Glassdoor and LinkedIn.Kỹ sư học máy, nhà khoa học dữ liệu và nhà phát triển dữ liệu lớn là những công việc được tìm kiếm nhiều nhất trên các trang như Glassdoor và LinkedIn.
This job listing requires candidates with advanced math and programming expertise.Danh sách công việc này yêu cầu các ứng viên có chuyên môn lập trình và toán học nâng cao.
Large enterprises should consider developing in-house AI/ML skills due to the strategic business value of AI/ML, and the importance of these technologies for gaining competitive advantage.Các doanh nghiệp lớn nên xem xét phát triển các kỹ năng AI/ML nội bộ do giá trị kinh doanh chiến lược của AI/ML và tầm quan trọng của các công nghệ này để đạt được lợi thế cạnh tranh.
Many companies ask us about leveraging citizen scientists, which are analysts who have been trained to use AI/ML techniques - in order to power their AI transformations.Nhiều công ty hỏi chúng tôi về việc tận dụng các nhà khoa học là công dân, là những nhà phân tích đã được đào tạo để sử dụng các kỹ thuật AI/ML - để tăng sức mạnh cho các chuyển đổi AI của họ.
Based on our experience, it is not possible for an enterprise without a core technical AI/ML team to successfully transform its AI.Dựa trên kinh nghiệm của chúng tôi, doanh nghiệp không có đội ngũ AI/ML kỹ thuật cốt lõi không thể chuyển đổi thành công AI của mình.
The technical team is crucial to unlocking the disproportionate economic value of complex applications.Đội ngũ kỹ thuật đóng vai trò quan trọng trong việc mở ra giá trị kinh tế không tương xứng của các ứng dụng phức tạp.
We believe that the science of AI has yet to reach a point where it can be trusted to non-technical teams of developers and scientists.Chúng tôi tin rằng khoa học về AI vẫn chưa đạt đến mức có thể tin cậy được đối với các nhóm nhà phát triển và nhà khoa học phi kỹ thuật.
We see a need for citizen data scientists, even though they are not required to solve complex AI problems.Chúng tôi nhận thấy nhu cầu về các nhà khoa học dữ liệu công dân, mặc dù họ không bắt buộc phải giải quyết các vấn đề phức tạp về AI.
However, we recommend that citizen data scientists are complemented by a core technical team.Tuy nhiên, chúng tôi khuyến nghị rằng các nhà khoa học dữ liệu công dân được bổ sung bởi một nhóm kỹ thuật cốt lõi.
The core technical AI/ML team is able to publish and author advanced algorithms and services that can then be used by citizen scientists.Nhóm AI/ML kỹ thuật cốt lõi có thể xuất bản và tạo ra các thuật toán và dịch vụ nâng cao mà sau đó các nhà khoa học công dân có thể sử dụng.
This team can also examine algorithms submitted by citizen scientists in order to verify their reliability before they are included in business decisions.Nhóm này cũng có thể kiểm tra các thuật toán do các nhà khoa học là công dân đệ trình để xác minh độ tin cậy của chúng trước khi chúng được đưa vào các quyết định kinh doanh.
Companies can attract and keep top talent due to the substantial increase in technical data science, AI/ML academic programs and other areas over the past decade.Các công ty có thể thu hút và giữ chân những nhân tài hàng đầu do sự gia tăng đáng kể trong khoa học dữ liệu kỹ thuật, các chương trình học thuật AI/ML và các lĩnh vực khác trong thập kỷ qua.
There has been a spike in enrollment in data science programs.Đã có một sự gia tăng đột biến trong việc ghi danh vào các chương trình khoa học dữ liệu
The number of graduates with data science and analysis degrees grew by 7.5% between 2010 and 2015.Số lượng sinh viên tốt nghiệp có bằng khoa học dữ liệu và phân tích đã tăng 7,5% từ năm 2010 đến năm 2015.
This is higher than the 2.4% growth for other degrees.Con số này cao hơn mức tăng 2,4% của các bằng cấp khác.
There are more than 120 master's and 100 business analytics programs available today in the United States.Hiện nay tại Hoa Kỳ có hơn 120 chương trình thạc sĩ và 100 chương trình phân tích kinh doanh.
A growing number of data science bootcamps and training programs are available for aspiring data scientists.Ngày càng có nhiều chương trình đào tạo và chương trình đào tạo về khoa học dữ liệu dành cho các nhà khoa học dữ liệu đầy tham vọng.
These programs are designed to prepare professionals with strong mathematical backgrounds in mathematics, physics or other engineering disciplines for AI careers.Các chương trình này được thiết kế để chuẩn bị cho các chuyên gia có nền tảng toán học vững chắc về toán học, vật lý hoặc các ngành kỹ thuật khác cho sự nghiệp AI.
Online courses are also available for some of these boot camps.Các khóa học trực tuyến cũng có sẵn cho một số chương trình đào tạo này.
Coursera offers online courses for machine learning and deep learning.Coursera cung cấp các khóa học trực tuyến về học máy và học sâu.
Some courses can be taken in person, like the Insight data science program located in San Francisco Bay Area.Một số khóa học có thể được thực hiện trực tiếp, chẳng hạn như chương trình khoa học dữ liệu Insight ở Khu vực Vịnh San Francisco.
We recommend that companies hire their AI/ML talent through academic programs.Chúng tôi khuyên các công ty nên thuê nhân tài AI/ML của họ thông qua các chương trình học thuật.
There may also be a few senior hires to expand the team.Cũng có thể có một số nhân viên cấp cao để mở rộng đội ngũ.
Many of our clients have established university partnerships and programs.Nhiều khách hàng của chúng tôi đã thiết lập quan hệ đối tác và chương trình đại học.
These programs often do not focus on technical AI/ML talent.Các chương trình này thường không tập trung vào tài năng AI/ML kỹ thuật.
A small shift in the focus and engagement of university programs can lead to significant improvements in an enterprise's AI/ML technical staff.Một sự thay đổi nhỏ trong trọng tâm và sự tham gia của các chương trình đại học có thể dẫn đến những cải tiến đáng kể trong đội ngũ kỹ thuật AI/ML của doanh nghiệp.
The role of internal recruiting is also important.Vai trò của tuyển dụng nội bộ cũng rất quan trọng.
Many of our clients have people with the right technical profile, but they are often dispersed among many departments and internal teams.Nhiều khách hàng của chúng tôi có những người có hồ sơ kỹ thuật phù hợp, nhưng họ thường bị phân tán giữa nhiều phòng ban và nhóm nội bộ.
Our clients often rely on us to help them run internal recruitment campaigns that use tools like LinkedIn to recruit and consolidate existing talent into AI/ML Centers of Excellence.Khách hàng của chúng tôi thường dựa vào chúng tôi để giúp họ chạy các chiến dịch tuyển dụng nội bộ sử dụng các công cụ như LinkedIn để tuyển dụng và củng cố nhân tài hiện có vào Trung tâm AI/ML xuất sắc.
These COEs can provide disproportionate value to the enterprise.Các COE này có thể cung cấp giá trị không tương xứng cho doanh nghiệp.
We have found that we should not be looking for people with specific skills, but rather for candidates who have strong technical skills and strong mathematical foundations.Chúng tôi nhận thấy rằng chúng tôi không nên tìm kiếm những người có kỹ năng cụ thể, mà nên tìm kiếm những ứng viên có kỹ năng kỹ thuật vững chắc và nền tảng toán học vững chắc.
This will allow us to select individuals who have intrinsic problem-solving abilities that can help them learn a variety of algorithmic techniques.Điều này sẽ cho phép chúng tôi chọn những cá nhân có khả năng giải quyết vấn đề nội tại có thể giúp họ học nhiều kỹ thuật thuật toán khác nhau.
Algorithmic techniques can be taught and coached over time, and they are always evolving.Các kỹ thuật thuật toán có thể được dạy và huấn luyện theo thời gian và chúng luôn phát triển.
However, mathematical foundations are more difficult to master.Tuy nhiên, các cơ sở toán học khó nắm vững hơn.
Below is a summary of the experience and background we recommend for building an AI/ML core team.Dưới đây là tóm tắt kinh nghiệm và kiến ​​thức cơ bản mà chúng tôi đề xuất để xây dựng nhóm cốt lõi AI/ML.
Screening of candidates and interview processSàng lọc ứng viên và quy trình phỏng vấn
To build strong AI/ML teams, it is crucial to carefully plan the interview process.Để xây dựng các đội AI/ML mạnh, điều quan trọng là phải lập kế hoạch cẩn thận cho quá trình phỏng vấn.
We recommend that clients have a wide-ranging funnel and be ready to screen a lot of candidates in order to find the right technical talent.Chúng tôi khuyên khách hàng nên có một kênh đa dạng và sẵn sàng sàng lọc nhiều ứng viên để tìm ra tài năng kỹ thuật phù hợp.
C333 AI's own AI/ML recruitment process has six steps.Quy trình tuyển dụng AI/ML riêng của C333 AI có sáu bước.
It starts with a quick resume screen and then moves on to an automated technical assessment.Nó bắt đầu với màn hình tiếp tục nhanh và sau đó chuyển sang đánh giá kỹ thuật tự động.
Then, it goes on to multiple rounds of interviews.Sau đó, nó sẽ trải qua nhiều vòng phỏng vấn.
We can quickly screen many candidates using the resume review and automated technical assessment.Chúng tôi có thể nhanh chóng sàng lọc nhiều ứng viên bằng cách sử dụng xem xét sơ yếu lý lịch và đánh giá kỹ thuật tự động.
The technical assessment is something we carefully consider.Đánh giá kỹ thuật là một cái gì đó chúng tôi xem xét cẩn thận.
It helps us to understand the candidate's basic mathematical skills, knowledge of AI/ML techniques, and programming skills.Nó giúp chúng tôi hiểu các kỹ năng toán học cơ bản, kiến ​​thức về kỹ thuật AI/ML và kỹ năng lập trình của ứng viên.
C333 AI received 7,715 applicants to its AI/ML team in 2019.C333 AI đã nhận được 7.715 ứng viên nộp đơn vào nhóm AI/ML của mình vào năm 2019.
These candidates were screened based on their resumes and technical tests.Những ứng viên này đã được sàng lọc dựa trên sơ yếu lý lịch và các bài kiểm tra kỹ thuật của họ.
We interviewed almost 400 candidates and hired 17.Chúng tôi đã phỏng vấn gần 400 ứng viên và thuê 17.
A similar recruitment process should be expected by all organizations looking to hire technical AI/ML talent.Một quy trình tuyển dụng tương tự nên được mong đợi bởi tất cả các tổ chức muốn thuê nhân tài AI/ML kỹ thuật.
This is illustrated in the following illustration.Điều này được minh họa trong hình minh họa sau đây.
Organization for TeamworkTổ chức làm việc theo nhóm
It is not uncommon to have multiple factors involved in organizing data science teams.Không có gì lạ khi có nhiều yếu tố tham gia vào việc tổ chức các nhóm khoa học dữ liệu.
Data science is a highly skilled field that requires professionals with advanced degrees.Khoa học dữ liệu là một lĩnh vực đòi hỏi kỹ năng cao, đòi hỏi các chuyên gia có bằng cấp cao.
These people often need specialized environments and structures as well as professional development opportunities.Những người này thường cần môi trường và cấu trúc chuyên biệt cũng như cơ hội phát triển nghề nghiệp.
To capture the value of data science, organizations need data scientists who can collaborate with end-users and business users.Để nắm bắt được giá trị của khoa học dữ liệu, các tổ chức cần các nhà khoa học dữ liệu có thể cộng tác với người dùng cuối và người dùng doanh nghiệp.
We have extensive experience in managing data-science-based projects and products.Chúng tôi có nhiều kinh nghiệm trong việc quản lý các dự án và sản phẩm dựa trên khoa học dữ liệu.
Therefore, we recommend that you use an internal data science organization structure that works across all three dimensions.Do đó, chúng tôi khuyên bạn nên sử dụng cấu trúc tổ chức khoa học dữ liệu nội bộ hoạt động trên cả ba khía cạnh.
We recommend a core, traditional data science management structure.Chúng tôi đề xuất một cấu trúc quản lý khoa học dữ liệu truyền thống, cốt lõi.
Individual data scientists report to managers who then report to a Vice President of Data Science.Các nhà khoa học dữ liệu cá nhân báo cáo cho các nhà quản lý, sau đó báo cáo cho Phó Chủ tịch Khoa học Dữ liệu.
One key difference to traditional technical management structures such as those for software developers is that we don't recommend full-time people managers.Một điểm khác biệt chính đối với cấu trúc quản lý kỹ thuật truyền thống, chẳng hạn như cấu trúc dành cho nhà phát triển phần mềm là chúng tôi không khuyến nghị người quản lý toàn thời gian.
This means that technical leaders who can also be good managers will often find greater success in managing small groups of data scientists while still maintaining technical responsibility and technical leadership.Điều này có nghĩa là các nhà lãnh đạo kỹ thuật cũng có thể là nhà quản lý giỏi thường sẽ thành công hơn trong việc quản lý các nhóm nhỏ các nhà khoa học dữ liệu trong khi vẫn duy trì trách nhiệm kỹ thuật và lãnh đạo kỹ thuật.
We recommend that, in addition the data science management structure be maintained, we also suggest a separate structure to provide mentorship to data scientists within the company.Chúng tôi khuyến nghị rằng, ngoài cấu trúc quản lý khoa học dữ liệu được duy trì, chúng tôi cũng đề xuất một cấu trúc riêng để cung cấp sự cố vấn cho các nhà khoa học dữ liệu trong công ty.
Mentorship is provided by mentors who are not linked to the organizational chart to senior scientists.Cố vấn được cung cấp bởi những người cố vấn không liên quan đến sơ đồ tổ chức với các nhà khoa học cấp cao.
We recommend that project and product teams are separated by an organizational chart.Chúng tôi khuyến nghị rằng các nhóm dự án và sản phẩm được phân tách bằng sơ đồ tổ chức.
This means that we designate data scientists to work on specific projects or product initiatives, regardless of the organization to which they are assigned.Điều này có nghĩa là chúng tôi chỉ định các nhà khoa học dữ liệu làm việc trên các dự án hoặc sáng kiến ​​sản phẩm cụ thể, bất kể tổ chức mà họ được chỉ định.
Their primary reporting structure for the duration of the assignment or project is the product team's.Cấu trúc báo cáo chính của họ trong suốt thời gian thực hiện nhiệm vụ hoặc dự án là của nhóm sản phẩm.
It does not follow their assigned organizational structure.Nó không tuân theo cơ cấu tổ chức được phân công của họ.
This illustration illustrates the concept.Hình minh họa này minh họa khái niệm.
C333 AI has developed a number of best practices for organizing project teams over the past decade.C333 AI đã phát triển một số phương pháp hay nhất để tổ chức các nhóm dự án trong thập kỷ qua.
Cross-functional project teams often require data scientists to work with data engineers and developers to create and configure AI solutions or applications.Các nhóm dự án đa chức năng thường yêu cầu các nhà khoa học dữ liệu làm việc với các kỹ sư và nhà phát triển dữ liệu để tạo và cấu hình các giải pháp hoặc ứng dụng AI.
This cross-functional project team requires a daily management structure.Nhóm dự án đa chức năng này yêu cầu một cấu trúc quản lý hàng ngày.
C333 AI and clients frequently find a combination of a project manager as well as a product manager to be a good management structure.C333 AI và khách hàng thường tìm thấy sự kết hợp giữa người quản lý dự án cũng như người quản lý sản phẩm để trở thành một cơ cấu quản lý tốt.
Sometimes, the roles can be combined into one person.Đôi khi, các vai trò có thể được kết hợp thành một người.
While the project manager is responsible for ensuring the project tracks are on track, the product manager is responsible for the development of the application or solution.Trong khi người quản lý dự án chịu trách nhiệm đảm bảo các dự án đi đúng hướng, thì người quản lý sản phẩm chịu trách nhiệm về sự phát triển của ứng dụng hoặc giải pháp.
This architecture maximizes functionality, scalability and re-use and minimizes technical debt.Kiến trúc này tối đa hóa chức năng, khả năng mở rộng và tái sử dụng và giảm thiểu nợ kỹ thuật.
It also keeps track of maintenance, management and ongoing operations for the AI/ML algorithms.Nó cũng theo dõi việc bảo trì, quản lý và các hoạt động liên tục cho các thuật toán AI/ML.
We recommend that you assign a senior data scientist to supervise - using only a portion of their time – the AI/ML progress of each project.Chúng tôi khuyên bạn nên chỉ định một nhà khoa học dữ liệu cấp cao giám sát - chỉ sử dụng một phần thời gian của họ - tiến độ AI/ML của mỗi dự án.
This senior scientist should be able to spend enough time on the details and be involved in team's day to day problem solving.Nhà khoa học cấp cao này sẽ có thể dành đủ thời gian cho các chi tiết và tham gia vào quá trình giải quyết vấn đề hàng ngày của nhóm.
This senior scientist should advocate for data science solutions and the data science perspective.Nhà khoa học cấp cao này nên ủng hộ các giải pháp khoa học dữ liệu và quan điểm khoa học dữ liệu.
This senior scientist will report to the executive data science leadership separately on progress towards solving the data science problem as well as any roadblocks, so they can ask for assistance if necessary.Nhà khoa học cấp cao này sẽ báo cáo riêng với ban lãnh đạo điều hành khoa học dữ liệu về tiến độ giải quyết vấn đề khoa học dữ liệu cũng như bất kỳ rào cản nào, vì vậy họ có thể yêu cầu hỗ trợ nếu cần thiết.
Professional DevelopmentPhát triển chuyên môn
Enterprises should consider the possibility of professional development for data scientists within their AI/ML departments.Các doanh nghiệp nên xem xét khả năng phát triển chuyên môn cho các nhà khoa học dữ liệu trong bộ phận AI/ML của họ.
We have found that mentorship and coaching are essential for scientists' rapid professional growth early in their careers.Chúng tôi nhận thấy rằng cố vấn và huấn luyện là điều cần thiết cho sự phát triển chuyên môn nhanh chóng của các nhà khoa học ngay từ đầu trong sự nghiệp của họ.
Rotation of data science projects can be key to giving scientists exposure to a broad range of problems, as well as to build their experience with various problem formulations, solutions architectures, frameworks and algorithms.Việc luân chuyển các dự án khoa học dữ liệu có thể là chìa khóa giúp các nhà khoa học tiếp xúc với nhiều vấn đề, cũng như xây dựng kinh nghiệm của họ với các công thức vấn đề khác nhau, giải pháp kiến ​​trúc, khuôn khổ và thuật toán.
Rotating scientists regularly to new products and projects will help maximize the potential of a data science team.Việc luân chuyển các nhà khoa học thường xuyên đến các sản phẩm và dự án mới sẽ giúp tối đa hóa tiềm năng của nhóm khoa học dữ liệu.
Although there may be exceptions, it is recommended that data scientists are moved to new projects every three to six month.Mặc dù có thể có ngoại lệ, nhưng các nhà khoa học dữ liệu nên chuyển sang các dự án mới sau mỗi ba đến sáu tháng.
Rotations can be a win-win situation.Xoay vòng có thể là một tình huống đôi bên cùng có lợi.
They allow data scientists to grow professionally and bring new perspectives on problems and projects.Chúng cho phép các nhà khoa học dữ liệu phát triển một cách chuyên nghiệp và mang lại những quan điểm mới về các vấn đề và dự án.
As part of your rotations, we recommend that you do a mix of product and project work.Là một phần trong quá trình luân chuyển của bạn, chúng tôi khuyên bạn nên thực hiện kết hợp công việc của sản phẩm và dự án.
Data scientists can develop useful, generic or reusable artifacts that are applicable to specific problems while they work on different issues.Các nhà khoa học dữ liệu có thể phát triển các tạo tác hữu ích, chung chung hoặc có thể tái sử dụng, áp dụng cho các vấn đề cụ thể trong khi họ giải quyết các vấn đề khác nhau.
The goal is to offer the data scientist who has developed the first version of an artifact, such as a novel unsupervised anomaly detection process, the opportunity to market that service to other data scientists.Mục đích là cung cấp cho nhà khoa học dữ liệu, người đã phát triển phiên bản đầu tiên của hiện vật, chẳng hạn như quy trình phát hiện dị thường mới lạ không có giám sát, cơ hội tiếp thị dịch vụ đó cho các nhà khoa học dữ liệu khác.
As shown in the following figure, we recommend product rotations to data scientists who are doing more complicated work.Như thể hiện trong hình sau, chúng tôi đề xuất luân phiên sản phẩm cho các nhà khoa học dữ liệu, những người đang thực hiện công việc phức tạp hơn.
We recommend that you think carefully about how data scientists can grow and develop in many dimensions, including core problem solving skills, AI/ML skills and leadership skills.Chúng tôi khuyên bạn nên suy nghĩ kỹ về cách các nhà khoa học dữ liệu có thể phát triển và phát triển theo nhiều khía cạnh, bao gồm kỹ năng giải quyết vấn đề cốt lõi, kỹ năng AI/ML và kỹ năng lãnh đạo.

Leave a Reply

Your email address will not be published. Required fields are marked *