- Reddit DataScience kanalında, ABD Silikon Vadisi merkezli büyük bir teknoloji şirketinde çalışan bir Staff Data Scientist tarafından yapılan AMA’nin özeti
- İstatistik doktorası geçmişine sahip; yaklaşık 10 yıllık deneyimle startup, halka arz öncesi unicorn ve FAANG gibi farklı ölçeklerde şirket tecrübesi var
- Çoğunlukla IC (Individual Contributor) olarak çalışmış olsa da, bir miktar yöneticilik deneyimi de bulunuyor
- Başlıca güçlü olduğu alanlar makine öğrenimi, deneyler/nedensel çıkarım ve veri analizi
Başlıca sorular ve yanıtların özeti
PhD (doktora) derecesinin değeri?
- Doktora, ilk işe girişte veya kariyerin başlarında yardımcı olabilir; ancak kariyer ilerledikçe etkisi azalır
- Sektör (özellikle Silikon Vadisi) hıza ve iş değerine odaklanır; akademik titizlikten çok pratiklik önemsenir
- Yeniden karar verecek olsa, 5 yıldan uzun bir süreyi doktora için ayırmayacağını söylüyor. Sektör trendleri ve yapay zeka gelişim hızı çok yüksek
- Yapay zeka araştırma pozisyonlarında PhD gerekir; ancak ürün odaklı DS/ML rolleri için MS/BS de yeterlidir
Kariyer ve mesleki gelişim
- IC’den Senior ve üstüne terfi etmek için, ekip dışına da etki etmek ve strateji/organizasyona katkı sağlamak gerekir
- Güven inşa etmek, çapraz fonksiyonlu iş birliği projelerine liderlik etmek ve yöneticilerle/üst yönetimle ilişki kurmak önemlidir
- Startup’ta başarılı olmak için: farklı rolleri (uçtan uca ML/veri pipeline’ı/analiz) üstlenebilen çok yönlü bir profil ve işe dair güçlü motivasyon gerekir
- Kariyerin başlarında teknik yetkinlik, orta ve ileri aşamalarda ise alan bilgisi ile iletişim ve liderlik daha önemli hale gelir
Veri bilimcilerin geleceği ve yapay zeka
- Yapay zeka basit/tekrarlı işleri hızla ikame ediyor, ancak güçlü temel yetkinliklere sahip veri bilimciler daha da öne çıkıyor
- Generative AI’ın yaygınlaşmasından sonra çalışma biçimi (kodlama, dokümantasyon vb.) değişti; ancak çekirdek roller (analiz, modelleme vb.) hâlâ geçerli
- Gelecekte yapay zeka daha fazla alanı kapsayabilir; ancak karmaşık problem çözme, alanı yorumlama ve iletişim becerileri hâlâ yeteneğin temel ölçütü
Günlük iş ve kurum kültürü
- Nedensel çıkarım/deneyler (AB Test) önem düzeyi alana göre değişir. Deney yapılamayan ortamlarda gözlemsel veriye dayalı nedensel çıkarım becerisi şarttır
- İş tarafı/liderlerle iletişim kurarken: teknik detaylardan çok “neden, ne yapılacak” ve etkisine odaklanarak anlatmak gerekir
- Kurum kültürü nedensel çıkarım ve veri kalitesine önem vermiyorsa, iletişim ve değişim yaratma konusunda sınırlar oluşur. Takım değişikliği veya iş değişikliği düşünülmelidir
- Yönetici sorunun farkında değilse, önce güven oluşturmak ve çözüm önermek; gerekirse şirket içi geçiş veya ayrılığı değerlendirmek gerekir
Yetkinlik geliştirme ve işe giriş tavsiyeleri
- Kariyerin başında staj/portföy/proje deneyimi önemlidir. Teknik beceriler (kodlama, ML vb.) asgari beklentidir
- Alan bilgisi, iletişim ve problem çözme becerileri; yapay zeka ve otomasyon çağında daha da güçlü ayrıştırıcı unsurlardır
- Diploma ve sertifikalardan çok gerçek iş projeleri ve deneyim daha önceliklidir
- Sektörde işe alımda “deneyim” öne çıkar. Staj, danışmanlık ve çeşitli proje deneyimleri biriktirilmesi önerilir
Diğer içgörüler
- Bir startup’ın batma sinyalleri: moral bozukluğu, kilit çalışanların ayrılması, temel metriklerin kötüleşmesi vb.
- Politik beceri: kurum stratejisiyle bağlantılı projelere odaklanmak ve etkili ilişkiler kurmak
- Yüksek maaş/yan haklar: Netflix gibi büyük teknoloji şirketlerinde üst düzey pozisyonlarda yıllık toplam gelirin $750k+ olması (hisse dahil) gerçektir
- Kariyer tatmini: büyük teknoloji şirketlerinde, veri ölçeği dışında işin sıradanlaşabildiğini; bu yüzden gelişim ve keyif için yan uğraşlar aradığını söylüyor
Henüz yorum yok.