Vergroot de slagingskans van Data Science/AI-projecten met het juiste team

Data Science Team

Aan de slag met data?

Help klanten gerichter en speel direct in op marktontwikkelingen door data te benutten. Bekijk hoe wij kunnen helpen op het gebied van Data & Business Analytics.

Ga naar Data & Business Analytics

De verwachtingen van Data Science projecten zijn vaak torenhoog. Proof of Concepts hebben immers het potentieel aangetoond en dus kijken stakeholders gespannen mee over je schouder nadat ze zojuist grote investeringen hebben gemaakt op het gebied van innovatie & AI. Daar waar vol enthousiasme wordt begonnen aan een project, wordt in werkelijkheid niet altijd aan de hoge verwachtingen voldaan. Alle reden dus om de slagingskans van Data Science/AI-projecten te verhogen. Hoe doe je dat? Onder andere met het juiste team!

Databronnen

Projecten duren vaak langer dan initieel bedacht doordat bijvoorbeeld toegang tot de juiste databronnen nog op een aantal handtekeningen laat wachten, de benodigde rekenkracht is onderschat of het resultaat is niet zoals verwacht. Zomaar wat valkuilen en veelal genoeg reden tot frustratie en teleurstelling. Een model dat werkt op de laptop van een data scientist is nog geen productierijp model. Die noodzakelijke transitie is vaak niet evident en vergt naast hoge kwaliteitsstandaarden, schaalbare code en infrastructuur, ook een professionele workflow. In deze reeks bespreek ik achtereenvolgens drie richtlijnen waarop jij je zou moeten focussen om de kans op een succesvol Data Science/AI-project substantieel te vergroten. In dit eerste deel van deze reeks neem ik het projectteam onder de loep. Dit team is de kern van het succes. Dat bij de opbouw van een team hierin bewuste keuzes gemaakt worden qua benodigde skills en persoonlijkheden lijkt zo logisch.

Data Science vs. Data Engineering

Een Data Science/AI-project heeft een overwogen balans nodig tussen Data Science en Data Engineering en afhankelijk van de vraag is daaraan zelfs in min of meerdere mate een vleug Software Engineering aan toe te voegen. Probeer voor bovenstaande expertises niet het schaap met vijf poten te vinden maar breid simpelweg je team uit. Data Science mogen wij niet verwarren met Data Engineering, al bestaat er wel degelijk een overlap in de expertise gebieden. Het is alleen juist deze overlap die de communicatie en hulp naar elkaar ten goede komt. Op deze manier worden elkaars beslissingen en taken op juiste waarde geschat.

Het is de laatste jaren duidelijk geworden dat Data Engineering, dé basis voor Data Science & AI, regelmatig wordt vergeten, verhaast of zelfs genegeerd door bedrijven. Het gevolg hiervan is dat in de praktijk veel Data Scientists het werk van een Data Engineer erbij krijgen en nauwelijks tijd en ruimte hebben om waardevolle Data Science-projecten af te leveren. Zorg daarom dat deze twee verschillende vereisten goed geïdentificeerd en begroot worden en zo nodig ook gescheiden blijven. Een project waarbij het model niet in productie staat, is een niet geslaagd project. Het is dus zaak een expert in het team te hebben met kennis van productionalizeren, hoogstwaarschijnlijk een Machine Learning Engineer.

Stap niet over persoonlijkheden en dynamiek heen!

Een team vol met vakkundige mensen verliest makkelijk zijn waarde en productiviteit als de dynamiek in het team niet goed is. Voorop staat dat het team makkelijk met elkaar moet kunnen communiceren en dat de teamleden transparant en open naar elkaar zijn. Echter, wanneer er te veel communicatieve vaardigheden binnen een team aanwezig zijn bestaat er de kans op een conflictsituatie waarin iedereen te graag gehoord wil worden. Een goede balans vinden is niet makkelijk maar dus wel erg belangrijk. Bij een goede balans in persoonlijkheid, haalt het team het beste bij elkaar naar boven halen en schromen zij niet om feedback en hulp aan elkaar te vragen. 

Investeer in junior teamleden

Junior team leden - vaak net klaar met school, gedreven om al het geleerde om te zetten in de praktijk en daarnaast ijverig om veel nieuwe dingen te leren - brengen een verfrissende blik in het veld. Daar waar de meer ervaren teamleden weten waar ze goed in zijn en dus vasthouden aan een specifiek takenpakket, staan junioren open om nieuwe dingen op te pakken en een helpende hand te bieden in verschillende richtingen. Junioren zijn in staat senioren op een bepaalde manier te prikkelen om kritisch over hun eigen redeneringen te gaan nadenken. Het ontbreken van bakken aan ervaring betekent tegelijkertijd ook dat je bij hen geen vastgeroeste werkpatronen hoeft te doorbreken en dat zij daardoor nog makkelijk aan de omgeving en het project kunnen aanpassen.

Meer informatie

In deel 2 van deze reeks sta ik stil bij de randvoorwaarden om te starten met een Data Science/AI-project. Benieuwd naar wat wij jouw organisatie kunnen bieden op dit gebied? Bekijk onze services of neem contact op!

Ga naar Data & Business Analytics

Kan ik je helpen?

Eddy Visser
Senior Portfolio Sales
Phone number: +31 886 606 600