شکل دادن به آینده کار: بینش هایی از آرپیت آگاروال متا

شکل دادن به آینده کار: بینش هایی از آرپیت آگاروال متا

تمبر زمان: 28 نوامبر 2023، 2:45 صبح
گره منبع: 2982695

همه‌گیری COVID-19 محیط کار را متحول کرده است و کار از راه دور به یک هنجار پایدار تبدیل شده است. در این قسمت از پیشرو با داده، آرپیت آگاروال از متا در مورد چگونگی آینده کار بحث می کند واقعیت مجازی، امکان همکاری از راه دور را فراهم می کند که تجربیات حضوری را منعکس می کند. آرپیت بینش هایی را از سفر خود به اشتراک می گذارد و بر لحظات مهم و چالش های تجزیه و تحلیل در مراحل اولیه توسعه محصول تاکید می کند.

[محتوای جاسازی شده]

می‌توانید این قسمت از Leading with Data را در پلتفرم‌های محبوبی مانند گوش کنید Spotify, پادکست های Googleو اپل. مورد علاقه خود را برای لذت بردن از محتوای روشنگر انتخاب کنید!

بینش های کلیدی از مکالمه ما با آرپیت آگاروال

  • کار آینده برای همکاری از راه دور به واقعیت مجازی بستگی دارد.
  • راه اندازی یک تیم علم داده، نوآوری و تأثیر تجاری را تقویت می کند.
  • علم داده در مرحله اولیه محصول، کیفیت را با استفاده از تست‌های داخلی و بازخورد اولویت‌بندی می‌کند.
  • استخدام برای علم داده نیاز به مهارت فنی، حل مسئله و شخصیت قوی دارد.
  • رشد شغلی علم داده مستلزم کاوش گسترده و به دنبال آن تخصص تخصصی است.

برای بحث‌های روشن‌تر با رهبران هوش مصنوعی و علم داده، به جلسات آینده پیشرو با داده ما بپیوندید!

اکنون بیایید سؤالاتی را ببینیم که آرپیت آگاروال در مورد سفر شغلی و تجربه صنعت خود به آنها پاسخ داد.

چگونه همه‌گیری COVID-19 شیوه کار ما را تغییر داده است؟

همه گیر به طور اساسی پویایی کار ما را تغییر داده است. ما از محیط های اداری محور به پذیرش کار از راه دور به عنوان یک واقعیت جدید تغییر کرده ایم. حتی با وجود سیاست‌های بازگشت به دفتر، بخش قابل توجهی از نیروی کار از راه دور به فعالیت خود ادامه خواهند داد. چالش در حفظ بهره وری و تقویت ارتباطاتی است که زمانی در داخل دیوارهای اداری ساخته شده بودند. ابزارهای کنونی در تکرار تجربه حضوری کوتاهی می‌کنند، جایی که دیدگاه متا وارد عمل می‌شود. ما در حال توسعه محصولاتی هستیم که حس کار در کنار یکدیگر، درک زبان بدن یکدیگر و همکاری موثر را در فضای مجازی فراهم می کند.

آیا می توانید سفر خود از دانشگاه تا تبدیل شدن به یک رهبر در علم داده را به اشتراک بگذارید؟

سفر من در BITS Goa آغاز شد، جایی که مدرک علوم کامپیوتر را دنبال کردم. در ابتدا، من از نظر آکادمیک متمرکز بودم، اما BITS به من اجازه داد تا علایق دیگر، از جمله تفسیر داده ها را کشف کنم. من یک باشگاه پازل را رهبری کردم که باعث شد علاقه من به داده ها جلب شود. پس از کالج، به اوراکل پیوستم، جایی که در انبار داده و هوش تجاری کار می کردم و به مشتریان کمک می کردم تا تصمیمات مبتنی بر داده را بگیرند. این تجربه علاقه من را به تجزیه و تحلیل و برنامه های تجاری آن تقویت کرد. من یک MBA را دنبال کردم تا درک تجاری خود را عمیق تر کنم و بعداً به مو سیگما پیوستم، جایی که مهارت های تجزیه و تحلیل خود را تقویت کردم. حرفه من از طریق نقش های مشاوره و موقعیت های رهبری در استارتاپ هایی مانند Zoomcar و Katabook پیشرفت کرد، جایی که با چالش های مختلف علم داده مقابله کردم.

لحظات کلیدی در حرفه شما که مسیر شما را شکل داد چه بود؟

پیوستن به Zoomcar یک لحظه مهم بود. من وظیفه داشتم تیم علم داده را از ابتدا بسازم، که به من اجازه داد روی پروژه‌های نوآورانه مانند سیستم‌های امتیازدهی راننده با استفاده از داده‌های خودرو کار کنم. این تجربه به من این فرصت را داد که از نزدیک با مدیران سطح C کار کنم و مستقیماً بر تصمیمات تجاری تأثیر بگذارم. لحظه مهم دیگر زمان من در Katabook بود، جایی که به شرکت کمک کردم تا مبتنی بر داده‌ها باشد و ابتکارات تحلیلی مختلفی از جمله ارائه وام بر اساس مدل‌های یادگیری ماشین را راه‌اندازی کردم.

چشم انداز متا برای آینده کاری حول محور واقعیت مجازی می چرخد، با هدف ایجاد فضایی که در آن همکاری از راه دور به اندازه تعاملات حضوری طبیعی و موثر باشد. علم داده نقش مهمی در تعیین اهداف سازمانی بلندپروازانه برای محصولاتی دارد که جلوتر از زمان خود هستند. این شامل همسویی استراتژی محصول با این اهداف، تضمین کیفیت محصول و مدیریت تیم های متنوع و جهانی است. علم داده همچنین به چالش تجزیه و تحلیل برای محصولاتی می پردازد که در مراحل اولیه توسعه هستند، جایی که داده های مشتری کمیاب است.

چالش های انجام تجزیه و تحلیل برای محصولاتی که در فاز 0 به 1 هستند چیست؟

تجزیه و تحلیل برای محصولات در مرحله 0 تا 1 چالش برانگیز است زیرا داده های مشتری محدودی برای هدایت تصمیم گیری وجود دارد. تمرکز بر تضمین کیفیت و عملکرد محصول است که برای محصولات سازمانی بسیار مهم است. برای جمع‌آوری بازخورد و تأیید جهت محصول، به آزمایش داخلی (آزمایش آزمایشی)، آزمایش آلفا و بتا با گروه‌های منتخب، و تحقیقات کاربر متکی هستیم. زمانی که پایه محکمی داشتیم، می‌توانیم محصول را برای مخاطبان گسترده‌تری عرضه کنیم و از علم داده برای سنجش پذیرش، حفظ و تکرار بر اساس بازخورد کاربر استفاده کنیم.

کاندیداها را برای نقش‌های علم داده، به‌ویژه در زمینه‌های نوظهور مانند هوش مصنوعی مولد چگونه ارزیابی می‌کنید؟

هنگام استخدام برای نقش‌های علم داده، به دنبال کاندیداهایی با مهارت‌های حل مسئله قوی، درک عمیق اصول یادگیری ماشین، و مهارت در زبان‌های برنامه‌نویسی و دستکاری داده‌ها هستم. به طور خاص برای هوش مصنوعی مولد، داوطلبان باید در حوزه مربوطه، مانند پردازش زبان طبیعی یا بینایی رایانه، تخصص داشته باشند. علاوه بر این، من برای شخصیت و اخلاق کاری ارزش قائل هستم که از طریق سؤالات رفتاری، بررسی مرجع و توانایی یک نامزد در توضیح عمیق پروژه های خود ارزیابی می کنم.

چه توصیه ای برای افرادی دارید که کار خود را در علم داده شروع می کنند؟

برای مبتدیان در علم داده، قبل از تخصص، علایق مختلف را بررسی کنید. از منابع یادگیری رایگان فراوان استفاده کنید، مهارت‌ها را برای ارزش و تحقق بیش از دستاوردهای مالی سریع اولویت دهید. از فرصت ها، حتی در پروژه ها یا شرکت های کوچکتر، برای رشد قابل توجه استفاده کنید. بدانید که سخت کوشی اساس شانس را تشکیل می دهد. موفقیت یک سفر مداوم یادگیری و بهبود است.

جمعبندی

سفر آرپیت آگاروال تأثیر علم داده بر صنایع مختلف را نشان می دهد. چشم انداز متا برای آینده کاری، نقش محوری علم داده را برجسته می کند. دانشمندان مشتاق داده می توانند توصیه های ارزشمندی را از تاکید Arpit بر توسعه مهارت ها، استقبال از فرصت ها و سفر پایدار یادگیری مستمر بدست آورند. 

برای جلسات جذاب تر در مورد هوش مصنوعی، علم داده و GenAI، با ما در زمینه پیشرو با داده همراه باشید.

جلسات آینده ما را اینجا بررسی کنید.

تمبر زمان:

بیشتر از تجزیه و تحلیل Vidhya