מעצבים את עתיד העבודה: תובנות מ-Arpit Agarwal של Meta

הועלה מחדש על ידי אפלטון

עוקב: 0

מגיפת COVID-19 שינתה את מקום העבודה, כאשר עבודה מרחוק הפכה לנורמה מתמשכת. בפרק זה של מובילים עם דאטה, Arpit Agarwal מ-Meta דן כיצד כרוך עתיד העבודה מציאות מדומה, המאפשר שיתוף פעולה מרחוק המשקף חוויות אישיות. ארפיט חולק תובנות מהמסע שלו, תוך שימת דגש על רגעים מרכזיים ואת אתגרי האנליטיקה בשלבים הראשונים של פיתוח המוצר.

[תוכן מוטבע]

אתה יכול להאזין לפרק הזה של Leading with Data בפלטפורמות פופולריות כמו Spotify, Google Podcasts, ו תפוח עץ. בחר את המועדף עליך כדי ליהנות מהתוכן בעל התובנה!

תובנות מפתח מהשיחה שלנו עם Arpit Agarwal

עבודה עתידית תלויה במציאות מדומה לשיתוף פעולה מרחוק.
השקת צוות מדעי נתונים מטפח חדשנות והשפעה עסקית.
מדע הנתונים בשלב המוצר המוקדם נותן עדיפות לאיכות, תוך שימוש בבדיקות פנימיות ומשוב.
גיוס עובדים למדעי הנתונים זקוק ליכולת טכנית, פתרון בעיות ואופי חזק.
צמיחת קריירה במדעי הנתונים דורשת חקירה רחבה ואחריה מומחיות מיוחדת.

הצטרף למפגשי ה-Leading with Data הקרובים שלנו לדיונים מלאי תובנות עם מובילי AI ו-Data Science!

כעת, בוא נראה את השאלות שהשיב Arpit Agarwal על מסע הקריירה שלו וניסיון בתעשייה.

איך מגיפת COVID-19 עיצבה מחדש את הדרך שבה אנחנו עובדים?

המגיפה שינתה מהותית את דינמיקת העבודה שלנו. עברנו מסביבות ממוקדות במשרד לאימוץ עבודה מרחוק כמציאות חדשה. גם עם מדיניות החזרה למשרד, חלק ניכר מכוח העבודה ימשיך לפעול מרחוק. האתגר טמון בשמירה על פרודוקטיביות וטיפוח קשרים שנבנו בעבר בין קירות המשרד. הכלים הנוכחיים לא מצליחים לשכפל את החוויה האישית, וזה המקום שבו החזון של Meta נכנס לתמונה. אנו מפתחים מוצרים המספקים תחושה של עבודה זה לצד זה, הבנת שפת הגוף של זה ושיתוף פעולה יעיל, הכל בתוך מרחב וירטואלי.

המסע שלי התחיל ב-BITS גואה, שם למדתי תואר במדעי המחשב. בתחילה, הייתי ממוקד מבחינה אקדמית, אבל BITS אפשר לי לחקור תחומי עניין אחרים, כולל פרשנות נתונים. הובלתי מועדון פאזלים, מה שעורר את העניין שלי בנתונים. לאחר המכללה, הצטרפתי ל-Oracle, שם עבדתי במחסני נתונים ובינה עסקית, ועזרתי ללקוחות לקבל החלטות מונחות נתונים. הניסיון הזה חיזק את העניין שלי באנליטיקה וביישומים העסקיים שלה. המשכתי לתואר שני במנהל עסקים כדי להעמיק את ההבנה העסקית שלי ומאוחר יותר הצטרפתי ל- Mu Sigma, שם חידדתי את כישורי הניתוח שלי. הקריירה שלי התקדמה באמצעות תפקידי ייעוץ ותפקידי מנהיגות בסטארטאפים כמו Zoomcar ו-Katabook, שם התמודדתי עם אתגרים מגוונים של מדעי הנתונים.

מה היו רגעי המפתח בקריירה שלך שעיצבו את דרכך?

ההצטרפות ל-Zoomcar הייתה רגע מרכזי. הוטל עליי לבנות את צוות מדעי הנתונים מאפס, מה שאפשר לי לעבוד על פרויקטים חדשניים כמו מערכות ניקוד לנהגים באמצעות נתוני מכוניות. הניסיון הזה נתן לי את ההזדמנות לעבוד בשיתוף פעולה הדוק עם מנהלים ברמת C ולהשפיע ישירות על החלטות עסקיות. רגע משמעותי נוסף היה התקופה שלי ב-Katabook, שם עזרתי לחברה להיות מונעת נתונים והשקתי יוזמות ניתוח שונות, כולל הצעות הלוואות המבוססות על מודלים של למידת מכונה.

החזון של Meta לעתיד העבודה סובב סביב מציאות מדומה, במטרה ליצור מרחב שבו שיתוף פעולה מרחוק הוא טבעי ויעיל כמו אינטראקציות אישיות. מדעי הנתונים ממלאים תפקיד מכריע בקביעת יעדים ארגוניים שאפתניים למוצרים שהקדימו את זמנם. זה כרוך בהתאמת אסטרטגיית המוצר למטרות אלו, הבטחת איכות המוצר וניהול צוותים גלובליים מגוונים. מדעי הנתונים מתייחסים גם לאתגר של אנליטיקה למוצרים שנמצאים בשלבי פיתוח מוקדמים, שבהם נתוני לקוחות מועטים.

מהם האתגרים של ביצוע אנליטיקה עבור מוצרים שנמצאים בשלב 0 עד 1?

אנליטיקה למוצרים בשלב 0 עד 1 היא מאתגרת מכיוון שיש נתוני לקוחות מוגבלים כדי להנחות את קבלת ההחלטות. ההתמקדות היא בהבטחת איכות ופונקציונליות המוצר, שהיא קריטית למוצרים ארגוניים. אנו מסתמכים על בדיקות פנימיות (dogfooding), בדיקות אלפא וביטא עם קבוצות נבחרות ומחקר משתמשים כדי לאסוף משוב ולאמת את הכיוון של המוצר. ברגע שיש לנו בסיס איתן, נוכל להשיק את המוצר לקהל רחב יותר ולהשתמש במדעי הנתונים כדי למדוד אימוץ, שימור וחזרה על סמך משוב משתמשים.

כיצד אתה מעריך מועמדים לתפקידי מדעי נתונים, במיוחד בתחומים מתפתחים כמו בינה מלאכותית?

כשגייסתי לתפקידי מדעי נתונים, אני מחפש מועמדים עם כישורי פתרון בעיות חזקים, הבנה עמוקה של יסודות למידת מכונה ומיומנות בשפות תכנות ובמניפולציה של נתונים. עבור AI גנרטיבי במיוחד, על המועמדים להיות בעלי מומחיות בתחום הרלוונטי, כגון עיבוד שפה טבעית או ראייה ממוחשבת. בנוסף, אני מעריך אופי ומוסר עבודה, אותם אני מעריך באמצעות שאלות התנהגותיות, בדיקות התייחסות ויכולת של מועמד להסביר את הפרויקטים שלו לעומק.

איזו עצה יש לך לאנשים שמתחילים את הקריירה שלהם במדעי הנתונים?

למתחילים במדעי הנתונים, חקור תחומי עניין מגוונים לפני ההתמחות. השתמש בשפע משאבי למידה בחינם, תעדוף מיומנויות לערך והגשמה על פני רווחים כספיים מהירים. נצל הזדמנויות, אפילו בפרויקטים קטנים יותר או בחברות, לצמיחה משמעותית. הכירו בכך שעבודה קשה מהווה את הבסיס למזל; הצלחה היא מסע מתמשך של למידה ושיפור.

סיכום

המסע של Arpit Agarwal מדגים את ההשפעה של מדע הנתונים על תעשיות מגוונות. החזון של Meta לעתיד העבודה מדגיש את התפקיד המרכזי שממלא מדע הנתונים. מדעני נתונים שואפים יכולים ללקט עצות חשובות מהדגש של Arpit על פיתוח מיומנויות, אימוץ הזדמנויות והמסע המתמשך של למידה מתמשכת.

למפגשים מרגשים נוספים בנושא AI, מדעי נתונים ו-GenAI, הישאר מעודכן איתנו בנושא Leading with Data.

בדוק את המפגשים הקרובים שלנו כאן.