Формування майбутнього роботи: ідеї Арпіта Агарвала з Meta

Перевидано Платоном

читають: 0

Пандемія COVID-19 змінила робоче місце, і дистанційна робота стала нормою. У цьому епізоді Лідерство з даними, Арпіт Агарвал з Meta обговорює, як це пов’язано з роботою в майбутньому віртуальна реальність, що дозволяє віддалену співпрацю, яка відображає особистий досвід. Арпіт ділиться ідеями зі своєї подорожі, наголошуючи на ключових моментах і проблемах аналітики на ранніх етапах розробки продукту.

[Вбудоване вміст]

Ви можете прослухати цей епізод Leading with Data на таких популярних платформах, як Spotify, Підкасти Google та Apple. Виберіть свій улюблений, щоб насолодитися проникливим вмістом!

Ключові висновки з нашої розмови з Арпітом Агарвалом

Майбутня робота залежить від віртуальної реальності для віддаленої співпраці.
Запуск команди з обробки даних сприяє інноваціям і досягне впливу на бізнес.
Наука про дані на ранній стадії продукту надає пріоритет якості, використовуючи внутрішні тести та відгуки.
Наймання в науку про дані потребує технічної майстерності, здатності вирішувати проблеми та сильного характеру.
Зростання кар’єри в галузі науки про дані вимагає широких досліджень, а потім спеціалізованих знань.

Приєднуйтесь до наших майбутніх сесій Leading with Data для проникливих дискусій з лідерами AI та Data Science!

А тепер давайте подивимося на запитання, на які Арпіт Агарвал відповів про свою кар’єру та досвід у галузі.

Як пандемія COVID-19 змінила спосіб нашої роботи?

Пандемія кардинально змінила динаміку нашої роботи. Ми перейшли від орієнтованого на офіс середовища до прийняття віддаленої роботи як нової реальності. Навіть з урахуванням політики повернення на роботу значна частина робочої сили продовжуватиме працювати віддалено. Завдання полягає в підтримці продуктивності та зміцненні зв’язків, які колись були створені в стінах офісу. Сучасні інструменти не можуть відтворити особистий досвід, і тут у гру вступає бачення Meta. Ми розробляємо продукти, які забезпечують відчуття роботи пліч-о-пліч, розуміння мови тіла один одного та ефективної співпраці у віртуальному просторі.

Моя подорож почалася в BITS Goa, де я отримав ступінь інформатики. Спочатку я був академічно зосереджений, але BITS дозволив мені вивчити інші інтереси, зокрема інтерпретацію даних. Я вів гурток головоломок, що викликало мій інтерес до даних. Після закінчення коледжу я приєднався до Oracle, де працював у сфері сховищ даних і бізнес-аналітики, допомагаючи клієнтам приймати рішення на основі даних. Цей досвід зміцнив мій інтерес до аналітики та її бізнес-додатків. Я отримав ступінь магістра ділового адміністрування, щоб поглибити своє розуміння бізнесу, а пізніше приєднався до Mu Sigma, де я відточив свої навички аналітики. Моя кар’єра розвивалася через консультаційні ролі та керівні посади в таких стартапах, як Zoomcar і Katabook, де я вирішував різноманітні проблеми науки про дані.

Які ключові моменти вашої кар’єри сформували ваш шлях?

Приєднання до Zoomcar стало ключовим моментом. Мені доручили з нуля створити команду з вивчення даних, що дозволило мені працювати над інноваційними проектами, як-от системи підрахунку балів водіїв із використанням даних автомобіля. Цей досвід дав мені можливість тісно співпрацювати з керівниками C-рівня та безпосередньо впливати на бізнес-рішення. Іншим важливим моментом був мій час у Katabook, де я допоміг компанії стати керованою даними та запустив різноманітні аналітичні ініціативи, зокрема пропозиції позик на основі моделей машинного навчання.

Бачення Meta щодо майбутнього роботи обертається навколо віртуальної реальності, прагнучи створити простір, де віддалена співпраця є такою ж природною та ефективною, як і особиста взаємодія. Наука про дані відіграє вирішальну роль у постановці амбітних організаційних цілей для продуктів, які випереджають свій час. Це передбачає узгодження стратегії продукту з цими цілями, забезпечення якості продукту та управління різноманітними глобальними командами. Наука про дані також вирішує проблему аналітики для продуктів, які знаходяться на ранніх стадіях розробки, де даних про клієнтів мало.

Які труднощі виникають під час проведення аналітики для продуктів, що знаходяться на етапі від 0 до 1?

Аналітика продуктів на етапі від 0 до 1 є складною, оскільки дані про клієнтів обмежені для прийняття рішень. Основна увага приділяється забезпеченню якості та функціональності продукту, що є критично важливим для корпоративних продуктів. Ми покладаємось на внутрішнє тестування (тестування), альфа- та бета-тестування з вибраними групами та дослідження користувачів, щоб зібрати відгуки та підтвердити напрям продукту. Коли ми матимемо міцну основу, ми зможемо запустити продукт для ширшої аудиторії та використовувати наукові дані для вимірювання впровадження, утримання та повторення на основі відгуків користувачів.

Як ви оцінюєте кандидатів на посади в галузі науки про дані, особливо в таких нових галузях, як генеративний штучний інтелект?

Приймаючи на посаду в галузі обробки даних, я шукаю кандидатів із сильними навичками вирішення проблем, глибоким розумінням основ машинного навчання та знаннями мов програмування та маніпулювання даними. Зокрема, для генеративного штучного інтелекту кандидати повинні мати досвід у відповідній області, наприклад, обробка природної мови або комп’ютерне зір. Крім того, я ціную характер і трудову етику, які оцінюю за допомогою поведінкових запитань, перевірки рекомендацій і здатності кандидата детально пояснювати свої проекти.

Що ви порадите тим, хто починає свою кар’єру в галузі даних?

Для початківців у науці про дані дослідіть різноманітні інтереси, перш ніж спеціалізуватися. Використовуйте численні безкоштовні навчальні ресурси, віддавайте перевагу навичкам для цінності та реалізації, а не швидких фінансових прибутків. Використовуйте можливості, навіть у невеликих проектах або компаніях, для значного зростання. Визнати, що наполеглива праця є основою удачі; успіх - це постійний шлях навчання та вдосконалення.

Підводячи підсумки

Подорож Арпіта Агарвала є прикладом впливу науки про дані на різноманітні галузі. Бачення Meta майбутнього роботи підкреслює ключову роль, яку відіграє наука про дані. Початківці дослідники даних можуть отримати цінні поради з акценту Arpit на розвитку навичок, використанні можливостей і тривалому шляху безперервного навчання.

Щоб отримати більше цікавих сесій про штучний інтелект, науку про дані та GenAI, залишайтеся з нами на Leading with Data.

Перевірте наші майбутні сесії тут.