Levannia Lildhar는 오타와에 있는 Siemens Healthineers의 데이터 과학자입니다. 회사 제품 엔지니어링 팀의 일원인 Levannia는 현장 바이오센서 성능 모니터링, 새로운 R&D 센서 기술의 교정 및 검증 작업을 지원하기 위해 응용 통계를 사용합니다.
그녀는 브리티시 컬럼비아 대학교에서 데이터 과학 석사 학위를, 오타와 대학교에서 화학 공학 및 생화학 학부 학위를 받았습니다. 그녀의 연구는 Journal of Genome Biology and Evolution과 Journal of Biomedical Materials Research에 게재되었습니다. 그녀는 또한 숫자의 비밀스러운 삶 , 그녀가 일상 생활에서 숫자에 대해 토론하는 팟캐스트.
Meg: 오늘날 우리 중 많은 사람들이 그렇듯이, 당신의 경력 경로도 진화를 거듭해 왔습니다. 화학공학과 생화학을 전공한 후 어떻게 데이터 과학에 입문하게 되었나요?
레바니아: 저는 매우 고전적인 역할인 제품 엔지니어로 경력을 시작했습니다. 우리는 제품을 만들고 있었고, 수율을 높이고, 스크랩을 줄이고, 교정을 수행하는 등의 일을 하고 있었습니다. 그러나 시간이 지남에 따라 데이터를 최대한 분석하지 않음으로써 많은 정보를 잃고 있다는 사실을 깨닫기 시작했습니다. 우리는 또한 우리 모델이 더 강력하고 미래에 대비할 수 있는지 궁금해하기 시작했습니다.
하지만 그 당시에는 내가 필요한 모델을 평가하거나 구축할 기술이 없다고 느꼈습니다. 그래서 저는 데이터 과학 석사 학위를 받기 위해 10개월 동안 Siemens Healthineers를 떠났습니다. 이제 저는 데이터 과학자로 돌아와서 현재의 범위를 넘어 데이터 과학 팀의 범위를 확장하기를 진심으로 바라고 있습니다. 제조 라인에 도움이 되는 모델을 구축할 수 있습니까? 단순히 숫자가 아닌 자동화나 이미지를 보는 모델을 구축할 수 있습니까?
내가 얻은 지식과 데이터 과학 팀과 함께 우리는 더 광범위한 데이터 활용 능력을 위한 토대를 마련하기 시작할 수 있었습니다. 우리는 "이것이 우리가 데이터를 보는 방식이며, 이것이 우리가 데이터를 볼 때 사용하는 언어"를 향해 나아가고 있습니다.
Meg: 데이터 과학으로 이동하기 전에 제품 엔지니어링 역할에서 일한 것이 예를 들어 전통적인 통계학자와 다른 관점을 갖게 된다고 생각합니까?
레바니아: 확실히 의사소통에 도움이 됩니다. 예를 들어, 데이터 과학자는 결정을 내릴 때 제조 또는 프로세스 엔지니어링이 반드시 노출되지 않았을 수 있는 것을 기반으로 결정할 수 있습니다. 그들은 모델이 작동한다는 사실, 그 이유 및 주시해야 하는 주요 매개변수에 더 관심을 가질 수 있습니다. 그것은 당신이 작품을 설명할 때 당신의 초점이 됩니다.
제 엔지니어링 배경은 또한 무엇을 작업해야 하는지 또는 어디에 중점을 두어야 하는지 아는 데 약간의 도움이 됩니다. 모든 모델은 어떤 면에서는 나쁘지만 어떤 모델은 유용하다는 말이 있습니다. 제품 엔지니어였기 때문에 어떤 것이 유용할지 쉽게 알 수 있다고 생각합니다. 그래서 나는 여전히 유용한 나쁜 모델을 만들 수 있습니다!
Meg: 데이터 과학자와 엔지니어가 의사 소통하는 방식의 차이를 감안할 때 많은 회의론에 직면 했습니까? 도메인 전문가의 눈에는 어떤 개념 증명이 가장 설득력이 있습니까?
레바니아: 저는 우리 데이터 과학 팀이 다른 모든 팀에 서비스를 제공한다고 생각하고 싶습니다. 우리의 목표는 전체 조직에 봉사하는 것입니다. 의료 분야의 데이터 과학에 대한 아이디어가 아직 어리다고 생각하기 때문에 우리는 여전히 젊습니다. 우리는 여전히 우리가 어디에 적합한지 배우고 있고 그것을 옹호하며, 우리가 사용할 수 있는 고급 기술에 대해 아직 많이 신뢰하지 못하는 개인을 여전히 접하게 됩니다. 우리는 환자의 삶에 영향을 미치는 의료 진단 장치를 만들기 때문에 공정한 행동을 볼 필요가 있습니다. 따라서 이러한 유형의 신중한 접근은 확실히 보증되고 필요합니다!
전반적으로 더 고급 기술을 수용하는 데 시간이 걸릴 수 있다고 말하고 싶습니다. 우리는 문제가 발생한 경우 더 발전된 기술이 문제의 원인이 아니라는 것을 보여주어야 했습니다. 항상 분석을 방어하는 것처럼 느껴질 수 있습니다. 그러나 그 과정을 여러 번 거치면 문제가 발생했을 때 모델의 이상이 아니라 실제로 해결해야 하는 문제라는 확신을 갖게 됩니다.
많은 경우에 우리는 여러 상황과 극단적인 경우를 봅니다. 그리고 이를 위해서는 데이터를 수집하고 새로운 기술이 정확하고 정확하게 수행할 수 있다는 증거를 개발하는 데 시간을 할애해야 합니다. 웃으면서 말하지만 가끔은 어떤 상황을 보라는 요청을 받고 "물론 모델도 그렇게 할 수 있어요"라고 말할 때 답답할 수 있습니다. 모든 것은 커뮤니케이션으로 돌아옵니다.
모델링 기술이 점점 더 발전함에 따라 무슨 일이 일어나고 있는지 확실히 전달하고 싶을 것입니다. 그리고 아주 오랫동안 이 맥락에서 일해 온 도메인 전문가들이 당신에게 가져다줄 흥미로운 상황이 있다는 것을 깨달아야 합니다. 생각하지 못한 부분이 있을 수 있습니다. 이런 종류의 작업을 수행하는 것은 실제로 당신도 테스트합니다. 그러나 결국에는 훨씬 더 강력한 분석과 모델이 생성되므로 정밀한 조사에도 감사드립니다.
마지막으로, 통계적 접근 방식이나 일부 고급 분석이 시간을 절약할 수 있다는 점을 강조하는 것이 도움이 됩니다. 왜냐하면 사람들은 시간이 충분하지 않기 때문입니다! 우리는 시간을 절약할 수 있는 모델을 만들고 도구를 만들 수 있습니다. 그리고 종종 더 강력합니다. 그들은 또한 사람들이 더 빨리 결정을 내리는 데 필요한 정보를 얻도록 도울 수 있습니다.
메그: 경영진이 지원했습니까?
레바니아: 네. 새로운 도구나 접근 방식을 시도하는 다른 팀과 마찬가지로 경영진은 가장 먼저 할 수 있는 일이 무엇인지 확인하기를 원합니다. 우리는 여전히 [Siemens Healthineers의 리더십]이 우리가 무엇을 할 수 있는지 볼 수 있는 자유를 주는 단계에 있습니다. 그리고 그들은 아마도 우리에게 비즈니스에 도움이 될 흥미로운 문제를 해결함으로써 올바른 방향으로 우리를 가리킵니다.
현재 업계에 관계없이 모든 사람은 모든 곳에 데이터가 너무 많다는 것과 이를 올바르게 분석하면 많은 일을 할 수 있다는 것을 배우고 있습니다. 비용 절감, 예측 가능성 향상, 신뢰성 향상… 조직이 성장함에 따라, 특히 COVID가 있는 의료 분야에서 우리는 생산량을 늘리고 효율성을 높일 수 있는 방법에 대해 생각해야 한다고 생각합니다. 공급망과 같은 영역에서도 팀은 데이터를 더 잘 사용할 수 있는 방법에 대해 생각합니다.
메그: 현장이 발전함에 따라 훈련은 어떤 역할을 해야 합니까?
레바니아: 데이터 과학자에게 정식 교육이 필요하지 않다고 생각합니다. 사람들은 우리가 이 유행하는 용어를 사용하기 훨씬 전부터 데이터 과학을 하고 있었습니다. 이제 우리가 이름을 붙였을 뿐입니다.
즉, 내 역할의 일부는 교육을 지원하는 것이며, JMP 우리가 사용하는 도구입니다. 사람들이 처음에 데이터로 무엇을 배우고 싶어하는지 생각해 보십시오. 데이터를 시각화하고, 이상값에 레이블을 지정하고, 그래프로 만들고, 표로 만들고 싶어합니다. JMP는 이 모든 작업을 매우 빠르고 쉽게 수행하며 이를 수행하는 데 많은 교육이 필요하지 않습니다!
JMP를 사용하면 더 빠르게 이동할 수 있습니다. 솔직히 말해서, 데이터 랭글링 및 데이터 시각화에 대해 내가 본 최고의 도구 중 하나입니다. Python이나 R을 다운로드할 필요도 없고 코딩 방법을 이해할 필요도 없습니다.
Meg: "데이터 활용 능력"이라는 용어를 언급했는데 궁금한 점이 있습니다. 향후 2~5년 동안 Siemens Healthineers에 대한 비전은 무엇입니까?
레바니아: 제가 함께 일하는 사람들이 자신의 데이터에 대해 더 많이 생각하고 데이터 활용 능력에 대해 생각하도록 영감을 줄 수 있기를 바랍니다. 우리는 유사하게 문제에 접근합니다. 우리는 우리가 고려해야 할 것을 이해합니다.
데이터 시각화와 같은 간단한 작업으로도 문제와 단순한 노이즈의 차이를 훨씬 더 쉽게 이해할 수 있습니다. 또한 데이터에 대한 이러한 사고 방식을 프로세스에 통합하여 항상 백그라운드에 있도록 할 수 있습니다. 프로세스의 시작부터 끝까지 데이터를 볼 수 있습니다.
예를 들어 어떤 주요 지표가 장애를 일으킬 것인지 파악할 수 있다면 장애가 발생하기 전에 추세를 파악하고 선제적으로 조정할 수 있습니다. 앞으로는 우리 사이트 또는 전체 조직이 데이터에 대해 더 많이 생각하기를 바랍니다. 생각 해봐. 잠시 동안 앉아서 놀고 그래프를 만든 다음 질문에 답하는 데 사용하기 시작합니다. 그리고 우리는 거기에 도달하고 있습니다.
메그: 데이터에 접근하고 생각하는 모범 사례를 표준화하는 데 자동화를 사용하고 있습니까?
레바니아: 물론 그렇습니다. 우리 사이트에는 JMP를 많이 사용하는 두세 팀이 있습니다. 우리가 만들었습니다 우리를 위해 반복적인 작업을 하는 스크립트 , 그리고 그것은 매우 유용합니다. JMP에서는 스크립트를 저장하고 다른 곳에서 실행할 수 있습니다. 그리고 그것을 다른 사람들과 공유할 수 있습니다. 이는 처음부터 무언가를 하는 것보다 자동화된 프로세스가 준비되어 있기 때문에 확실히 역량을 구축하는 데 도움이 됩니다. 매우 유용합니다.
Meg: 귀하의 경험이 궁금합니다. JMP 얼리 어댑터 프로그램 .
레바니아: 저는 몇 년 전에 합류했는데, 개발 중인 새로운 기능을 보고 해당 기능에 대한 설명을 볼 수 있기 때문에 마음에 듭니다. 때때로 귀하의 의견이 새 버전의 JMP에 적용되는 것을 볼 수 있습니다. 그리고 때때로 원하는 것이 나오지 않고 "어, 조금 실망스럽네요" - 하!
JMP는 대화를 계속 이어가는데 아주 좋은 역할을 한다고 생각합니다. 항상 도움을 줄 [JMP 시스템 엔지니어링 팀]이 있으며 데이터를 보낼 수 있습니다. 도 있다 세미나 , JMP 16에 몇 가지 문제가 발생했을 때 고객 서비스 아주 좋았습니다. 우리는 만나서 데이터를 보여주고 무슨 일이 일어나고 있는지 대화식으로 파악하고 버그를 신고할 수 있었습니다. JMP가 실제로 문제를 해결하고 있다고 느끼기 때문에 JMP가 우리와 함께 하는 것이 좋습니다.
나는 또한 당신이 그렇게 자주 연락할 수 있고 많은 경우에 피드백이 거의 즉각적이라는 사실에 놀랐습니다. [ JMP 온라인 커뮤니티 ] 포럼은 우리가 더 많은 스크립팅을 시작하는 시점에 큰 도움이 되었습니다. 사실, 나는 그들이 저에게 많은 도움을 줬고 지금도 그렇게 하고 있기 때문에 아마도 그 포럼에 더 기여해야 할 것입니다.
Meg: 마지막으로 경력, JMP, 교육에 대해 이제 막 시작하는 사람에게 조언을 해주신다면?
레바니아: JMP는 교육 리소스를 정말 잘 활용합니다. 아주 아주 좋은 비디오와 온라인 교육이 있습니다. [ 산업 문제 해결을 위한 통계적 사고(STIPS) ]은(는) 당신을 위한 완벽한 시스템과 같습니다. 사실 우리는 신입사원들에게 STIPS를 거쳐 시작하도록 요청합니다. JMP를 처음 사용하는 경우 정말 좋은 기반이 됩니다.
데이터 과학자가 되고 싶다면 정식 교육이 필요하지 않다고 조언합니다. 데이터에 대한 호기심만 있으면 됩니다. 실제로 많은 사람들이 자신도 모르는 사이에 데이터 분석 작업을 수행합니다. 데이터 기반 결정을 내리는 데 관심이 있는 사람이라면 누구나 스스로를 데이터 과학자라고 부를 수 있습니다. 데이터에 더 많은 시간을 할애하기만 하면 됩니다. 예, 도구와 기술도 이해해야 합니다. 데이터 과학을 쉽게 만든 JMP와 같은 도구에서 시작됩니다. 특히 정식 교육을 받지 않은 경우.
결론은 다음과 같습니다. 데이터를 검색하지 않으면 데이터가 어떤 이야기를 들려줄지 모르기 때문에 데이터를 분석하면서 흥미롭거나 대담한 작업을 수행하는 것을 두려워하지 마십시오.
