Levannia Lildharは、オタワを拠点とするSiemensHealthineersのデータサイエンティストです。 同社の製品エンジニアリングチームのメンバーであるレバニアは、応用統計を使用して、フィールドバイオセンサーのパフォーマンスの監視、新しいR＆Dセンサーテクノロジーのキャリブレーションおよび検証の作業をサポートしています。
彼女は、ブリティッシュコロンビア大学でデータサイエンスの修士号を取得し、オタワ大学で化学工学と生化学の学士号を取得しています。 彼女の研究は、Journal of Genome BiologyandEvolutionおよびJournalofBiomedicalMaterialsResearchに掲載されました。 彼女はまたの共同ホストです数字の秘密の生活、彼女が日常生活の中で数字について話し合うポッドキャスト。
メグ：今日の私たちの多くのように、あなたのキャリアパスは進化のようなものでした。 化学工学と生化学を始めた後、どのようにしてデータサイエンスに着手しましたか？
レバニア：私は非常に古典的な役割である製品エンジニアとしてのキャリアを始めました。 私たちは製品を構築し、歩留まりの向上、スクラップの削減、キャリブレーションの実施などを支援していました。 しかし、時間が経つにつれて、データを最大限に分析しなかったために多くの情報が失われていることに気づき始めました。 また、モデルがより堅牢で将来性があるかどうかも疑問に思い始めました。
しかし、当時は、必要なモデルを評価したり構築したりするスキルを持っているとは感じていませんでした。 そこで、データサイエンスの修士号を取得するために、SiemensHealthineersを10か月間離れました。 現在、私はデータサイエンティストとして戻ってきており、データサイエンスチームの範囲を現在の範囲を超えて拡大したいと心から望んでいます。製造ラインに役立つモデルを構築できるでしょうか。 数字だけでなく、自動化や画像を見るモデルを構築できますか？
私が得た知識とデータサイエンスチームと一緒に、私たちはより幅広いデータリテラシーの基礎を築き始めることができました。 私たちは「これが私たちがデータを見たい方法であり、これが私たちがデータを見るときに使用する言語です」に向かっています。
Meg：データサイエンスに移行する前に製品エンジニアリングの役割を果たしたことで、たとえば従来の統計家とは異なる視点が得られると思いますか？
レバニア：それは確かにコミュニケーションに役立ちます。 たとえば、データサイエンティストが決定を下すとき、製造またはプロセスエンジニアリングが必ずしもさらされていない可能性がある何かに基づいて決定を下す場合があります。 彼らは、モデルが機能するという事実、その理由、および監視する必要のある主要なパラメーターにもっと関心があるかもしれません。 あなたが仕事を説明するとき、それはあなたの焦点になります。
私のエンジニアリングのバックグラウンドは、何に取り組むべきか、どこに重点を置くべきかを知ることに関しても少し役立ちます。 すべてのモデルが何らかの形で悪いということわざがありますが、いくつかは便利です。 製品エンジニアだったので、何が役立つかがわかりやすいと思います。 だから私はまだ役に立つ悪いモデルを作ることができます！
Meg：データサイエンティストとエンジニアのコミュニケーション方法の違いを考えると、多くの懐疑論に遭遇したことがありますか？ ドメインの専門家にとって、どのような概念実証が最も説得力があると思いますか？
レバニア：私は、データサイエンスチームを他のすべてのチームにサービスを提供していると考えています。私たちの目標は、組織全体にサービスを提供することです。 ヘルスケアにおけるデータサイエンスのアイデアはまだかなり若いと思うので、私たちはまだかなり若いです。 私たちはまだそれをどこに当てはめるかを学び、それを支持しています。そして、私たちが使用する可能性のあるより高度な技術のいくつかにまだあまり信頼を持っていない個人に出くわします。 患者の生活に影響を与える医療診断装置を構築しているため、彼らはまだそれが実際に動作していることを確認する必要があります。したがって、この種の注意深いアプローチは間違いなく保証され、必要です。
全体として、より高度な技術を受け入れるには時間がかかる可能性があると思います。 何かがうまくいかなかった場合、問題を引き起こしたのはより高度な技術ではないことを示さなければなりませんでした。 常に分析を擁護しているように感じることがあります。 しかし、そのプロセスを何度も経験した場合、問題が発生したときに、モデルの異常だけでなく、実際には解決する必要のある問題であるという自信があります。
多くの場合、いくつかの状況とエッジケースを調べます。 そしてそれは、データを収集し、新しい技術が正確かつ正確に実行できるという証拠を開発することに時間を費やす必要があります。 笑うと言いますが、ある状況を見るように言われ、「もちろん、モデルならできる」と思ったら、イライラすることもあります。それはすべてコミュニケーションに戻ります。
モデリング手法が進歩するにつれて、何が起こっているのかを確実に伝えたいと思うでしょう。 そして、非常に長い間このコンテキスト内で作業してきたドメインの専門家によってもたらされる興味深い状況があることを理解する必要があります。 思いもよらなかったことがあるかもしれません。 この種の作業を行うと、実際にあなたもテストされます。 しかし、最終的には、はるかに堅牢な分析とモデルが得られるため、精査にも感謝しています。
最後に、統計的アプローチまたはより高度な分析のいくつかは、人々が十分な時間を持っていないため、時間を節約できることを強調するのに役立ちます！ モデルを作成し、時間を節約するツールを構築することができます…そして、それらは多くの場合、より堅牢です。 また、意思決定を迅速に行うために必要な情報を入手するのにも役立ちます。
メグ：経営陣は協力的でしたか？
レバニア：はい。 新しいツールやアプローチを試している他のチームと同様に、経営陣はあなたが最初に何ができるかを見たいと思っています。 私たちはまだ[SiemensHealthineersのリーダーシップ]が私たちに何ができるかを見る自由を与えている段階にあります。 そして、彼らはおそらく私たちに解決すべき興味深い問題を与えることによって私たちを正しい方向に向け、それはビジネスにも役立つでしょう。
現在、どの業界にいても、誰もがあらゆる場所に非常に多くのデータがあり、それを正しく分析すれば、多くのことができることを学んでいます。お金を節約し、予測可能になり、信頼性を高める…。 組織が成長するにつれて、特にCOVIDを使用したヘルスケアでは、生産量を増やし、より効率的にする方法を考えなければならなかったと思います。 サプライチェーンのような分野でも、チームはデータをより適切に使用する方法を考えています。
メグ：フィールドが進化するにつれて、トレーニングはどのような役割を果たさなければなりませんか？
レバニア：データサイエンティストになるために正式なトレーニングは必要ないと思います。 私たちがこの流行の用語を使うずっと前から、人々はデータサイエンスを行っていました。それは、私たちが今それをラベル付けしたということだけです。
そうは言っても、私の役割の一部はトレーニングをサポートすることです。 JMP私たちが使用するツールです。 最初に、データを使って何を学びたいかを考えてください。データを視覚化し、外れ値にラベルを付け、グラフ化し、表にまとめたいと考えています。 JMPはこれらすべてを非常に迅速かつ簡単に実行し、それを実行するためにそれほど多くのトレーニングは必要ありません。
JMPを使用すると、より速く移動することができます。 正直なところ、これはデータのラングリングとデータの視覚化のために私が見た中で最高のツールの1つです。 PythonやRをダウンロードする必要はなく、コーディング方法を理解する必要もありません。
Meg：「データリテラシー」という用語についておっしゃっていましたが、疑問に思っています。2〜5年後のSiemens Healthineersに対するあなたのビジョンは何ですか？
レバニア：私が一緒に仕事をしている人たちに、彼らのデータについてもっと考え、彼らのデータリテラシーについて考えるように刺激できることを願っています。もっと一般的な言語にしたいと思います。私たちは同じ用語を使用します。同様に問題に取り組みます。何を考慮する必要があるかを理解しています。
データの視覚化のような単純なものでも、問題と単なるノイズの違いをはるかに簡単に理解できる場合があります。 また、データに関するこの考え方をプロセスに統合して、データが常にバックグラウンドで存在するようにすることもできます。 プロセスの最初から最後までデータを見ることができます。
たとえば、どの主要な指標が障害を引き起こすかを把握できれば、障害が発生する前に傾向を理解し、積極的に調整を行うことができます。 将来的には、私たちのサイト、または組織全体に、彼らのデータについてもっと考えてもらいたいと思います。 考えてみてください。 しばらく座って、多分、それで遊んで、いくつかのグラフを作成して、それから彼らが質問に答えるのを助けるためにそれを使い始めてください。 そして、私たちはそこに到達しています。
メグ：データにアプローチして考えるためのベストプラクティスを標準化するために自動化を使用していますか？
レバニア：確かに、はい。 私たちのサイトには、JMPを多用しているチームが2つか3つあります。 作成しました私たちのために繰り返し作業を行うスクリプト、そしてそれは非常に便利です。 JMPでは、スクリプトを保存して別の場所から実行するだけです。 そして、それを他の人と共有することができます。これは、最初から何かを行うのではなく、自動化されたプロセスをすぐに実行できるため、確かに能力開発に役立ちます。 それはとても便利です。
メグ：あなたの経験に興味がありますJMPアーリーアダプタープログラム。
レバニア：私は数年前に参加しましたが、開発中の新機能を確認し、それらの機能についてコメントできるので、気に入っています。 新しいバージョンのJMPでコメントが機能するのを目にすることがあります。 そして時々あなたが望むものが出てこない、そしてあなたは「ええと、私は少しがっかりしている」のようです– ha！
JMPは会話を続けるのにとても良い仕事をしていると思います。 いつでもお手伝いできる【JMPシステムエンジニアリングチーム】がいて、データを送ることができます。 もありますセミナー、およびJMP 16で問題が発生したとき、顧客サービスはとてもよかった。 私たちは会ってデータを表示し、何が起こっているのかをインタラクティブに把握してバグを報告することができました。 JMPが実際に問題に取り組んでいると感じているので、JMPが私たちと行ったり来たりしているのが好きです。
また、頻繁に連絡をとることができ、多くの場合、フィードバックがほぼ即時に行われることにも驚きました。 [ JMPオンラインコミュニティ]フォーラムは、私たちがより多くのスクリプトを書き始めた時点で私たちにとって大きな助けになりました。 実際、私はそれらのフォーラムにもっと貢献する必要があります。なぜなら、彼らは私を大いに助け、今でもそうしているからです。
Meg：まとめとして、キャリアを始めたばかりの人、JMP、おそらく教育を受けた人にどのようなアドバイスをしますか。
レバニア： JMPは、トレーニングリソースで非常に優れた仕事をしています。 オンラインで非常に優れたビデオとトレーニングがいくつかあります– [産業問題解決のための統計的思考（STIPS） ]はあなたにとって完全なシステムのようなものです。 実際、私たちは新入社員にSTIPSを通過することから始めるように求めています。 JMPを始めたばかりの場合、それは本当に良いベースです。
データサイエンティストになりたいのであれば、正式なトレーニングは必要ないというのが私のアドバイスです。 あなたのデータに対する好奇心はあなたが必要とするすべてです。 実際、多くの人が気付かずにデータ分析作業を行っています。 データ主導の意思決定を気にする人は誰でも、自分自身をデータサイエンティストと呼ぶことができます。 あなたが本当にする必要があるのはあなたのデータにより多くの時間を費やすことです。 はい、ツールとテクニックも理解する必要があります。それは、データサイエンスを容易にするJMPのようなツールから始まります。 特に正式なトレーニングを受けていない場合。
つまり、データを分析するときに、データを使って面白いことや大胆なことをすることを恐れないでください。データを探さないと、どのようなストーリーが伝わるかわからないからです。
