Levannia Lildhar ist Datenwissenschaftlerin bei Siemens Healthineers in Ottawa. Als Mitglied des Produktentwicklungsteams des Unternehmens verwendet Levannia angewandte Statistiken zur Unterstützung der Arbeit in der Feldüberwachung der Biosensorleistung, Kalibrierung und Validierung neuer F&E-Sensortechnologie.
Sie hat einen Master in Data Science von der University of British Columbia und einen Bachelor-Abschluss von der University of Ottawa in Chemieingenieurwesen und Biochemie. Ihre Forschung wurde im Journal of Genome Biology and Evolution und im Journal of Biomedical Materials Research veröffentlicht. Sie ist auch Co-Moderatorin von Das geheime Leben der Zahlen , ein Podcast, in dem sie über Zahlen im Alltag spricht.
Meg: Wie so viele von uns heute war Ihr Karriereweg so etwas wie eine Evolution. Wie sind Sie nach Ihren Anfängen in Chemieingenieurwesen und Biochemie zur Data Science gekommen?
Levannien: Ich habe meine Karriere als Produktingenieur begonnen, was eine sehr klassische Rolle ist. Wir haben ein Produkt entwickelt, dabei geholfen, den Ertrag zu steigern, Ausschuss zu reduzieren, Kalibrierungen durchzuführen – solche Dinge. Aber im Laufe der Zeit wurde uns klar, dass wir viele Informationen verloren, weil wir unsere Daten nicht vollständig analysierten. Wir haben uns auch gefragt, ob unsere Modelle robuster und zukunftssicherer sein könnten.
Zu diesem Zeitpunkt hatte ich jedoch nicht das Gefühl, dass ich die Fähigkeiten hatte, die Modelle zu bewerten oder zu bauen, die ich brauchte. Also verließ ich Siemens Healthineers für 10 Monate, um meinen Master in Data Science zu machen. Jetzt bin ich zurück und arbeite als Data Scientist, und ich hoffe wirklich, den Aufgabenbereich des Data-Science-Teams über seinen derzeitigen Umfang hinaus erweitern zu können: Können wir Modelle bauen, die der Fertigungslinie helfen? Können wir Modelle bauen, die auf Automatisierung oder Bilder schauen, nicht nur auf Zahlen?
Mit dem gewonnenen Wissen und zusammen mit dem Data-Science-Team konnten wir wirklich damit beginnen, die Grundlagen für eine breitere Datenkompetenz zu legen. Wir bewegen uns in Richtung „So wollen wir Daten betrachten, und dies ist die Sprache, die wir verwenden, wenn wir Daten betrachten.“
Meg: Glaubst du, dass dir die Arbeit in der Produktentwicklung vor dem Wechsel in die Datenwissenschaft eine andere Perspektive gibt als beispielsweise ein traditioneller Statistiker?
Levannien: Es hilft auf jeden Fall bei der Kommunikation. Wenn beispielsweise ein Datenwissenschaftler eine Entscheidung trifft, kann er sie auf etwas stützen, dem die Fertigungs- oder Verfahrenstechnik möglicherweise nicht unbedingt ausgesetzt war. Vielleicht geht es ihnen eher darum, ob das Modell funktioniert, warum und welche Schlüsselparameter sie im Auge behalten müssen. Das wird Ihr Fokus, wenn Sie die Arbeit beschreiben.
Mein technischer Hintergrund hilft auch ein wenig, wenn es darum geht, zu wissen, woran man arbeiten oder wo man Schwerpunkte setzen muss. Es gibt ein Sprichwort, dass alle Modelle in irgendeiner Weise schlecht sind, aber einige sind nützlich. Als Produktingenieur denke ich, dass es einfacher ist zu sehen, was nützlich sein wird. So kann ich ein schlechtes Modell bauen, das noch brauchbar ist!
Meg: Sind Sie angesichts der Unterschiede in der Art und Weise, wie Datenwissenschaftler und Ingenieure kommunizieren, auf viel Skepsis gestoßen? Welche Konzeptnachweise finden Sie in den Augen von Fachexperten am überzeugendsten?
Levannien: Ich stelle mir unser Data-Science-Team gerne so vor, als würde es allen anderen Teams dienen; Unser Ziel ist es, der gesamten Organisation zu dienen. Wir sind noch ziemlich jung, weil ich denke, dass die Idee der Datenwissenschaft im Gesundheitswesen noch ziemlich jung ist. Wir lernen immer noch, wo wir uns einordnen und dafür eintreten, und wir treffen immer noch auf Personen, die noch nicht viel Vertrauen in einige der fortgeschritteneren Techniken haben, die wir möglicherweise verwenden. Sie müssen es immer noch in Aktion sehen – was fair ist, weil wir medizinische Diagnosegeräte bauen, die das Leben der Patienten beeinflussen, also ist diese Art von sorgfältigem Ansatz definitiv gerechtfertigt und notwendig!
Ich würde sagen, dass es im Großen und Ganzen einige Zeit dauern kann, fortgeschrittenere Techniken zu akzeptieren. Wir mussten zeigen, dass, wenn etwas schief ging, es nicht die fortschrittlichere Technik war, die das Problem verursachte. Es kann sich anfühlen, als würden Sie die Analytik immer verteidigen. Aber wenn Sie diesen Prozess viele Male durchlaufen haben, haben Sie die Gewissheit, dass es sich tatsächlich um ein Problem handelt, das gelöst werden sollte, und nicht nur um eine Anomalie im Modell, wenn ein Problem auftritt.
In vielen Fällen betrachten wir mehrere Situationen und Grenzfälle. Und das erfordert Zeit, um die Daten zu sammeln und den Beweis zu entwickeln, dass eine neue Technik sowohl genau als auch präzise funktionieren kann. Ich sage das lachend, aber manchmal kann es frustrierend sein, wenn man gebeten wird, sich eine bestimmte Situation anzusehen, und man sagt: „Nun, natürlich kann ein Model das.“ Es kommt alles auf die Kommunikation zurück.
Wenn Sie in Ihren Modellierungstechniken fortgeschrittener werden, möchten Sie sicherstellen, dass Sie kommunizieren, was passiert. Und Sie müssen sich darüber im Klaren sein, dass es interessante Situationen gibt, die Ihnen von Domänenexperten präsentiert werden, die schon sehr lange in diesem Kontext arbeiten. Vielleicht gibt es etwas, an das Sie nicht gedacht haben. Diese Art von Arbeit zu machen, stellt dich auch wirklich auf die Probe. Aber am Ende führt es auch zu viel robusteren Analysen und Modellen, daher bin ich auch dankbar für die Prüfung.
Schließlich ist es hilfreich zu betonen, dass ein statistischer Ansatz oder einige der fortgeschritteneren Analysen Zeit sparen können, da die Menschen nie genug Zeit haben! Wir können Modelle erstellen und Werkzeuge bauen, die Zeit sparen … und sie sind oft robuster. Sie können den Menschen auch helfen, die Informationen zu erhalten, die sie benötigen, um schneller Entscheidungen zu treffen.
Mega: Hat das Management Sie unterstützt?
Levannien: Jawohl. Wie bei jedem Team, das ein neues Tool oder einen neuen Ansatz ausprobiert, möchte das Management zuerst sehen, was Sie tun können. Wir befinden uns noch in der Phase, in der [Führung bei Siemens Healthineers] uns die Freiheit gibt, zu sehen, was wir tun können. Und sie weisen uns vielleicht in die richtige Richtung, indem sie uns interessante Probleme aufzeigen, die es zu lösen gilt und die auch dem Geschäft helfen werden.
Gerade jetzt lernt jeder – egal in welcher Branche –, dass es überall so viele Daten gibt und dass man, wenn man sie richtig analysiert, eine Menge Dinge tun kann: Geld sparen, berechenbarer werden, zuverlässiger werden…. Ich denke, mit dem Wachstum von Organisationen – und insbesondere im Gesundheitswesen mit COVID – mussten wir unsere Produktion steigern und darüber nachdenken, wie wir effizienter werden können. Auch in Bereichen wie der Lieferkette denken Teams darüber nach, wie Daten besser genutzt werden können.
Mega: Welche Rolle spielt die Ausbildung bei der Weiterentwicklung des Feldes?
Levannien: Ich glaube nicht, dass man eine formale Ausbildung braucht, um Data Scientist zu werden. Die Leute haben sich schon lange mit Data Science beschäftigt, bevor wir diesen trendigen Begriff hatten – nur dass wir ihn jetzt gekennzeichnet haben.
Ein Teil meiner Rolle besteht jedoch darin, das Training zu unterstützen, und JMP ist das Werkzeug, das wir verwenden. Überlegen Sie sich am Anfang, was die Leute mit ihren Daten anfangen wollen: Sie wollen sie visualisieren, Ausreißer beschriften, grafisch darstellen, tabellarisch darstellen. JMP macht das alles sehr schnell und einfach, und Sie brauchen nicht viel Training, um es zu tun!
Mit JMP haben Sie die Möglichkeit, schneller voranzukommen. Ehrlich gesagt ist es eines der besten Tools, die ich für Datenwrangling und Datenvisualisierung gesehen habe. Sie müssen Python oder R nicht herunterladen und müssen nicht verstehen, wie man codiert.
Meg: Sie haben den Begriff „Datenkompetenz“ erwähnt und ich frage mich: Was ist Ihre Vision für Siemens Healthineers in zwei bis fünf Jahren?
Levannien: Ich hoffe, ich kann diejenigen, mit denen ich arbeite, dazu inspirieren, mehr über ihre Daten nachzudenken und über ihre Datenkompetenz nachzudenken – ich möchte, dass es mehr eine gemeinsame Sprache ist: Wir verwenden dieselben Begriffe; wir gehen Probleme ähnlich an; Wir verstehen, was wir beachten müssen.
Selbst mit etwas so Einfachem wie Datenvisualisierung können wir manchmal viel leichter den Unterschied zwischen einem Problem und dem, was nur Rauschen ist, verstehen. Außerdem können wir diese Denkweise über die Daten in unsere Prozesse integrieren, sodass sie immer im Hintergrund vorhanden sind. Sie können Daten vom Beginn eines Prozesses bis zum Ende betrachten.
Wenn Sie beispielsweise herausfinden können, welche Schlüsselindikatoren Fehler verursachen, können Sie die Trends verstehen, bevor ein Fehler auftritt, und proaktiv Anpassungen vornehmen. In Zukunft möchte ich, dass unser Standort – oder unsere gesamte Organisation – einfach mehr über ihre Daten nachdenkt. Denken Sie nur darüber nach. Sitzen Sie vielleicht eine Weile damit, spielen Sie damit, erstellen Sie einige Diagramme und fangen Sie dann an, es zu verwenden, um ihnen bei der Beantwortung von Fragen zu helfen. Und wir kommen dorthin.
Mega: Verwenden Sie eine Automatisierung, um Best Practices für den Umgang mit und das Nachdenken über Daten zu standardisieren?
Levannien: Sicherlich ja. An unserem Standort gibt es zwei oder drei Teams, die JMP intensiv nutzen. Wir haben erstellt Skripte, die sich wiederholende Arbeit für uns erledigen , und das ist sehr nützlich. In JMP können Sie ein Skript einfach speichern und es von woanders ausführen. Und Sie können es mit anderen teilen – was sicherlich beim Aufbau von Kapazitäten hilft, denn anstatt etwas von Grund auf neu zu machen, haben Sie einen automatisierten Prozess, der einsatzbereit ist. Das ist sehr nützlich.
Meg: Ich bin gespannt auf deine Erfahrungen mit dem JMP Early Adopter-Programm .
Levannien: Ich bin vor ein paar Jahren beigetreten, und ich mag es, weil Sie die neuen Funktionen sehen können, die sich in der Entwicklung befinden, und diese Funktionen kommentieren können. Manchmal werden Ihre Kommentare in neuen Versionen von JMP berücksichtigt. Und manchmal kommen die Dinge, die Sie wollen, nicht heraus und Sie sagen: „Äh, ich bin ein bisschen enttäuscht“ – ha!
Ich denke, JMP leistet sehr gute Arbeit darin, das Gespräch am Laufen zu halten. Es gibt das [JMP Systems Engineering Team], das immer da ist, um zu helfen, und Sie können ihm Daten schicken. Es gibt auch Seminare , und als wir einige Probleme mit JMP 16 hatten, wurde die Kundendienst es war sehr gut. Wir trafen uns und zeigten Daten, und Sie konnten interaktiv herausfinden, was vor sich ging, und Fehler melden. Ich finde es gut, dass JMP das hin und her mit uns hat, weil Sie das Gefühl haben, dass sie tatsächlich an Ihren Problemen arbeiten.
Ich war auch überrascht, dass Sie sich so oft melden können und dass das Feedback in vielen Fällen fast sofort erfolgt. Die [ JMP-Online-Community ]-Foren waren eine große Hilfe für uns, als wir anfingen, mehr Skripte zu schreiben. Tatsächlich sollte ich wahrscheinlich mehr zu diesen Foren beitragen, weil sie mir so viel geholfen haben und immer noch tun.
Meg: Zum Abschluss, was würden Sie jemandem raten, der gerade erst anfängt – mit seiner Karriere, mit JMP, vielleicht sogar mit seiner Ausbildung.
Levannien: JMP leistet mit seinen Schulungsressourcen wirklich gute Arbeit. Es gibt einige sehr, sehr gute Videos und Schulungen online – [ Statistisches Denken für die industrielle Problemlösung (STIS) ] ist wie ein komplettes System für Sie da. Tatsächlich bitten wir unsere neuen Mitarbeiter, zunächst STIPS zu durchlaufen. Wenn Sie gerade erst mit JMP anfangen, ist das eine wirklich gute Basis.
Wenn Sie Datenwissenschaftler werden möchten, ist mein Rat, dass Sie keine formelle Ausbildung benötigen. Neugierde auf Ihre Daten genügt. Tatsächlich führen viele Menschen Datenanalysen durch, ohne es zu merken. Jeder, dem es wichtig ist, datengetriebene Entscheidungen zu treffen, kann sich Data Scientist nennen. Alles, was Sie wirklich tun müssen, ist, mehr Zeit mit Ihren Daten zu verbringen. Und ja, Sie müssen auch die Tools und Techniken verstehen, und das beginnt wirklich mit Tools wie JMP, die Data Science einfach gemacht haben. Vor allem, wenn Sie keine formelle Ausbildung haben.
Worauf es hinausläuft ist: Scheuen Sie sich nicht, interessante oder gewagte Dinge mit Daten zu tun, während Sie sie analysieren, weil Sie nicht wissen, welche Geschichten sie Ihnen erzählen können, wenn Sie nicht danach suchen.
Bauen Sie analytische Exzellenz in Ihrem Unternehmen auf. Finde heraus wie: jmp.com/advocate
