Levannia Lildhar는 오타와에 거주하는 Siemens Healthineers의 데이터 과학자입니다. 회사의 제품 엔지니어링 팀의 일원인 Levannia는 응용 통계를 사용하여 현장 바이오센서 성능 모니터링, 새로운 R&D 센서 기술의 교정 및 검증 작업을 지원합니다.
그녀는 브리티시 컬럼비아 대학교에서 데이터 과학 석사 학위를, 오타와 대학교에서 화학 공학 및 생화학 학사 학위를 취득했습니다. 그녀의 연구는 Journal of Genome Biology and Evolution과 Journal of Biomedical Materials Research에 게재되었습니다. 그녀는 또한 숫자의 비밀스러운 삶 , 그녀가 일상생활에서 숫자에 대해 이야기하는 팟캐스트입니다.
메그: 오늘날 많은 사람들처럼 당신의 경력 경로는 일종의 진화였습니다. 화학공학과 생화학을 전공한 후 어떻게 데이터 과학을 접하게 되었나요?
레바니아: 저는 매우 전형적인 역할인 제품 엔지니어로 경력을 시작했습니다. 우리는 수율을 높이고 불량품을 줄이고 교정을 수행하는 등 제품을 제작하고 있었습니다. 그러나 시간이 지남에 따라 우리는 데이터를 최대한 분석하지 않음으로써 많은 정보를 잃고 있다는 것을 깨닫기 시작했습니다. 우리는 또한 우리의 모델이 더 강력하고 미래 지향적일 수 있는지 궁금해하기 시작했습니다.
하지만 그 당시에는 나에게 필요한 모델을 평가하거나 구축할 수 있는 기술이 없다고 느꼈습니다. 그래서 데이터 과학 석사 학위를 취득하기 위해 Siemens Healthineers를 10개월 동안 떠났습니다. 이제 저는 돌아와서 데이터 과학자로 일하고 있으며 데이터 과학 팀의 범위를 현재 범위 이상으로 확장하고 싶습니다. 제조 라인에 도움이 되는 모델을 구축할 수 있습니까? 숫자만이 아닌 자동화나 이미지를 살펴보는 모델을 구축할 수 있을까요?
제가 얻은 지식과 데이터 과학 팀과 함께 우리는 더 넓은 데이터 활용 능력을 위한 기반을 마련하기 시작할 수 있었습니다. 우리는 "이것이 우리가 데이터를 보고 싶은 방식이며, 이것이 우리가 데이터를 볼 때 사용하는 언어입니다."를 향해 나아가고 있습니다.
메그: 데이터 과학 분야로 전환하기 전에 제품 엔지니어링 업무를 수행한 경험이 전통적인 통계학자와는 다른 관점을 제공한다고 생각하시나요?
레바니아: 확실히 의사소통에 도움이 됩니다. 예를 들어 데이터 과학자가 결정을 내릴 때 제조 또는 프로세스 엔지니어링에 반드시 노출되지 않았을 수도 있는 내용을 기반으로 결정을 내릴 수 있습니다. 그들은 모델이 작동한다는 사실, 이유, 그리고 주목해야 할 주요 매개변수에 더 관심을 가질 수 있습니다. 그것이 작품을 설명할 때 초점이 됩니다.
나의 엔지니어링 배경은 또한 무엇을 해야 할지, 어디에 중점을 두어야 할지 아는 데 약간 도움이 됩니다. 모든 모델은 어떤 면에서는 나쁘지만 어떤 모델은 유용하다는 말이 있습니다. 제품 엔지니어였기 때문에 무엇이 유용할지 파악하기가 더 쉽다고 생각합니다. 그래서 나는 여전히 유용한 나쁜 모델을 만들 수 있습니다!
메그: 데이터 과학자와 엔지니어의 의사소통 방식이 다르기 때문에 회의적인 태도를 많이 보셨나요? 도메인 전문가의 눈에는 어떤 개념 증명이 가장 설득력이 있다고 생각하시나요?
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 꽤 어리기 때문에 우리는 아직 꽤 어리다고 생각합니다. 우리는 여전히 우리가 어디에 적합한지 배우고 이를 옹호하고 있으며, 우리가 사용할 수 있는 고급 기술 중 일부를 아직 신뢰하지 않는 사람들을 만나게 됩니다. 그들은 여전히 그것이 실제로 작동하는 것을 볼 필요가 있습니다. 우리는 환자의 삶에 영향을 미치는 의료 진단 장치를 만들기 때문에 공평합니다. 따라서 이러한 유형의 신중한 접근 방식은 확실히 보장되고 필요합니다!
전반적으로 더 발전된 기술을 받아들이는 데는 시간이 걸릴 수 있다고 말하고 싶습니다. 우리는 문제가 발생하면 문제를 일으키는 것이 더 발전된 기술이 아니라는 점을 보여줘야 했습니다. 항상 분석을 옹호하는 것처럼 느껴질 수 있습니다. 하지만 그 과정을 여러 번 거치다 보면, 문제가 생겼을 때 그것이 단순히 모델의 이상이 아니라 실제로 해결해야 할 문제라는 확신을 갖게 됩니다.
많은 경우에 우리는 여러 가지 상황과 극단적인 경우를 살펴봅니다. 그리고 이를 위해서는 데이터를 수집하고 새로운 기술이 정확하고 정확하게 수행될 수 있다는 증거를 개발하는 데 시간을 투자해야 합니다. 웃으면서 말하지만 때로는 특정 상황을 살펴보라는 요청을 받고 "글쎄, 물론 모델도 그럴 수 있지"라고 말할 때 좌절감을 느낄 수 있습니다. 모든 것은 의사소통으로 돌아옵니다.
모델링 기술이 더욱 발전함에 따라 무슨 일이 일어나고 있는지 확실히 전달하고 싶을 것입니다. 그리고 오랫동안 이 맥락에서 일해 온 도메인 전문가가 당신에게 가져올 흥미로운 상황이 있다는 것을 깨달아야 합니다. 생각하지 못한 부분이 있을 수도 있습니다. 이런 종류의 작업을 수행하면 실제로 당신도 테스트됩니다. 그러나 결과적으로 훨씬 더 강력한 분석과 모델이 탄생하므로 면밀한 조사에 감사드립니다.
마지막으로, 사람들에게는 시간이 충분하지 않기 때문에 통계적 접근 방식이나 일부 고급 분석을 사용하면 시간을 절약할 수 있다는 점을 강조하는 것이 좋습니다. 우리는 시간을 절약할 수 있는 모델과 도구를 만들 수 있으며, 더 강력한 경우가 많습니다. 또한 사람들이 더 빠르게 결정을 내리는 데 필요한 정보를 얻는 데 도움이 될 수도 있습니다.
메그: 경영진이 지원해 주었나요?
레바니아: 예. 새로운 도구나 접근 방식을 시도하는 모든 팀과 마찬가지로 경영진은 먼저 무엇을 할 수 있는지 확인하고 싶어합니다. 우리는 여전히 [Siemens Healthineers의 리더십]이 우리가 무엇을 할 수 있는지 확인할 수 있는 자유를 제공하는 단계에 있습니다. 그리고 그들은 비즈니스에도 도움이 될 해결해야 할 흥미로운 문제를 제시함으로써 우리에게 올바른 방향을 제시합니다.
지금은 업계에 상관없이 모든 사람이 어디에나 너무 많은 데이터가 있다는 것과 이를 올바르게 분석하면 많은 일을 할 수 있다는 사실을 배우고 있습니다. 비용을 절감하고, 예측 가능성을 높이고, 신뢰성을 높일 수 있습니다. 조직이 성장함에 따라, 특히 코로나19로 인한 의료 분야에서 우리는 생산량을 늘리고 어떻게 더 효율적일 수 있는지 생각해야 한다고 생각합니다. 공급망과 같은 영역에서도 팀은 데이터를 더 잘 사용할 수 있는 방법에 대해 생각하고 있습니다.
메그: 현장이 발전함에 따라 교육은 어떤 역할을 해야 합니까?
레바니아: 데이터 과학자가 되기 위해 정식 교육을 받을 필요는 없다고 생각합니다. 사람들은 우리가 이 유행하는 용어를 사용하기 훨씬 전에 데이터 과학을 하고 있었습니다. 단지 우리가 지금 그것을 레이블로 붙인 것뿐입니다.
즉, 제 역할 중 하나는 훈련을 지원하는 것입니다. JMP 우리가 사용하는 도구입니다. 사람들이 처음에 데이터를 사용하여 수행하는 방법을 배우고 싶어하는지 생각해 보십시오. 그들은 데이터를 시각화하고, 이상값에 레이블을 지정하고, 그래프를 작성하고, 표를 작성하기를 원합니다. JMP는 이 모든 작업을 매우 빠르고 쉽게 수행하며 이를 수행하기 위해 많은 교육이 필요하지 않습니다!
JMP를 사용하면 더 빠르게 움직일 수 있습니다. 솔직히 말해서 이는 데이터 랭글링 및 데이터 시각화를 위해 제가 본 최고의 도구 중 하나입니다. Python이나 R을 다운로드할 필요도 없고 코딩 방법을 이해할 필요도 없습니다.
메그: "데이터 활용 능력"이라는 용어를 언급하셨는데, 2~5년 후 Siemens Healthineers에 대한 귀하의 비전이 무엇인지 궁금합니다.
레바니아: 나는 함께 일하는 사람들이 그들의 데이터에 대해 더 많이 생각하고 그들의 데이터 활용 능력에 대해 생각하도록 영감을 줄 수 있기를 바랍니다. 나는 그것이 더 공통된 언어가 되기를 바랍니다. 우리는 동일한 용어를 사용합니다. 우리는 문제에 비슷하게 접근합니다. 우리는 고려해야 할 사항을 이해합니다.
데이터 시각화처럼 간단한 것조차도 문제와 잡음의 차이를 훨씬 더 쉽게 이해할 수 있는 경우가 있습니다. 또한 데이터에 대한 이러한 사고 방식을 프로세스에 통합하여 데이터가 항상 백그라운드에 있도록 할 수 있습니다. 프로세스의 시작부터 끝까지 데이터를 볼 수 있습니다.
예를 들어 어떤 핵심 지표가 실패를 유발하는지 파악할 수 있다면 실패가 발생하기 전에 추세를 파악하고 사전에 조정할 수 있습니다. 앞으로는 우리 사이트 또는 전체 조직이 데이터에 대해 더 많이 생각하기를 바랍니다. 생각 해보세요. 잠시 앉아서 가지고 놀면서 그래프를 만든 다음 이를 사용하여 질문에 답하는 데 도움을 줄 수도 있습니다. 그리고 우리는 거기에 도달하고 있습니다.
메그: 데이터에 접근하고 생각하는 모범 사례를 표준화하는 데 자동화를 사용하고 있나요?
레바니아: 물론이죠. 우리 사이트에는 JMP를 많이 사용하는 팀이 두세 개 정도 있습니다. 우리는 만들었습니다 우리를 위해 반복적인 작업을 수행하는 스크립트 , 매우 유용합니다. JMP에서는 스크립트를 저장하고 다른 곳에서 실행할 수 있습니다. 그리고 이를 다른 사람과 공유할 수 있습니다. 처음부터 무언가를 수행하는 대신 자동화된 프로세스를 사용할 수 있으므로 확실히 역량 구축에 도움이 됩니다. 매우 유용합니다.
메그: 당신의 경험이 궁금합니다. JMP 얼리 어답터 프로그램 .
레바니아: 저는 몇 년 전에 가입했는데, 개발 중인 새로운 기능을 볼 수 있고 해당 기능에 대한 의견을 제시할 수 있어서 정말 마음에 듭니다. 때때로 JMP의 새 버전에서 귀하의 의견이 반영되는 것을 볼 수 있습니다. 그리고 원하는 것이 나오지 않을 때도 있고, "어, 좀 실망스럽다"라고 할 때도 있어요 - 하!
저는 JMP가 대화를 이어가는 데 매우 효과적이라고 생각합니다. 항상 도움을 드릴 수 있는 [JMP 시스템 엔지니어링 팀]이 있으며, 그들에게 데이터를 보내실 수 있습니다. 또한 있다 세미나 , JMP 16에서 몇 가지 문제가 발생했을 때 고객 서비스 매우 좋았습니다. 우리는 데이터를 만나서 보여주고, 무슨 일이 일어나고 있는지 대화형으로 파악하고 버그를 신고할 수 있었습니다. JMP가 실제로 문제를 해결하기 위해 노력하고 있다고 느끼기 때문에 우리와 함께 왔다 갔다 하는 점이 마음에 듭니다.
나는 또한 당신이 너무 자주 연락할 수 있고 피드백이 많은 경우 거의 즉각적이라는 사실에 놀랐습니다. [ JMP 온라인 커뮤니티 ] 포럼은 우리가 더 많은 스크립팅을 시작하는 시점에 큰 도움이 되었습니다. 사실, 나는 그 포럼이 나에게 많은 도움을 주었고 지금도 그렇게 하고 있기 때문에 아마도 그 포럼에 더 많이 기여해야 할 것입니다.
메그: 마무리하자면, 이제 막 경력을 시작하는 사람에게 경력, JMP, 어쩌면 교육에 관해 어떤 조언을 해주실 수 있을까요?
레바니아: JMP는 교육 리소스를 정말 잘 활용하고 있습니다. 온라인에는 매우 훌륭한 비디오와 교육이 있습니다. [ 산업 문제 해결을 위한 통계적 사고(STIPS) ]는 바로 당신을 위한 완벽한 시스템과 같습니다. 실제로 우리는 신입사원들에게 STIPS부터 시작하라고 요청합니다. JMP를 이제 막 시작했다면 정말 좋은 기반이 될 것입니다.
데이터 과학자가 되고 싶다면 공식적인 교육이 필요하지 않다는 조언을 드립니다. 데이터에 대한 호기심만 있으면 됩니다. 실제로 많은 사람들이 이를 깨닫지 못한 채 데이터 분석 업무를 수행하고 있습니다. 데이터 기반 의사결정에 관심이 있는 사람이라면 누구나 스스로를 데이터 과학자라고 부를 수 있습니다. 실제로 해야 할 일은 데이터에 더 많은 시간을 보내는 것뿐입니다. 그렇습니다. 도구와 기술도 이해해야 합니다. 이는 데이터 과학을 쉽게 만들어주는 JMP와 같은 도구에서 시작됩니다. 특히 정규 교육을 받지 않은 경우에는 더욱 그렇습니다.
요약하자면, 데이터를 분석하면서 흥미롭거나 대담한 일을 하는 것을 두려워하지 마십시오. 왜냐하면 데이터를 찾지 않으면 어떤 이야기를 들려줄 수 있는지 알 수 없기 때문입니다.
