数据科学可以称为是一个“双高”的职业：高薪，高压。

（图源：闪萌）

回顾过往的经历，我犯过一些错误，甚至对自己的职业生涯产生了一定影响。今天将它们分享给各位，希望能有所“借鉴”。

不了解数据科学工作有不同类型

我曾经以“数据科学家”的身份加入一家公司，希望进行预测建模的工作。但是实际上从事的是编写后端应用程序代码的工作。

造成这种偏差的责任在我。

因为此前从事的数据科学工作就是构建模型，我就理所当然的认为新角色也将是如此。

实际上，很多工作虽都称为“数据科学”，但具体要求却有所差别。

（来自Indeed的3种不同的数据科学工作）

浏览数据科学相关的招聘描述，会发现主要分为以下几类：

• 商业情报
• 数据分析
• 机器学习工程
• 数据工程
• 软件工程

所以，在确定入职之前，请尽最大可能的了解其具体细节。面试就是一个很好的机会，可以通过与对方的交流来确定这是否是自己最好的选择。

否则，你可能很快就会再次寻找新的工作。

没有导师

初创公司通常会出现需要在自己并不擅长的领域工作的情况，而当你不了解相关专业的内容时，就很难研究出解决方案。

当时我并不熟悉NLU技术，所以在没有外部帮助的情况下，花了一个月的时间摸索机器学习的问题。

但如果有相关的专业人士支持，可以花费一周的时间就能解决。

没有人能够在没有高级工程师或者指导者的帮助下，从事在像AI这样的高科技领域进行工作。

不承认项目的失败

我曾在现有模型仍然具有较好性能的情况下，花费了两个星期的时间用新模型进行替换。

为了减少损失，我又花了两周的时间进行推测执行来调整，以期改善它。最终没有效果，只能将新模型弃用，白白浪费了时间。

作为数据科学家，有时候会沉浸在专业领域中，可能会忽略掉什么才是公司项目的优先事项。所以如果你在非关键项目中超过了分配的时间，并且不一定保证会成功，最明智的选择就是放弃它。

我们需要明白的一点就是，所执行的众多项目中有一些会以失败而告终，要做的就是承认它并继续前进。

项目结束后不写汇报说明

我后来的工作重点发生了转移，回到了一年半前放弃的NLP项目上。但因为没有对当时的尝试进行复盘，也没有记录完成的相关研究，所以只能从头开始。

在初创公司，工作重点时常会发生转移，有时候项目做一半失败中止，过段时间可能会想再次尝试。

通常我们并不记得项目失败的原因，会忽略保留失败/进行中的项目的重要性。如果对此进行了存储，并有对应内容的链接注释，在第二次尝试项目的时候会加快推进的速度。

延迟寻求帮助

我讨厌浪费大家的时间，比较倾向于在寻求进一步建议之前，先尝试一下资深人士的所有建议。

结果是不得不因此推迟会议。

实际上，在太早或太晚寻求帮助之间有一条很好的界限。

如果有人同意担任你的顾问，他们经验丰富并能提供建议帮助，可以从中获取建议进行尝试，然后跟进情况。

而如果你可以自己解决问题，那就不需要进一步寻求帮助。

（在实际场景中，还存在一类人，他们对于问题不进行思考就直接寻求帮助，那么上述所说的并不适用于此。）

没有结合项目学习

我花了几个月的时间阅读已经忘记的技术和理论的文章，但还是不能避免再次忘记的情况。

而当我将每次学到的知识应用到可运行的应用程序中、发布Jupyter代码或撰写博客文章时，会更快掌握知识并更熟练的运用到工作中。

所以要对自己投入的所有时间负责。

开发VS探索的错误平衡

开发所使用的是你已知的技术，而探索则需要尝试使用新技术，这两者你其实都需要。

有时候对于熟悉的一些机器学习库，会对其缺点产生“免疫”，认为它就是这样，而不会选择跳出“舒适区”探索更好的办法。这样就会导致看到的所有ML问题都存在于自己已知的技术范围内。

所以在开始新问题时，请采用第一性原则来避免探索不足。

（第一性原则解释：

https://en.wikipedia.org/wiki/First_principle）

不编写可重复使用的功能

我选择一个懒惰的人去做困难的工作，是因为他会找到一种简单的方法完成。-比尔盖茨

我遇到过一个面试问题是要求在有限的时间内建立一个标准的NLP管道。

我花了几个小时完成任务，而不是想象中花30分钟神速完成。虽然最终通过了面试，但对此并不满意，这个过程本可以很容易。

这让我得到了一个“教训”，如果发现自己在Jupyter笔记本中多次编写同样的代码，请记得编写自己的可重用模块，这相当于帮了自己一个大忙。

低估领域知识的重要性

我此前有过在制造行业工作的经历，但在建立机器学习管道时，使用了错误功能。

这提醒了一件事情，在软件开发中，通常最被低估的部分就是与行业保持联系并拥有领域知识。

事实上，领域知识比编码技能更难获得，它需要多年的工作经验积累。对此，我有两个建议：

1.如果身为工程师，但对领域知识不感兴，就要当心可能会在某些时候碰壁。

2.企业内至少有一位创始人在针对该产品的行业具有丰富经验时，才可以加入团队。

结论

职业生涯不足以使自己犯很多的错误，一份工作具有极强稳定性的认知已成为过去，我们应该保持学习，相互吸取经验，通过做更多正确的事情来减少犯错的机会，以获得更好的个人职业发展曲线。