Jika, seperti yang dikatakan oleh penulis fiksi ilmiah Arthur C. Clarke, "setiap teknologi yang cukup canggih tidak bisa dibedakan dari sihir," maka terkadang terasa seperti ilmu data dipandang seperti mengeluarkan kelinci dari topi. Narasi ini, tentu saja, salah kaprah. Ini adalah persepsi dari apa yang saya sebut sebagai "keajaiban data", di mana orang percaya bahwa data dapat dipompa ke dalam salah satu ujung "mesin ilmu data" dan widget yang sempurna (solusi untuk masalah semua orang) akan muncul di sisi lain.
Hal ini dikarenakan sebagian besar orang tidak memahami cara kerja data science, dan ketika Anda masuk ke area yang lebih lanjut, seperti deep learning, bahkan banyak data scientist yang mengakui bahwa mereka tidak memahami berbagai tingkat kerumitannya. Tetapi jika Anda seorang ilmuwan data, Anda (sebagian besar) cukup tahu untuk mengetahui kapan Anda berada di luar kemampuan Anda. Di luar komunitas data science, bagaimanapun juga, tidak selalu demikian. Dan itu bisa dimengerti.
Sebagian, itu adalah kesalahan kami sendiri. Ini adalah klub yang sulit; secara historis sulit bagi "orang luar" untuk menembusnya, apalagi memahaminya. Bahasa-bahasa ilmu data telah dipegang erat-erat. Sama seperti Gereja Katolik Roma yang memilih bahasa Latin Gerejawi sebagai bahasa komunikasi inti untuk mengontrol pesan, terutama selama Abad Pertengahan dan memasuki periode awal Modern, kami para ilmuwan data dapat dituduh melakukan hal yang sama - meskipun jelas tidak dalam skala yang sama atau memiliki dampak langsung pada seluruh populasi. Namun, seperti halnya Reformasi pada abad ke-16 yang menyebabkan bahasa menjadi tidak terbelenggu, membuat prinsip-prinsip dari berbagai gereja Kristen menjadi lebih tersedia bagi masyarakat luas, ilmu data sekarang harus memperluas bahasa sehari-hari.ย
Sebuah bahasa bersama akan memungkinkan kita untuk tidak lagi percaya bahwa data scientist memiliki kemampuan mistis untuk menyelesaikan masalah apa pun, dengan menjalankan data melalui lingkungan AI untuk menghasilkan hasil yang diinginkan, seolah-olah dengan sihir. Hal ini akan membantu orang memahami bahwa data science bukanlah obat mujarab yang ajaib.
Faktanya, jika Anda benar-benar menginginkan data science yang canggih, salah satu hal terburuk yang harus dilakukan adalah menugaskan seorang data scientist untuk menyelesaikan masalah yang terisolasi atau ad hoc, karena hal ini akan membuat komunikasi terisolasi dengan menyimpan data science di ruang belakang.
Sebaliknya, cara terbaik untuk mengembangkan ilmu data adalah dengan mengungkap masalah tingkat perusahaan, dengan memahami bahwa, jika dilakukan dengan benar, ilmu data adalah olahraga tim. Memiliki tim multidisiplin yang berdedikasi pada produk atau pelanggan akan memberikan hasil bisnis yang unggul dan mengembangkan pemahaman lintas fungsi. Kelompok yang terdiri dari rekanan komersial, manajer produk, insinyur, ilmuwan data, dan perwakilan dari organisasi fungsional utama lainnya harus dikunci di ruang tanpa gangguan untuk pertemuan yang berfokus pada kebutuhan dan peluang terbesar. Di sinilah keajaiban yang sesungguhnya terjadi.
Namun, pelancong yang sedang dalam perjalanan ini harus menyadari tanda-tanda peringatan. Jika, dalam bekerja dengan klien atau pihak ketiga lainnya dengan semangat kolaborasi, Anda mulai mencari solusi yang dapat dijelaskan kepada semua orang, berhentilah sejenak. Sama seperti pesulap yang tidak membatasi penampilan mereka pada trik-trik dasar, audiens memahami bahwa ilmuwan data tidak boleh menggunakan solusi yang mudah dijelaskan. Dengan sengaja memperhalus prosesnya mungkin memiliki efek tambahan berupa solusi yang kurang optimal untuk masalah tersebut. Ini adalah sebuah keseimbangan.
Keseimbangan tersebut bergantung pada perusahaan yang mempercayai kemampuan ilmuwan data mereka. Ilmuwan data yang dipercaya akan berbagi bahasa sebanyak mungkin, tetapi tidak akan melemahkan solusi ketika hal-hal menjadi terlalu teknis, dan bahwa kami akan selalu setia pada disiplin kami. Inilah jenis kepercayaan dan keseimbangan yang memungkinkan perusahaan berteknologi maju untuk mendapatkan set kebenaran masing-masing.
Artikel ini pertama kali dipublikasikan di Medium.
