Lidé v obou těchto rolích musí mít nadšení pro neustálé vzdělávání – technologie se totiž neustále vyvíjejí, upozorňuje článek na webu mckinsey.com.
Experti na strojové učení
Tito softwaroví inženýři si umějí hrát s daty a také dovedou pracovat ve škálovatelných výpočetních prostředích (Cloud, Hadoop atd.). Když potřebují, dovedou upravit algoritmy. A algoritmy strojového učení umějí dobře používat, protože:
- Umějí vybrat ten správný model a zvolit proceduru učení tak, aby nejlépe odpovídala dostupným datům.
- Vědí, jaké kompromisy se pojí s tím kterým přístupem.
- Dovedou si představit, jak jednotlivé parametry ovlivňují strojové učení.
Data, která se používají, jsou často data zákaznická (zdrojem jsou sociální média nebo záznamy o objednávkách). Algoritmy strojového učení zde mohou pomoci. Hodnocením souborů dat a nalezením schémat a trendů je možné vybrat ta správná data, která jsou pro algoritmy strojového učení vhodná.
DevOps odborníci (odborníci na integraci vývoje a provozních aktivit)
DevOps je výraz složený z anglických slov development (vývoj) a operations (provoz). Znamená pracovní postup, který integruje spolupráci mezi vývojovými a provozními týmy.DevOps odborníci řídí digitální zdroje. Tato role vznikla s tím, jak se rozrůstá nabídka cloudové infrastruktury. Infrastrukturní zdroje (sítě, servery, sklady, aplikace a další služby) jsou dnes často poskytovány externě. Firmy proto potřebují své DevOps inženýry, kteří se v této oblasti vyznají.
Tito pracovníci vlastně vytvářejí nástroje, se kterými pak pracují vývojáři. Ti tak mají infrastrukturní zdroje k dispozici – stačí, aby klikli na příslušné tlačítko. Tradiční procesy přidělování dalších digitálních zdrojů byly zdlouhavé a komplikované.
Měli by umět používat technologie, které v oblasti infrastruktury umožňují automatizaci (Chef, Puppet a další), cloudové platformy (AWS, Azure a jiné) a pár dalších věcí. Musejí být také partnery svým kolegům z byznysu, aby jim mohli pomáhat řešit problémy tak, jak vyvstávají.
-jk-