美国银行首席数据科学家对获得该领域在职硕士学位的看法
计算机不再像 1980 年代那样。从美国银行控制功能技术部门的首席数据科学家 Dave Joffe 那里得到它。他见证了几十年来技术、数据和计算机科学是如何发展并最终融合的。

Joffe在职业生涯的大部分时间里一直是一名数据科学家，尽管他的根源在于不同类型的科学。他毕业于心理学本科学位，然后在神经生物学实验室工作时发现了对计算机的迷恋。Joffe 首先学会了在实验室的微型计算机上编程，“这开启了一条我无法预见的完整道路，”他告诉《财富》杂志。
在实验室的微型计算机上工作后，Joffe 决定要进行更正规的培训，并回去攻读计算机科学在职硕士学位。这使他获得了在美国银行担任程序员的工作——多年来，他在那里稳步成长为数据科学领导者。
根据 IBM的数据，2020 年估计有 270 万个开放数据分析或数据科学工作岗位，雇主对数据科学家和工程师的需求增长了 39% 。尽管对这些职位的需求很高，但美国银行等顶级公司仍在寻找高质量的候选人来填补空缺职位。事实上，Joffe 回忆起为填补美国银行数据科学职位的候选人长达一年的寻找。
有抱负的数据科学家可以做些什么来为不断变化的数据世界做准备？《财富》杂志最近与 Joffe 坐下来讨论未来数据科学家的重要考虑因素。
为了简洁明了，对以下采访进行了编辑。

财富：当你回去攻读在职硕士学位时，你有哪些选择，你为什么选择你所做的？这与今天有何不同？
Joffe：是的，非常不同。我只知道我需要在我正在做的事情上接受更正式的培训，那就是编程。计算机科学似乎最接近当时正在发生的事情，但这让我走上了一条非常特殊的轨道，我什至不会想到当时存在的另一条轨道——但现在它们正在合并。
我本可以进入数学、应用数学或统计学专业——我本可以获得数学或统计学在职硕士学位。当时，我无法知道这与我正在做的编程高度相关。我只是无法知道这一点。

《财富》：您对当今的数据科学专业人士有何建议？他们应该攻读在职硕士学位吗？
Joffe：尽管所有这些东西的成本很高——那是一个完全独立的讨论——当我这样做时，它们的成本要低得多。尽管如此，答案是肯定的。这种知识很重要。经验如此，技能亦如此。但他们都是混血儿。
高级学位对于建立知识基础非常有帮助。但这将取决于您攻读哪个在职硕士学位，并取决于您感兴趣的混合体（大约四个领域、领域或学科）中的哪一个。
拥有计算机科学在职硕士学位仍然适用，尤其是在数据库编程领域，因为数据科学的本质是它需要大量数据。所以你最好是一个拥有大量数据的优秀程序员。数据科学适用于所有人，但计算机科学将是非常强大的编程技能。
其次是我之前提到的整个领域：统计和机器学习。比如说，数学、应用数学、物理学的在职硕士，或者甚至是生物学的在职硕士。
第三，业务领域知识呢？数据科学是一个有趣的术语。这是一个我实际上不同意的术语，因为它确实是其他东西的科学，数据允许他们做科学。问题不是数据本身，而是数据信息论的科学。
就美国银行而言，它是银行业的科学，属于经济学和金融学以及编程的应用以及确定性和概率性编程技能。前两个使这很有用。因此，如果您是关于业务领域知识的，并且想在那里打下基础，那么具有业务分析的 MBA、业务分析在职硕士学位似乎都适合该领域。
第四——这是最稀缺的领域——我们在这里找不到很多混合技能的人。也就是说，这些领域是如此复杂，以至于沟通和可视化结果以匹配这些复杂工件的能力可能最好由所有这些领域的混合体来追求，即数据科学在职硕士或分析学 MBA。

财富：美国银行在顶级数据科学候选人中寻找什么？
Joffe：当然，我们确实在寻找那些学位，但我想说的是，任何具有各种 STEM 背景以及机器学习经验的本科生——我估计机器学习超过了数据科学中使用的所有技术的 90% . 一场革命正在发生。
如果有人有很多机器学习经验……我们也喜欢这样。我们已经知道，我们需要接受那些通过高级学位在深度知识方面会较弱的人，并且我们在内部进行了很多培训。

《财富》：数据科学家还应该追求哪些其他继续教育机会？
Joffe：我认为，总的来说，如果你是美国银行的数据科学家，美国银行拥有非常有价值的数据，我们非常重视这些数据。所以他们可以获得这种经验。因此，这不仅仅是培训，而是在职。我认为对于获得证书和学位之外的任何人来说极其重要的是获得技能、知识和经验，并在数据中找到有价值的模式。这是关键。
这就是你价值增长的方式。事实证明，那些能够在数据中找到有价值模式的人自己也变得有价值。不过，这意味着他们希望在一家拥有有价值数据的公司工作，这些数据充满价值，以便他们能够获得这种经验。

《财富》：您对有抱负的数据科学家还有什么建议？
Joffe：终身学习对于任何真正想进入这个领域的人来说都很重要，因为这些快速发展的领域的本质是它们发展非常迅速。
因此，我们目前所处领域的终身学习，包括语言处理、无监督学习、强化学习、GANS（代表生成对抗网络）或复杂系统中正在进行的所有伟大工作，现在已经非常有利于气候建模。公平测试、可解释性——这与整个 ESG 公司对环境、社会和治理问题的关注相一致。
所有这些都在迅速发展。您不必了解所有这些，但必须不断学习以跟上这一演变的步伐。