出品 | CDA數(shù)據(jù)分析研究院

來源 | 《Data Scientists at Work》

本系列整理對世界頂尖數(shù)據(jù)科學(xué)家們的訪談記錄。讓我們一起來領(lǐng)略他們對數(shù)據(jù)科學(xué)的理解和看法。

采訪的第一位嘉賓是Chris Wiggins。

Chris Wiggins是《紐約時報》的首席數(shù)據(jù)科學(xué)家，哥倫比亞大學(xué)應(yīng)用數(shù)學(xué)副教授。

Chris Wiggins在《紐約時報》工作期間，正在創(chuàng)建一個機(jī)器學(xué)習(xí)小組，分析記者制作的內(nèi)容、讀者消費文章所產(chǎn)生的數(shù)據(jù)，以及更廣泛的讀者導(dǎo)航模式所產(chǎn)生的數(shù)據(jù)，其首要目標(biāo)是更好地傾聽《紐約時報》消費者的聲音，并重新思考未來100年的新聞業(yè)將會是什么樣子。

在哥倫比亞大學(xué)，Chris Wiggins專注于將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于生物大數(shù)據(jù)研究。這包括對自然發(fā)生的網(wǎng)絡(luò)的分析，應(yīng)用于生物時間序列數(shù)據(jù)的統(tǒng)計推斷，以及計算生物學(xué)中的大規(guī)模序列信息學(xué)。作為他在哥倫比亞大學(xué)工作的一部分，他是該大學(xué)數(shù)據(jù)科學(xué)與工程研究所(IDSE)和系統(tǒng)生物學(xué)系的創(chuàng)始成員。以下是采訪Chris Wiggins的對話整理內(nèi)容。

您在哪里工作？

我在哥倫比亞大學(xué)(Columbia University)和《紐約時報》(New York Times)之間度過了一段時間。我在哥倫比亞大學(xué)擔(dān)任應(yīng)用數(shù)學(xué)副教授，在《紐約時報》擔(dān)任首席數(shù)據(jù)科學(xué)家。

我可以長時間地談?wù)撁總€機(jī)構(gòu)。作為背景，我對紐約有著長久的愛。上世紀(jì)80年代，我作為一名本科生來到紐約上哥倫比亞大學(xué)。我認(rèn)為哥倫比亞大學(xué)本身就是一個偉大的實驗，看看你能否在紐約市的實驗中培養(yǎng)一個常春藤盟校的教育和一個強(qiáng)大的科學(xué)研究社區(qū)，紐約市充滿了興奮、分心和變化，最重要的是，充滿了人性。哥倫比亞大學(xué)是一個非常令人興奮和充滿活力的地方，充滿了非常具有顛覆性的學(xué)生和校友，包括我自己，而且已經(jīng)有幾個世紀(jì)了。

《紐約時報》也有上百年的歷史。這是一家有著163年歷史的公司，我認(rèn)為它也代表了一套我堅信的價值觀，而且與我非常喜歡的紐約有著非常緊密的聯(lián)系。每當(dāng)我想到《紐約時報》，我就會想到托馬斯·杰斐遜(Thomas jefferson)所表達(dá)的一種觀點:如果你可以在經(jīng)營良好的民主與經(jīng)營不良的媒體之間做出選擇，或者在經(jīng)營良好的媒體與經(jīng)營不良的民主之間做出選擇，他寧愿選擇經(jīng)營良好的媒體。你們需要一個經(jīng)營良好的新聞媒體和一個良好的新聞文化，以培育和確保民主的存續(xù)。

數(shù)據(jù)科學(xué)如何與您的工作相適應(yīng)?

我想說，在數(shù)據(jù)科學(xué)、學(xué)術(shù)界和《紐約時報》工作是一個令人興奮的時刻。數(shù)據(jù)科學(xué)現(xiàn)在已經(jīng)成為一個學(xué)術(shù)領(lǐng)域。你可以在計算統(tǒng)計學(xué)家比爾?克利夫蘭(Bill Cleveland) 2001年的一項提議中找到它的學(xué)術(shù)根源。顯然，你也可以在職位描述中找到數(shù)據(jù)科學(xué)家的根源，最著名的例子是LinkedIn的帕蒂爾(DJ Patil)和facebook的杰夫?哈默巴赫(Jeff Hammerbacher)。然而，在某些方面，知識分子的根源可以追溯到1962年統(tǒng)計學(xué)家約翰?圖基(John Tukey)的著作。

半個世紀(jì)以來，學(xué)術(shù)界一直在醞釀著這樣一種現(xiàn)象:統(tǒng)計學(xué)作為一個越來越多的數(shù)學(xué)領(lǐng)域，與世界每時每刻都在產(chǎn)生越來越多的數(shù)據(jù)、計算能力隨著時間呈指數(shù)增長這一現(xiàn)實之間的脫節(jié)。越來越多的字段有興趣嘗試從數(shù)據(jù)中學(xué)習(xí)。

我在哥倫比亞大學(xué)(Columbia university)過去10年或更長時間里的研究一直是我們現(xiàn)在所說的“數(shù)據(jù)科學(xué)”——我過去常稱之為“應(yīng)用于生物學(xué)的機(jī)器學(xué)習(xí)”，但現(xiàn)在可能被稱為“自然科學(xué)中的數(shù)據(jù)科學(xué)”。“我們的目標(biāo)是與具有領(lǐng)域?qū)ｉL的人合作——甚至沒有必要——非常定量的或數(shù)學(xué)領(lǐng)域的專長——這些專長是在數(shù)十年的實踐中積累起來的，涉及生物學(xué)工作中一些實際問題，這些問題很復(fù)雜，但肯定不是隨機(jī)的。處理這些問題的社區(qū)發(fā)現(xiàn)自己越來越被數(shù)據(jù)淹沒。

所以這里有一個智力上的挑戰(zhàn)并不完全是機(jī)器學(xué)習(xí)的智力上的挑戰(zhàn)。更大的智力挑戰(zhàn)是嘗試使用機(jī)器學(xué)習(xí)來回答來自真實世界領(lǐng)域的問題。很長一段時間以來，在生物學(xué)領(lǐng)域的研究一直很令人興奮。

能在《紐約時報》工作也令人興奮，因為《紐約時報》是規(guī)模更大、經(jīng)濟(jì)更穩(wěn)定的出版商之一，同時捍衛(wèi)民主，并在歷史上為新聞?wù)\信設(shè)置了很高的標(biāo)準(zhǔn)。他們通過幾十年甚至幾百年強(qiáng)烈的自我反省來做到這一點。他們不怕質(zhì)疑公司的原則、選擇，甚至是領(lǐng)導(dǎo)層，我認(rèn)為這創(chuàng)造了一種非常健康的知識文化。

與此同時，盡管作為出版商，它的經(jīng)濟(jì)實力很強(qiáng)，但過去兩個世紀(jì)左右的出版商業(yè)模式在過去10年里已經(jīng)完全消失;超過70%的平面廣告收入直接蒸發(fā)了，最急劇的蒸發(fā)發(fā)生在2004年2月左右。因此，盡管這棟大樓里擠滿了非常聰明的人，但就如何定義可持續(xù)新聞的未來而言，它正在經(jīng)歷一場明顯的巨變。

目前的領(lǐng)導(dǎo)層，一直到記者，都非常好奇“數(shù)字”。這意味著:當(dāng)你把新聞與傳播媒介分離開來時，它會是什么樣子?甚至“報紙”這個詞都不會涉及到報紙。報紙對《紐約時報》來說仍然非常重要，不僅是事物的組織方式，甚至是日常日程的組織方式，而且在概念上也是如此。與此同時，我認(rèn)為這里有很多非常有遠(yuǎn)見的人，包括記者和技術(shù)人員，他們開始使《紐約時報》傳播新聞的方式多樣化。

要做到這一點，你需要不斷地做實驗。如果你在做實驗，你需要測量一些東西。

在2014年，你衡量事物的方式，是通過人們對產(chǎn)品的投入程度。因此，從weblog到每次有人與移動應(yīng)用程序交互的活動，這家公司都能獲得大量的數(shù)據(jù)來弄清楚:讀者想要什么?他們看重的是什么?當(dāng)然，這個答案可能是動態(tài)的。有可能，2014年讀者想要的與2013年或2004年截然不同。因此，我們在數(shù)據(jù)科學(xué)小組中要做的就是從《紐約時報》收集的大量數(shù)據(jù)中學(xué)習(xí)，并使之有意義。

您是什么時候意識到想以數(shù)據(jù)科學(xué)為職業(yè)？

有一天，我在研究生院和其他一些研究生一起吃午飯的時候。

一名研究生走進(jìn)布拉哈德，他的基因組是第一個自由測序的活體。這是一種100年前就被發(fā)現(xiàn)的病原體。但是，把某樣?xùn)|西按順序排列意味著，你從有它的圖片，或者你把東西倒在上面，然后它可能變成藍(lán)色的實驗，到有了電話簿上有價值的信息。不幸的是，這些信息是用我們沒有選擇的語言寫的，只是一個四個字母的字母表。

這就引出了一個統(tǒng)計和科學(xué)的問題:你如何理解這些豐富的信息?

我們有數(shù)據(jù)。我們已經(jīng)用了100年了。我們知道它的作用，現(xiàn)在我們面對的是一種完全不同的方式來理解數(shù)據(jù)。

上世紀(jì)90年代初，當(dāng)我開始攻讀博士學(xué)位時，我正在研究物理學(xué)家的建模風(fēng)格，即尋找簡單的問題，在這些問題中，簡單的模型可以揭示洞察力。物理學(xué)和生物學(xué)之間的關(guān)系在不斷發(fā)展，但在性質(zhì)上卻受到了限制，因為物理學(xué)家建模的風(fēng)格通常是試圖確定一個問題，這個問題是關(guān)鍵要素，是關(guān)鍵的簡化描述，它允許基本的建模。突然把電話簿放在桌上，然后說“讓他有意義”，這是一種完全不同的理解方式。在某種程度上，它與物理學(xué)家所推崇的基本模型背道而馳。那就是我開始學(xué)習(xí)學(xué)習(xí)的時候。

幸運(yùn)的是，物理學(xué)家也很擅長進(jìn)入其他領(lǐng)域。我有很多文化經(jīng)紀(jì)人，我可以以其他物理學(xué)家的形式去找他們，他們勇敢地投身于計算神經(jīng)科學(xué)或其他領(lǐng)域，在這些領(lǐng)域，科學(xué)領(lǐng)域與如何理解數(shù)據(jù)之間已經(jīng)建立了良好的關(guān)系。事實上，機(jī)器學(xué)習(xí)中最杰出的會議之一叫做nipand, N代表“神經(jīng)科學(xué)”。在基因組學(xué)出現(xiàn)之前，這個群體就已經(jīng)在嘗試我們現(xiàn)在所說的“數(shù)據(jù)科學(xué)”，也就是用數(shù)據(jù)來回答科學(xué)問題。

上世紀(jì)90年代末，當(dāng)我完成我的博士學(xué)位時，我對這個不斷增長的關(guān)于人們提出生物學(xué)統(tǒng)計問題的文獻(xiàn)非常感興趣。不能把小麥從谷殼中分離出來，真使我惱火。當(dāng)我讀這些論文的時候，真正把小麥和谷殼區(qū)分開來的唯一方法就是自己動手寫論文，試著找出哪些是可行的，哪些是不可行的。學(xué)術(shù)界有時在揭示什么是小麥，什么是谷殼方面進(jìn)展緩慢，但最終它做得非常好。論文數(shù)量激增，幾年后，人們意識到哪些東西是金子，哪些東西是傻瓜的金子。我認(rèn)為現(xiàn)在有一個潮流就是，人們使用機(jī)器學(xué)習(xí)來回答科學(xué)問題。

對您來說，數(shù)據(jù)科學(xué)中最令人興奮的事情是什么?

對我來說最令人興奮的事情不是新事物。

對我來說最令人興奮的事情是意識到每個人都認(rèn)為的新事物實際上是舊事物。

關(guān)于這個叫做“數(shù)據(jù)科學(xué)”的新事物有很多令人興奮的地方。“我認(rèn)為去看那些比Tukey還要古老的統(tǒng)計數(shù)據(jù)真的很有趣。例如，Sewall Wright在20世紀(jì)20年代使用圖形化的遺傳學(xué)模型。真正讓我興奮的不是新奇的東西。它特別圍繞著思想，而不是太多的東西，因為，再說一遍，人，思想，和事物的順序。改變的事情。當(dāng)我們認(rèn)為自己有了一個新想法時，這是很有趣的，但通常我們隨后意識到這個想法實際上是非常古老的。你對此有所了解，這就非常棒。

例如，隨機(jī)優(yōu)化和隨機(jī)梯度下降，在過去的5年里取得了巨大的成功，但是它們來自于羅賓斯和蒙羅在1951年1月12日寫的一篇論文，這是一個好主意，但事實上，我認(rèn)為這是一個好主意意味著很久以前有人用鉛筆在紙上仔細(xì)思考過。試著通過數(shù)據(jù)和你的電腦來了解這個世界是個好主意。這就是為什么圖基在1962年寫了一篇關(guān)于統(tǒng)計的文章，當(dāng)時他命令每個人重新定位統(tǒng)計學(xué)作為一門專業(yè)學(xué)科。1962年，他寫了一篇名為《數(shù)據(jù)分析的未來》(The Future of Data Analysis)的文章。

上世紀(jì)90年代，里奧?布雷曼(Leo Breiman)一直在給他的統(tǒng)計學(xué)家社區(qū)寫信，“讓我們用數(shù)據(jù)，統(tǒng)計社區(qū)!”上世紀(jì)90年代末，他在寫論文，告訴他所有的同事們開始研究數(shù)據(jù)科學(xué)——這就像他走進(jìn)荒野，回來后對伯克利的每個人說，伯克利是最早的數(shù)理統(tǒng)計學(xué)院之一，“你們需要醒過來，因為它著火了。你們還在證明定理。外面著火了。醒醒!”

我認(rèn)為人們有一個傳統(tǒng)，那就是通過數(shù)據(jù)來理解世界是多么的強(qiáng)大，多么的不同。

“數(shù)據(jù)至上”是伯克利大學(xué)的一位數(shù)理統(tǒng)計學(xué)家在很久以前就用過的一個詞，伯克利大學(xué)強(qiáng)調(diào)的這種根深蒂固的傳統(tǒng)是通過2001年從約翰·圖基到里奧·布雷曼再到比爾·克利夫蘭的這種極端思想而延續(xù)下來的。他們中的一些人認(rèn)為自己是正統(tǒng)的統(tǒng)計學(xué)家，盡管他們是相當(dāng)極端的人。因為統(tǒng)計學(xué)每五年就會在數(shù)學(xué)上翻一番，因為數(shù)學(xué)的起源使統(tǒng)計學(xué)成為一個真正的領(lǐng)域。

這就是我認(rèn)為最令人興奮的事情——不要被今天的事情分心，而要找到那些比你年長得多的人和他們的世界觀。

數(shù)據(jù)科學(xué)的未來會是什么樣子?

數(shù)據(jù)科學(xué)的未來，這是一個很大的話題，是它的形式？還是它的內(nèi)容呢？還是去使用它的人呢？他們的未來都是不一樣的。

我認(rèn)為數(shù)據(jù)科學(xué)沒有理由不像其他許多領(lǐng)域那樣遵循同樣的過程，因為它在學(xué)術(shù)界找到了歸宿，這意味著它成為一種認(rèn)證功能，尤其是在專業(yè)領(lǐng)域。你將獲得碩士學(xué)位和博士學(xué)位。該領(lǐng)域?qū)⒕哂幸饬x，但也將具有專門性。您已經(jīng)看到人們使用“數(shù)據(jù)工程”和“數(shù)據(jù)科學(xué)”這兩個短語作為分隔符。我在《紐約時報》的團(tuán)隊是數(shù)據(jù)科學(xué)組，它是數(shù)據(jù)科學(xué)與工程更大團(tuán)隊的一部分。人們開始理解數(shù)據(jù)科學(xué)團(tuán)隊如何涉及數(shù)據(jù)科學(xué)、特征工程、數(shù)據(jù)可視化和數(shù)據(jù)體系結(jié)構(gòu)。

數(shù)據(jù)還不是一種產(chǎn)品，但如果你看一下，比如說，數(shù)據(jù)科學(xué)是如何在linkedin發(fā)生的——數(shù)據(jù)科學(xué)是如何通過產(chǎn)品層次結(jié)構(gòu)報告出來的。在其他公司，數(shù)據(jù)科學(xué)通過業(yè)務(wù)報告;或者it通過工程報告。現(xiàn)在我身處《紐約時報》的工程部門，獨立于產(chǎn)品，獨立于營銷，獨立于廣告。不同的公司在不同的部門定位數(shù)據(jù)科學(xué)。

所以我認(rèn)為會有資格認(rèn)證，我認(rèn)為會有專業(yè)化。紐菲爾德誕生了——我不會一直這么說，因為按照現(xiàn)實世界的標(biāo)準(zhǔn)，學(xué)術(shù)界從來沒有發(fā)生過什么事情——但大學(xué)里每隔幾年就會誕生新的院系。它發(fā)生的方式是創(chuàng)建新字段的一部分。我已經(jīng)長大了，我有幸目睹了，比如說，系統(tǒng)生物學(xué)作為一個領(lǐng)域誕生，合成生物學(xué)作為一個領(lǐng)域誕生，甚至納米科學(xué)作為一個領(lǐng)域誕生。我在20世紀(jì)80年代的第一個研究項目是在一片混亂中進(jìn)行的，而那個時候正是一個新的領(lǐng)域誕生的時候。詹姆斯·格萊克(James Gleick)當(dāng)時為《紐約時報》撰寫了一本關(guān)于這方面的著名著作，名為《混亂:創(chuàng)造新科學(xué)》(Chaos:Making a New science)。只是和現(xiàn)實世界的節(jié)奏相比，它實在是太慢了，我認(rèn)為這是最好的。年輕人的未來危在旦夕，所以我認(rèn)為情況其實沒那么糟。

因此，我認(rèn)為數(shù)據(jù)科學(xué)的未來是成為學(xué)術(shù)界的一部分，這意味著不同大學(xué)之間就什么是真正的數(shù)據(jù)科學(xué)展開激烈而有爭議的對話。你已經(jīng)開始看到這方面的工作了。例如，在哥倫比亞大學(xué)，我的一位名叫馬特·瓊斯的同事，他是一位歷史學(xué)家，正在寫一本關(guān)于機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)歷史的書。所以你已經(jīng)開始看到人們意識到數(shù)據(jù)科學(xué)并不是在2008年從真空中誕生的。從智力上講，我們所有的數(shù)據(jù)科學(xué)都已經(jīng)意識到——也就是說，在統(tǒng)計和機(jī)器學(xué)習(xí)之間存在鴻溝，還有一些其他的東西。所以我認(rèn)為人們會更加欣賞歷史。

當(dāng)一個領(lǐng)域成為一個學(xué)術(shù)領(lǐng)域時，會發(fā)生三件主要的事情——

• 設(shè)置一個學(xué)術(shù)標(biāo)準(zhǔn)，
• 啟動一個認(rèn)證過程，
• 歷史研究提供了該領(lǐng)域的背景。

學(xué)術(shù)經(jīng)典是一組我們認(rèn)為是該領(lǐng)域核心知識分子的課程。最后，通過對歷史的研究，我們可以了解當(dāng)時的背景:這些想法從何而來?

當(dāng)人們使用的名稱和短語變得更有意義時，你就有了專業(yè)化的可能性，因為我們現(xiàn)在所擁有的是，當(dāng)人們說“數(shù)據(jù)科學(xué)”時，他們可能意味著許多事情。

它們可能意味著數(shù)據(jù)可視化、特征工程、數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)或其他一些東西。隨著技術(shù)本身的使用更加細(xì)化，我認(rèn)為您你會看到團(tuán)隊更加高效的專門化。你不可能有這樣一個足球隊，每個人都說:“我是一個鄉(xiāng)巴佬。”“有人需要成為定位球手，有人需要成為持球手，有人需要成為后衛(wèi)。當(dāng)人們開始專業(yè)化的時候，你就可以通過了。你可以與人進(jìn)行有意義的合作，因為人們知道他們的角色和“完成的任務(wù)”是什么樣子的。

現(xiàn)在，我認(rèn)為未來數(shù)據(jù)科學(xué)究竟是什么樣子還有待觀察，但是能確定的是走向?qū)I(yè)化的細(xì)分。