Anna Tveit, Data scientist
Hvilke typer opgaver sidder du typisk med til daglig?
Som Data scientist i Machine Learning-fagligheden i Udviklings- og Forenklingsstyrelsen udvikler og udforsker vi machine learning-løsninger, som er med til at gøre Skatteforvaltningen mere data- og analysedrevet. Vi arbejder i projekter, som handler om hele processen i at udvikle machine learning-modeller. Derfor er mine opgaver meget alsidige og ændrer sig alt efter, hvor i processen vi er.
Med rollen som data scientist betyder det oftest, at vi er med hele vejen i et projekt, og vi skal derfor have fokus på en samlet løsning; fra forståelse af forretningssituationen til udarbejdelse af løsningsforslag, indsamling og tilpasning af data, modelvalg og overvejelser om det endelige produkt for slutbrugeren.
I alle dele af processen er det også en vigtig opgave at formidle arbejdet og fremdriften til forretningen. Her handler det om at forklare de vigtigste dele i vores tekniske arbejde på en måde, der giver mening for kolleger, der ikke nødvendigvis har en teknisk baggrund.
Hvordan bruger du din uddannelse i din nuværende stilling?
Jeg har en baggrund fra DTU med en kandidat inden for vedvarende energi, dertil med en del programmeringsfag. Det primære udbytte, jeg har fået fra min uddannelse i forhold til min nuværende stilling, er at arbejde systematisk og logisk med tekniske problemer. Dataforståelse, rensning og feature engineering, som tager en meget stor del af min arbejdstid, er noget jeg også beskæftigede mig med på DTU.
Vi arbejder agilt og sidder medarbejdere med forskellige fagligheder samlet i et team. Derfor kræver det koordinering for at være sikker på, at vi alle bevæger os det rigtige sted hen. Studiemiljøet på DTU var præget af mange forskellige baggrunde, nationaliteter osv., der skal indgå i et samarbejde. Jeg er derfor godt klædt på til at indgå i vores faglighed, hvor vi både er fysikere, økonomer, matematikere og ingeniører.
Hvordan er det faglige niveau og ansvarsmulighederne?
Jeg synes hurtigt, jeg fik tildelt ansvar, da jeg startede i min stilling. Rollen som data scientist tillader nemlig, at man får lov til at træde direkte ind i et projekt, hvor man naturligt kan opbygge viden og begynde at tage ansvar.
Det tekniske niveau i vores faglighed er meget højt. Her sidder en masse engagerede mennesker, som er drevet af at skabe mening gennem arbejdet med data. Der er en naturlig interesse for machine learning, og tiden på kontoret – hvad enten det er hjemme eller på arbejdspladsen - har allerede givet mig godt kendskab til data i Skatteforvaltningen.
I forbindelse med vores agile transformation er der oprettet et netværk på tværs af hele styrelsen for data scientists, som skal sikre, at vi har mulighed for at videndele og få faglig sparring med andre kolleger i styrelsen, der også arbejder som data scientists. Det har allerede resulteret i mere faglig sparring og et højere fagligt niveau.
Machine Learning-fagligheden er langt fremme i forhold til at standardisere udvikling af machine learning-modeller. Der bliver tænkt grundigt over form, tests og setup, så vi er sikre på, at alle de modeller, vi udvikler, har en vis kvalitet og er skrevet på en måde, så de kan forstås, videreudvikles og driftes af andre.
Som Data Scientist i Udviklings- og Forenklingsstyrelsen får du fra første arbejdsdag muligheden for at dykke ned i en af de største databaser og arbejde med state of the art-machine learning og big data i den gode sags tjeneste
Anna Tveit, Data Scientist
Hvilke værktøjer og programmer bruger du i dit arbejde?
Vi fokuserer på at arbejde med industristandarder i implementeringen af DevOps og MLOps. For eksempel bruger vi Jenkins som orkestreringsværktøj, ELK-stack (elasticsearch, logstash, kibana) til overvågning og loganalysis. Vi bruger også Linux og flere andre Open Source værktøjer.
Vi arbejder på at have en sprogagnostisk platform, som understøtter R og Python, men som gør det muligt at bruge andre sprog og frameworks i fremtiden. Det betyder, at vi arbejder med disse programmeringssprog ud over de sprog, som vi bruger i udviklingen af Analyseplatformen som f.x. Groovy, Bash, Yml blandt andre. Og så har vi også frihed til at vælge nogle udviklingsværktøjer som IDE - i mit tilfælde VIM.
Hvordan vil du beskrive kulturen og de sociale og kollegiale forhold i UFST?
I mit kontor har jeg fundet et fantastisk miljø med et rigtig godt socialt samvær med meget dygtige kollegaer. Ud over de mange gode faglige diskussioner, har vi også flere sociale aktiviteter. Vi har flere arrangementer sammen som Burger-onsdag, bordfodbold, sport i TSI-regi, DHL-løb og ’Vi cykler til arbejde’.