إيه اللي المفروض نتعلمه من المسيرة المهنية القصيرة لعلماء البيانات؟
تخيل معايا: المسمى الوظيفي "Data Scientist" (عالم البيانات) اللي كان أشهر وظيفة في 2010s، على وشك يختفي!
مش معنى كده إن الشغل هينتهي - لأ، بس المسمى الوظيفي هيندمج في "Software Engineer" (مهندس البرمجيات)، بالضبط زي ما عندنا دلوقتي Front-end Engineer و Back-end Engineer.
قبل ما الاندماج ده يحصل، لازم نفهم: ليه حصل انفصال من الأساس؟ وإيه اللي هنتعلمه من التجربة دي؟
الطريق اللي مشيت فيه يحدد وصولك لفين (Path Dependence)
فيه مفهوم في التاريخ الاقتصادي اسمه "Path Dependence" (الاعتماد على المسار):
الفكرة ببساطة: لو عندك مجموعتين بدأوا من نقط مختلفة ومشيوا في طرق مختلفة، حتى لو رايحين لنفس الهدف، هيوصلوا بثقافات وعادات مختلفة تماماً.
مثال من مصر:
- خريج هندسة اشتغل في شركة سوفت وير كبيرة من أول يوم
- خريج إحصاء اشتغل في بنك يحلل بيانات العملاء
الاتنين دلوقتي بيعملوا Machine Learning، بس طريقة تفكيرهم مختلفة تماماً!
مهندسو البرمجيات: الطريق الأول
نهاية التسعينات والألفينات الأولى: صناعة السوفت وير نضجت وبقت محترفة.
حصل إيه:
- ظهر دور جديد: Product Manager (مدير المنتج)
- الـ Product Manager بقى حلقة الوصل بين:
- صاحب الشركة/الـ Business (عايز إيه؟)
- المهندسين (هيعملوه إزاي؟)
النتيجة: المهندس بقى يقدر يركز على الكود بس - مش لازم يفهم تفاصيل البيزنس.
تطورت ثقافة مهنية ركزت على:
- ✅ Code Reviews (مراجعة الكود من زملاء)
- ✅ Unit Testing (اختبار كل جزء في الكود)
- ✅ DevOps (أتمتة النشر والصيانة)
- ✅ Clean Code (كود نظيف وسهل القراءة)
الهدف: كود صحيح، آمن، قابل للصيانة على المدى الطويل.
محللو البيانات → علماء البيانات: الطريق التاني
نفس الفترة، بس في قسم تاني في الشركة (Business Intelligence / Analytics):
ناس تانية خالص كانوا بيشتغلوا على البيانات:
- محللين بيانات (Data Analysts)
- إحصائيين (Statisticians)
- ناس جاية من الـ Business اتعلمت شوية Excel و SQL
لما ظهر Machine Learning:
- الناس دي ماكانتش مهندسين أصلاً
- كانوا بيفهموا في البيزنس أكتر من الكود
- سموهم "Data Scientists" مش "Engineers"
تطورت ثقافة مختلفة تماماً:
- ✅ MVP (Minimum Viable Product - انزل حاجة بسيطة بسرعة)
- ✅ Experimentation (جرب وشوف النتيجة)
- ✅ Business Impact (النتيجة أهم من جودة الكود)
- ✅ Iteration (حسن مع الوقت)
الهدف: نتيجة بيزنس سريعة حتى لو الكود مش مثالي.
الفرق الثقافي الكبير
تخيل الموقف ده:
1. جمع البيانات (Data Collection)
مهندس البرمجيات:
- "هخزن بس اللي محتاجه دلوقتي"
- القاعدة: YAGNI (You Ain't Gonna Need It - مش هتحتاجها)
- مثال: بيخزن اسم المستخدم وإيميله بس
عالم البيانات:
- "هخزن كل حاجة ممكن أحتاجها بكرة"
- القاعدة: البيانات ذهب - اجمع دلوقتي، افهم بكرة
- مثال: بيخزن كل حاجة - وقت الدخول، الجهاز، المتصفح، الموقع الجغرافي، كل كليك
مين صح؟ الاتنين! - بس في سياقات مختلفة.
2. فلسفة الاختبار (Testing Philosophy)
مهندس البرمجيات:
- بيكتب Unit Tests - كل function لازم تديلي النتيجة الصح
- مثال:
add(2, 3)لازم يطلع5- دايماً! - الكود صح ولا غلط؟ - سؤال واضح
عالم البيانات:
- بيعمل A/B Testing - يعرض نسخة A لنص الناس، ونسخة B للنص التاني
- مثال: "هل توصية المنتجات الجديدة بتزود المبيعات؟"
- النموذج شغال كويس ولا لأ؟ - السؤال ده مفهوش إجابة مطلقة!
3. تحمل المخاطر (Risk Tolerance)
مهندس البرمجيات:
- مش ممكن أنشر كود فيه bugs - هيكسر الموقع!
- الأمان والاستقرار خط أحمر
عالم البيانات:
- "النموذج دقته 85%؟ تمام، ننزله!"
- لو زود المبيعات 10% حتى مع 15% أخطاء → كسب!
- Fail fast, learn faster
مثال من الواقع:
- توصيات نتفليكس: لو النموذج غلط وقالك "شوف الفيلم ده" وإنت مش عجبك → مش نهاية العالم
- نظام الدفع في بنك: لو الكود غلط ومحصلش فلوس → كارثة!
الاندماج القادم (وده حاصل فعلاً دلوقتي)
Noel Kippers (خبير في الـ ML) قال استعارة لطيفة:
"محترفي Machine Learning محتاجين يلبسوا البنطلونات الكبيرة" (يبقوا أكثر احترافية)
الواقع دلوقتي (2024-2026):
- المسمى الوظيفي "Data Scientist" بيختفي تدريجياً
- بيتحول لـ "ML Engineer" أو "Software Engineer (ML)"
- الشركات بتتوقع كود محترف، مش بس نتائج
في خلال 5 سنين (يعني 2026-2030):
- التمييز هيختفي تماماً
- هيبقى فيه Software Engineers بس
- بعضهم بيستخدم مكتبات زي TensorFlow، HuggingFace، Scikit-Learn
- زي ما دلوقتي فيه مهندسين بيستخدموا React ومهندسين بيستخدموا Django - كلهم Software Engineers
لكن... فيه قلق مهم!
السؤال الكبير: إحنا هنتعلم إيه من الاندماج ده؟
Marty Cagan (خبير في Product Management) قال حاجة مهمة:
"السر الصغير: المهندسين عادةً هم أفضل مصدر للابتكار، ومع ذلك محدش بيشركهم في قرارات المنتج!" — مارتي كاجان
الخطر: الشركات ممكن تاخد الغلط من الطرفين:
❌ السيناريو السيء:
- ناخد من Software Engineering: الصرامة والبطء
- ونسيب من Data Science: التجريب والابتكار
- النتيجة: Waterfall ملبوس في كلام Agile (شلالات ملبوسة في لغة رشيقة)
✅ السيناريو الكويس:
- ناخد من Software Engineering: الجودة والاحترافية
- ونأخد من Data Science: Build-Measure-Learn (ابني-قيس-اتعلم)
- النتيجة: مهندسين مبتكرين بيفهموا البيزنس ويكتبوا كود محترف
الخلاصة: الدروس المستفادة
للي شغال Data Scientist دلوقتي:
- ⚠️ اتعلم Software Engineering - الاندماج جاي
- ✅ احتفظ بـ mindset التجريب - دي ميزتك!
- ✅ اتعلم Git، Docker، CI/CD، Testing
للي شغال Software Engineer:
- ✅ ما تخافش من Data - مش صعب زي ما بتفتكر
- ✅ اتعلم شارك في Product Discovery - إنت مصدر ابتكار!
- ✅ Experiment - مش كل حاجة لازم تكون مثالية من أول مرة
للشركات:
- ⚠️ ما تضيعش ثقافة التجريب من Data Science
- ✅ اجمع بين الجودة والسرعة
- ✅ خلي المهندسين يشاركوا في قرارات المنتج
في النهاية: المسمى الوظيفي مش مهم - المهارات والـ mindset هم اللي بيفرقوا!
طارق عمرو، 12 فبراير 2021