# إيه اللي المفروض نتعلمه من المسيرة المهنية القصيرة لعلماء البيانات؟

![مسيرة عالم البيانات](/static/img/data-scientist-career-1.jpeg)

**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.

![الاعتماد على المسار](/static/img/data-scientist-career-2.png)

**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؟)

![ممارسات هندسة البرمجيات](/static/img/data-scientist-career-3.png)

**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

![مسار مهندس تعلم الآلة](/static/img/data-scientist-career-4.png)

**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

![الاختلافات الثقافية](/static/img/data-scientist-career-5.png)

**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 يطلع `5` - **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)

![الاندماج](/static/img/data-scientist-career-6.png)

**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