যখন আমি একজন ডেটা বিজ্ঞানীকে একটি বিশ্লেষণ ব্যাখ্যা করতে বলি, তখন আমাকে প্রায়ই একটি পুল রিকোয়েস্ট দেওয়া হয় এবং বাস্তবায়ন বোঝার জন্য পাঠানো হয়। বিশ মিনিট পরে, আমি বুঝতে পারি কোড কীভাবে সংগঠিত এবং এখনও জানি না ডেটা কী দেখিয়েছে। আমি প্রশ্ন, আমরা কী পেয়েছি, এবং প্রমাণ উপসংহার সমর্থন করে কিনা তা বুঝতে চাই। Claude Code, OpenAI Codex, এবং Databricks Genie Code-এর মতো কোডিং এজেন্ট কোড লিখতে, কার্যকর করতে এবং সংশোধন করতে পারে, যা একটি ধারণা থাকা এবং ডেটার বিরুদ্ধে চেষ্টা করার মধ্যে প্রচেষ্টা হ্রাস করে। এটি আমাদের পুনর্বিবেচনার সুযোগ দেয় যে একজন ডেটা বিজ্ঞানীর মনোযোগ কোথায় থাকা উচিত।
ডেটা সায়েন্স সর্বদা ডেটা থেকে আমরা কী শিখতে পারি তা আবিষ্কারের উপর কেন্দ্রীভূত। কোড লেখার প্রচেষ্টা কমার সাথে সাথে, আমাদের অনুসন্ধানে আরও মনোযোগ দেওয়া উচিত এবং সেই অনুসন্ধানকে সহকর্মীর জন্য পরীক্ষা করা সহজ করা উচিত। কোড বৈজ্ঞানিক কাজের জন্য একটি হাতিয়ার, একটি ড্রাফটিং বোর্ডের সম্প্রসারণ যেখানে একটি হাইপোথিসিস রূপ নেয় যা আমরা পরীক্ষা এবং সংশোধন করতে পারি। Microsoft Excel-এ একটি বিশ্লেষণ দরকারী বৈজ্ঞানিক অন্তর্দৃষ্টি তৈরি করতে পারে, এবং এর বিশ্বাসযোগ্যতা Python-এ লেখা বিশ্লেষণের মতো একই বিবেচনার উপর নির্ভর করে।
কোডিং এজেন্টদের জন্য, ক্যালকুলেটর তুলনা শিক্ষণীয়: পাটিগণিত বোঝা এবং সমস্যা প্রণয়ন গুরুত্বপূর্ণ থাকে এমনকি যখন আমরা গণনা অর্পণ করি। প্রোগ্রামিং মৌলিক বিষয়গুলি আমাদের বুঝতে সাহায্য করে যে কোড কীভাবে ডেটা রূপান্তর করে এবং একটি বাস্তবায়ন বিশ্লেষণের প্রয়োজনীয়তা পূরণ করে কিনা তা নির্ধারণ করতে। বৈজ্ঞানিক অবদানের জন্য দরকারী প্রশ্ন প্রণয়ন এবং অসম্পূর্ণ পর্যবেক্ষণ থেকে রক্ষণযোগ্য সিদ্ধান্ত নেওয়ার জন্য অতিরিক্ত দক্ষতা প্রয়োজন।
আমার উদ্বেগ হল কোড সেই অনুসন্ধানকে বাধাগ্রস্ত করতে পারে যা অ্যাপ্লিকেশনটির কী করা উচিত তা নির্ধারণের জন্য প্রয়োজনীয়, বিশেষ করে যখন কোড বিশ্লেষণের চেয়ে বেশি যাচাই পায় বা একটি অনুসন্ধানমূলক সমন্বয় তার যোগ্যতা তদন্ত করার আগে পর্যালোচনার মধ্য দিয়ে যেতে হয়। আমার অভিজ্ঞতায়, যখন কোড পর্যালোচনা প্রাধান্য পায় তখন বড় ডেটা সায়েন্স দলগুলি প্রায়শই আবিষ্কার প্রক্রিয়া সংরক্ষণ করতে সংগ্রাম করে।