Insight Is Still the Currency of Data Science

When I ask a data scientist to explain an analysis, I am often handed a pull request and sent away to understand the implementation. Twenty minutes later, I may understand how the code is organized and still not know what the data showed. I want to understand the question, what we found, and whether the evidence supports the conclusion. Coding agents such as Claude Code, OpenAI Codex, and Databricks Genie Code can write, execute, and revise code, reducing the effort between having an idea and trying it against data. That gives us an opportunity to reconsider where a data scientist's attention belongs.

Data science has always centered on discovering what we can learn from data. As the effort of writing code declines, we should devote more attention to the inquiry and make that inquiry easier for a colleague to examine. Code is a tool for the scientific work, an extension of a drafting board where a hypothesis takes form we can examine and revise. An analysis in Microsoft Excel can produce useful scientific insight, and its credibility depends on the same considerations as an analysis written in Python.

For coding agents, the calculator comparison is instructive: understanding arithmetic and formulating the problem remain important even when we delegate the calculation. Programming fundamentals help us understand how code transforms data and determine whether an implementation does what the analysis requires. The scientific contribution requires the additional expertise to formulate useful questions and draw defensible conclusions from incomplete observations.

My concern is that code can interrupt the exploration needed to determine what the application should do, particularly when code receives more scrutiny than the analysis or an exploratory adjustment must pass through review before we can investigate its merit. In my experience, larger data science teams often struggle to preserve the discovery process when code review dominates.

عندما أطلب من عالم بيانات شرح تحليل ما، غالبًا ما أحصل على طلب سحب وأُرسل لفهم التنفيذ. بعد عشرين دقيقة، قد أفهم كيفية تنظيم الكود وما زلت لا أعرف ما أظهرته البيانات. أريد فهم السؤال، وما وجدناه، وما إذا كانت الأدلة تدعم الاستنتاج. وكلاء البرمجة مثل Claude Code وOpenAI Codex وDatabricks Genie Code يمكنهم كتابة وتنفيذ وتعديل الكود، مما يقلل الجهد بين امتلاك فكرة وتجربتها على البيانات. هذا يعطينا فرصة لإعادة النظر في أين يجب أن يكون انتباه عالم البيانات.

لطالما ركز علم البيانات على اكتشاف ما يمكننا تعلمه من البيانات. مع انخفاض جهد كتابة الكود، يجب أن نكرس المزيد من الاهتمام للاستفسار ونجعل هذا الاستفسار أسهل لزميل لفحصه. الكود أداة للعمل العلمي، امتداد للوحة رسم حيث تأخذ الفرضية شكلاً يمكننا فحصه وتعديله. تحليل في Microsoft Excel يمكن أن ينتج بصيرة علمية مفيدة، ومصداقيته تعتمد على نفس الاعتبارات مثل تحليل مكتوب في Python.

بالنسبة لوكلاء البرمجة، مقارنة الآلة الحاسبة مفيدة: فهم الحساب وصياغة المشكلة يظلان مهمين حتى عندما نفوض الحساب. أساسيات البرمجة تساعدنا على فهم كيف يحول الكود البيانات وتحديد ما إذا كان التنفيذ يفعل ما يتطلبه التحليل. المساهمة العلمية تتطلب خبرة إضافية لصياغة أسئلة مفيدة واستخلاص استنتاجات قابلة للدفاع من ملاحظات غير مكتملة.

قلقي هو أن الكود يمكن أن يقطع الاستكشاف اللازم لتحديد ما يجب أن يفعله التطبيق، خاصة عندما يتلقى الكود تدقيقًا أكثر من التحليل أو عندما يجب أن يمر تعديل استكشافي بالمراجعة قبل أن نتمكن من التحقيق في جدارته. في تجربتي، غالبًا ما تكافح فرق علم البيانات الأكبر للحفاظ على عملية الاكتشاف عندما تهيمن مراجعة الكود.

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।

Wenn ich einen Datenwissenschaftler bitte, eine Analyse zu erklären, bekomme ich oft einen Pull-Request und werde geschickt, um die Implementierung zu verstehen. Zwanzig Minuten später verstehe ich vielleicht, wie der Code organisiert ist, und weiß immer noch nicht, was die Daten gezeigt haben. Ich möchte die Frage verstehen, was wir gefunden haben und ob die Beweise die Schlussfolgerung stützen. Codierungsagenten wie Claude Code, OpenAI Codex und Databricks Genie Code können Code schreiben, ausführen und überarbeiten, wodurch der Aufwand zwischen einer Idee und dem Ausprobieren gegen Daten reduziert wird. Das gibt uns die Gelegenheit, zu überdenken, wo die Aufmerksamkeit eines Datenwissenschaftlers liegen sollte.

Datenwissenschaft hat sich immer darauf konzentriert, zu entdecken, was wir aus Daten lernen können. Da der Aufwand des Schreibens von Code abnimmt, sollten wir der Untersuchung mehr Aufmerksamkeit widmen und diese Untersuchung für einen Kollegen leichter zu prüfen machen. Code ist ein Werkzeug für die wissenschaftliche Arbeit, eine Erweiterung eines Zeichenbretts, wo eine Hypothese eine Form annimmt, die wir prüfen und überarbeiten können. Eine Analyse in Microsoft Excel kann nützliche wissenschaftliche Einsicht erzeugen, und ihre Glaubwürdigkeit hängt von denselben Überlegungen ab wie eine Analyse, die in Python geschrieben ist.

Für Codierungsagenten ist der Taschenrechner-Vergleich lehrreich: Arithmetik zu verstehen und das Problem zu formulieren, bleibt wichtig, selbst wenn wir die Berechnung delegieren. Programmiergrundlagen helfen uns zu verstehen, wie Code Daten transformiert und ob eine Implementierung das tut, was die Analyse erfordert. Der wissenschaftliche Beitrag erfordert zusätzliche Expertise, um nützliche Fragen zu formulieren und verteidigbare Schlussfolgerungen aus unvollständigen Beobachtungen zu ziehen.

Meine Sorge ist, dass Code die Erkundung unterbrechen kann, die notwendig ist, um zu bestimmen, was die Anwendung tun sollte, insbesondere wenn Code mehr Prüfung erhält als die Analyse oder eine explorative Anpassung eine Überprüfung durchlaufen muss, bevor wir ihre Verdienste untersuchen können. Meiner Erfahrung nach haben größere Datenwissenschaftsteams oft Schwierigkeiten, den Entdeckungsprozess zu bewahren, wenn Code-Review dominiert.

Cuando pido a un científico de datos que explique un análisis, a menudo me entregan una solicitud de extracción y me envían a entender la implementación. Veinte minutos después, puedo entender cómo está organizado el código y aún no saber qué mostraron los datos. Quiero entender la pregunta, qué encontramos y si la evidencia respalda la conclusión. Agentes de codificación como Claude Code, OpenAI Codex y Databricks Genie Code pueden escribir, ejecutar y revisar código, reduciendo el esfuerzo entre tener una idea y probarla contra datos. Esto nos da la oportunidad de reconsiderar dónde debe estar la atención de un científico de datos.

La ciencia de datos siempre se ha centrado en descubrir qué podemos aprender de los datos. A medida que disminuye el esfuerzo de escribir código, debemos dedicar más atención a la investigación y hacer que esa investigación sea más fácil de examinar para un colega. El código es una herramienta para el trabajo científico, una extensión de un tablero de dibujo donde una hipótesis toma forma que podemos examinar y revisar. Un análisis en Microsoft Excel puede producir conocimiento científico útil, y su credibilidad depende de las mismas consideraciones que un análisis escrito en Python.

Para los agentes de codificación, la comparación con la calculadora es instructiva: entender la aritmética y formular el problema siguen siendo importantes incluso cuando delegamos el cálculo. Los fundamentos de programación nos ayudan a entender cómo el código transforma los datos y a determinar si una implementación hace lo que requiere el análisis. La contribución científica requiere experiencia adicional para formular preguntas útiles y sacar conclusiones defendibles de observaciones incompletas.

Mi preocupación es que el código puede interrumpir la exploración necesaria para determinar qué debería hacer la aplicación, particularmente cuando el código recibe más escrutinio que el análisis o un ajuste exploratorio debe pasar por revisión antes de que podamos investigar su mérito. En mi experiencia, los equipos de ciencia de datos más grandes a menudo luchan por preservar el proceso de descubrimiento cuando la revisión de código domina.

Lorsque je demande à un scientifique des données d'expliquer une analyse, on me remet souvent une demande de tirage et on m'envoie comprendre l'implémentation. Vingt minutes plus tard, je peux comprendre comment le code est organisé et ne toujours pas savoir ce que les données ont montré. Je veux comprendre la question, ce que nous avons trouvé, et si les preuves soutiennent la conclusion. Des agents de codage comme Claude Code, OpenAI Codex et Databricks Genie Code peuvent écrire, exécuter et réviser du code, réduisant l'effort entre avoir une idée et l'essayer contre des données. Cela nous donne l'opportunité de reconsidérer où l'attention d'un scientifique des données devrait se porter.

La science des données a toujours été centrée sur la découverte de ce que nous pouvons apprendre des données. Alors que l'effort d'écrire du code diminue, nous devrions consacrer plus d'attention à l'enquête et rendre cette enquête plus facile à examiner pour un collègue. Le code est un outil pour le travail scientifique, une extension d'une planche à dessin où une hypothèse prend une forme que nous pouvons examiner et réviser. Une analyse dans Microsoft Excel peut produire un aperçu scientifique utile, et sa crédibilité dépend des mêmes considérations qu'une analyse écrite en Python.

Pour les agents de codage, la comparaison avec la calculatrice est instructive : comprendre l'arithmétique et formuler le problème restent importants même lorsque nous déléguons le calcul. Les fondamentaux de la programmation nous aident à comprendre comment le code transforme les données et à déterminer si une implémentation fait ce que l'analyse exige. La contribution scientifique nécessite une expertise supplémentaire pour formuler des questions utiles et tirer des conclusions défendables à partir d'observations incomplètes.

Ma préoccupation est que le code peut interrompre l'exploration nécessaire pour déterminer ce que l'application devrait faire, en particulier lorsque le code reçoit plus de scrutin que l'analyse ou qu'un ajustement exploratoire doit passer par une révision avant que nous puissions enquêter sur son mérite. Dans mon expérience, les équipes de science des données plus grandes ont souvent du mal à préserver le processus de découverte lorsque la révision du code domine.

जब मैं किसी डेटा वैज्ञानिक से किसी विश्लेषण को समझाने के लिए कहता हूं, तो मुझे अक्सर एक पुल अनुरोध दिया जाता है और कार्यान्वयन को समझने के लिए भेज दिया जाता है। बीस मिनट बाद, मैं समझ सकता हूं कि कोड कैसे व्यवस्थित है और फिर भी नहीं जानता कि डेटा ने क्या दिखाया। मैं प्रश्न, हमने क्या पाया, और क्या साक्ष्य निष्कर्ष का समर्थन करता है, समझना चाहता हूं। Claude Code, OpenAI Codex, और Databricks Genie Code जैसे कोडिंग एजेंट कोड लिख, निष्पादित और संशोधित कर सकते हैं, जिससे विचार और डेटा के खिलाफ इसे आज़माने के बीच का प्रयास कम हो जाता है। यह हमें डेटा वैज्ञानिक का ध्यान कहां होना चाहिए, इस पर पुनर्विचार करने का अवसर देता है।

डेटा विज्ञान हमेशा यह खोजने पर केंद्रित रहा है कि हम डेटा से क्या सीख सकते हैं। जैसे-जैसे कोड लिखने का प्रयास घटता है, हमें जांच पर अधिक ध्यान देना चाहिए और उस जांच को सहकर्मी के लिए जांचना आसान बनाना चाहिए। कोड वैज्ञानिक कार्य के लिए एक उपकरण है, एक ड्राफ्टिंग बोर्ड का विस्तार जहां एक परिकल्पना रूप लेती है जिसे हम जांच और संशोधित कर सकते हैं। Microsoft Excel में एक विश्लेषण उपयोगी वैज्ञानिक अंतर्दृष्टि उत्पन्न कर सकता है, और इसकी विश्वसनीयता Python में लिखे गए विश्लेषण के समान विचारों पर निर्भर करती है।

कोडिंग एजेंटों के लिए, कैलकुलेटर तुलना शिक्षाप्रद है: अंकगणित को समझना और समस्या तैयार करना महत्वपूर्ण रहता है, भले ही हम गणना सौंप दें। प्रोग्रामिंग मूल बातें हमें यह समझने में मदद करती हैं कि कोड डेटा को कैसे बदलता है और यह निर्धारित करता है कि कार्यान्वयन विश्लेषण की आवश्यकता को पूरा करता है या नहीं। वैज्ञानिक योगदान के लिए उपयोगी प्रश्न तैयार करने और अधूरे अवलोकनों से बचाव योग्य निष्कर्ष निकालने के लिए अतिरिक्त विशेषज्ञता की आवश्यकता होती है।

मेरी चिंता यह है कि कोड उस अन्वेषण को बाधित कर सकता है जो यह निर्धारित करने के लिए आवश्यक है कि एप्लिकेशन को क्या करना चाहिए, खासकर जब कोड विश्लेषण से अधिक जांच प्राप्त करता है या एक खोजपूर्ण समायोजन को उसकी योग्यता की जांच करने से पहले समीक्षा से गुजरना पड़ता है। मेरे अनुभव में, जब कोड समीक्षा हावी होती है, तो बड़ी डेटा विज्ञान टीमें अक्सर खोज प्रक्रिया को संरक्षित करने के लिए संघर्ष करती हैं।

Ketika saya meminta seorang ilmuwan data untuk menjelaskan analisis, saya sering diberi permintaan tarik dan disuruh memahami implementasinya. Dua puluh menit kemudian, saya mungkin memahami bagaimana kode diatur dan masih tidak tahu apa yang ditunjukkan data. Saya ingin memahami pertanyaan, apa yang kami temukan, dan apakah bukti mendukung kesimpulan. Agen pengkodean seperti Claude Code, OpenAI Codex, dan Databricks Genie Code dapat menulis, mengeksekusi, dan merevisi kode, mengurangi upaya antara memiliki ide dan mencobanya terhadap data. Itu memberi kita kesempatan untuk mempertimbangkan kembali di mana perhatian seorang ilmuwan data seharusnya berada.

Ilmu data selalu berpusat pada menemukan apa yang bisa kita pelajari dari data. Seiring menurunnya upaya menulis kode, kita harus mencurahkan lebih banyak perhatian pada penyelidikan dan membuat penyelidikan itu lebih mudah diperiksa oleh rekan kerja. Kode adalah alat untuk pekerjaan ilmiah, perpanjangan papan gambar di mana hipotesis mengambil bentuk yang bisa kita periksa dan revisi. Analisis di Microsoft Excel dapat menghasilkan wawasan ilmiah yang berguna, dan kredibilitasnya bergantung pada pertimbangan yang sama dengan analisis yang ditulis dalam Python.

Untuk agen pengkodean, perbandingan kalkulator bersifat instruktif: memahami aritmatika dan merumuskan masalah tetap penting bahkan ketika kita mendelegasikan perhitungan. Dasar-dasar pemrograman membantu kita memahami bagaimana kode mengubah data dan menentukan apakah implementasi melakukan apa yang dibutuhkan analisis. Kontribusi ilmiah membutuhkan keahlian tambahan untuk merumuskan pertanyaan yang berguna dan menarik kesimpulan yang dapat dipertahankan dari pengamatan yang tidak lengkap.

Kekhawatiran saya adalah bahwa kode dapat mengganggu eksplorasi yang diperlukan untuk menentukan apa yang harus dilakukan aplikasi, terutama ketika kode menerima lebih banyak pengawasan daripada analisis atau penyesuaian eksploratif harus melewati tinjauan sebelum kita dapat menyelidiki manfaatnya. Dalam pengalaman saya, tim ilmu data yang lebih besar sering kesulitan mempertahankan proses penemuan ketika tinjauan kode mendominasi.

データサイエンティストに分析の説明を求めると、しばしばプルリクエストを渡され、実装を理解するように送られます。20分後、コードの構成は理解できるかもしれませんが、データが何を示したかはまだ分からないかもしれません。私は質問、私たちが何を見つけたか、そして証拠が結論を支持するかどうかを理解したいのです。Claude Code、OpenAI Codex、Databricks Genie Codeなどのコーディングエージェントは、コードを書き、実行し、修正することができ、アイデアを持ってデータに対して試すまでの労力を減らします。これにより、データサイエンティストの注意がどこにあるべきかを再考する機会が得られます。

データサイエンスは常に、データから何を学べるかを発見することに中心がありました。コードを書く労力が減るにつれて、私たちは探究により多くの注意を払い、その探究を同僚が検査しやすくするべきです。コードは科学的作業のためのツールであり、仮説が私たちが検査し修正できる形をとる製図板の延長です。Microsoft Excelでの分析は有用な科学的洞察を生み出すことができ、その信頼性はPythonで書かれた分析と同じ考慮事項に依存します。

コーディングエージェントにとって、電卓の比較は教訓的です：計算を委任しても、算術を理解し問題を定式化することが重要です。プログラミングの基礎は、コードがデータをどのように変換するかを理解し、実装が分析の要件を満たすかどうかを判断するのに役立ちます。科学的貢献には、有用な質問を定式化し、不完全な観察から防御可能な結論を引き出すための追加の専門知識が必要です。

私の懸念は、コードがアプリケーションが何をすべきかを決定するために必要な探索を中断する可能性があることです。特に、コードが分析よりも多くの精査を受ける場合や、探索的調整がその価値を調査する前にレビューを通過しなければならない場合です。私の経験では、コードレビューが支配的になると、大規模なデータサイエンスチームは発見プロセスを維持するのに苦労することがよくあります。

Quando peço a um cientista de dados para explicar uma análise, muitas vezes recebo um pedido de pull e sou enviado para entender a implementação. Vinte minutos depois, posso entender como o código está organizado e ainda não saber o que os dados mostraram. Quero entender a pergunta, o que encontramos e se as evidências apoiam a conclusão. Agentes de codificação como Claude Code, OpenAI Codex e Databricks Genie Code podem escrever, executar e revisar código, reduzindo o esforço entre ter uma ideia e testá-la contra dados. Isso nos dá uma oportunidade de reconsiderar onde a atenção de um cientista de dados deve estar.

A ciência de dados sempre se centrou em descobrir o que podemos aprender com os dados. À medida que o esforço de escrever código diminui, devemos dedicar mais atenção à investigação e tornar essa investigação mais fácil para um colega examinar. O código é uma ferramenta para o trabalho científico, uma extensão de uma prancheta onde uma hipótese toma forma que podemos examinar e revisar. Uma análise no Microsoft Excel pode produzir insight científico útil, e sua credibilidade depende das mesmas considerações que uma análise escrita em Python.

Para agentes de codificação, a comparação com a calculadora é instrutiva: entender aritmética e formular o problema permanecem importantes mesmo quando delegamos o cálculo. Fundamentos de programação nos ajudam a entender como o código transforma dados e determinar se uma implementação faz o que a análise exige. A contribuição científica requer expertise adicional para formular perguntas úteis e tirar conclusões defensáveis de observações incompletas.

Minha preocupação é que o código pode interromper a exploração necessária para determinar o que o aplicativo deve fazer, particularmente quando o código recebe mais escrutínio do que a análise ou um ajuste exploratório deve passar por revisão antes de podermos investigar seu mérito. Na minha experiência, equipes maiores de ciência de dados muitas vezes lutam para preservar o processo de descoberta quando a revisão de código domina.

Когда я прошу специалиста по данным объяснить анализ, мне часто дают запрос на вытягивание и отправляют понять реализацию. Через двадцать минут я могу понять, как организован код, и все еще не знать, что показали данные. Я хочу понять вопрос, что мы нашли, и поддерживают ли доказательства вывод. Кодирующие агенты, такие как Claude Code, OpenAI Codex и Databricks Genie Code, могут писать, выполнять и изменять код, уменьшая усилия между идеей и ее проверкой на данных. Это дает нам возможность пересмотреть, где должно быть внимание специалиста по данным.

Наука о данных всегда была сосредоточена на открытии того, что мы можем узнать из данных. По мере снижения усилий по написанию кода мы должны уделять больше внимания исследованию и делать это исследование более легким для проверки коллегой. Код — это инструмент для научной работы, расширение чертежной доски, где гипотеза принимает форму, которую мы можем проверить и изменить. Анализ в Microsoft Excel может дать полезное научное понимание, и его достоверность зависит от тех же соображений, что и анализ, написанный на Python.

Для кодирующих агентов сравнение с калькулятором поучительно: понимание арифметики и формулирование проблемы остаются важными, даже когда мы делегируем вычисления. Основы программирования помогают нам понять, как код преобразует данные, и определить, делает ли реализация то, что требует анализ. Научный вклад требует дополнительных знаний для формулирования полезных вопросов и получения защитимых выводов из неполных наблюдений.

Моя озабоченность заключается в том, что код может прервать исследование, необходимое для определения того, что должно делать приложение, особенно когда код получает больше внимания, чем анализ, или исследовательская корректировка должна пройти проверку, прежде чем мы сможем изучить ее достоинства. По моему опыту, более крупные команды по науке о данных часто испытывают трудности с сохранением процесса открытий, когда доминирует проверка кода.

当我要求数据科学家解释一项分析时，我经常收到一个拉取请求，并被要求去理解实现。二十分钟后，我可能理解了代码的组织方式，但仍然不知道数据显示了什么。我想理解问题、我们发现了什么，以及证据是否支持结论。编码代理如Claude Code、OpenAI Codex和Databricks Genie Code可以编写、执行和修改代码，减少了从想法到用数据尝试之间的努力。这让我们有机会重新考虑数据科学家的注意力应该放在哪里。

数据科学一直以发现我们能从数据中学到什么为中心。随着编写代码的努力减少，我们应该更多地关注探究，并让同事更容易检查这种探究。代码是科学工作的工具，是绘图板的延伸，假设在其中形成我们可以检查和修改的形式。Microsoft Excel中的分析可以产生有用的科学洞察，其可信度取决于与用Python编写的分析相同的考虑因素。

对于编码代理，计算器的比较具有启发性：即使我们委托计算，理解算术和表述问题仍然重要。编程基础帮助我们理解代码如何转换数据，并确定实现是否满足分析要求。科学贡献需要额外的专业知识来表述有用的问题，并从不完整的观察中得出可辩护的结论。

我担心的是，代码可能会中断确定应用程序应该做什么所需的探索，特别是当代码比分析受到更多审查，或者探索性调整必须通过审查才能调查其价值时。根据我的经验，当代码审查占主导地位时，较大的数据科学团队往往难以保持发现过程。