Artificial Intelligence (AI)

Navigating the Landscape of Data Science with Goda Ramkumar

Written by smirow

In unserer neuesten Podcast-Folge zum Thema Leading with Data hatten wir die Ehre, Goda Ramkumar, VP of Data Science bei Swiggy, zu Gast zu haben. Mit über 17 Jahren Erfahrung hat Goda die Entwicklung maschineller Lern- und optimierungsbasierter Entscheidungsunterstützungssysteme in verschiedenen Branchen geleitet, von der hyperlokalen Lieferung bis hin zur Kundenpreisgestaltung und dem Umsatzmanagement. Fluggesellschaften.

Seine Expertise beim Aufbau erfolgreicher Data-Science-Teams und der Erzielung nachhaltiger geschäftlicher Auswirkungen ist unübertroffen. Mit einer Leidenschaft für die Lehre und einer Geschichte wirkungsvoller Veröffentlichungen und Präsentationen bringt sie umfangreiche Kenntnisse in den Bereichen Operations Research, maschinelles Lernen und Datenanalyse mit. Hören Sie zu, während sie unschätzbare Einblicke von ihrer Reise gibt.

Sie können diese Episode von Leading with Data auf beliebten Plattformen wie Spotify, Google Podcasts und Apple anhören. Wählen Sie Ihren Favoriten, um aufschlussreiche Inhalte zu genießen!

Wichtige Erkenntnisse aus unserem Gespräch mit Goda Ramkumar

  • Der Übergang von traditionellen Methoden zur Datenwissenschaft erfolgt schrittweise und erfordert Anpassungsfähigkeit an neue Tools und Technologien.
  • In der Luftfahrtbranche erfordern datenwissenschaftliche Anwendungen lange Implementierungszeiten, was im Gegensatz zu der Echtzeit-Entscheidungsfindung steht, die bei Fahrdiensten wie Ola erforderlich ist.
  • Der Aufbau einer starken Technologiemarke ist der Schlüssel, um Top-Talente für den Bereich Data Science zu gewinnen.
  • Praktische Problemlösung und ein solides Verständnis geschäftlicher Probleme sind entscheidende Fähigkeiten für Datenwissenschaftler.
  • Generative KI ist ein leistungsstarkes Werkzeug, das Produktivität und Kreativität verbessern kann. Sie muss jedoch verantwortungsvoll eingesetzt werden und sollte nicht als Ersatz für menschliche Arbeitsplätze angesehen werden.
  • Die Fähigkeit, sich schnell anzupassen und weiterzubilden, ist im sich ständig verändernden Bereich der Datenwissenschaft von entscheidender Bedeutung.
  • Ein starkes Peer-Netzwerk und die Auseinandersetzung mit einer Vielzahl von Problemen können das Lernen und die Anpassungsfähigkeit in Karrieren im Bereich Datenwissenschaft beschleunigen.
  • Grundlegende Fähigkeiten in Mathematik, Codierung und First-Principles-Denken bleiben unerlässlich, auch wenn neue Tools wie generative KI aufkommen.

Nehmen Sie an unseren kommenden „Leading with Data“-Sitzungen teil, um ausführliche Diskussionen mit Führungskräften aus den Bereichen KI und Datenwissenschaft zu führen!

Sehen wir uns nun die Details unseres Gesprächs mit Goda Ramkumar an!

Wie sind Sie von der Biotechnologie zur Datenwissenschaft gekommen?

Als ich am IIT Madras studierte, spezialisierte ich mich auf Biotechnologie, ein damals sehr beliebtes Fachgebiet. Mir wurde jedoch klar, dass die Arbeit in einem Labor mit Mikroorganismen nicht meine Stärke war. Ich fühlte mich mehr zum Operations Research hingezogen, das mein Nebenfach war. Damals hieß es noch nicht Data Science; Es drehte sich alles um Mathematik, Statistik, Optimierung und das, was wir heute traditionelle Methoden nennen. Mein erster Job war bei Sabre, dem einzigen Einstellungsunternehmen für Operations Research auf dem Campus. Im Laufe der Zeit entwickelte sich meine Rolle weiter und ohne es zu merken, wechselte ich in die Datenwissenschaft. Es war eine lohnende Reise und seitdem bin ich bei mehreren Unternehmen in der Datenwissenschaft tätig.

Wie war es, mit Sabre in der Luftfahrtbranche zu arbeiten?

Sabre konzentrierte sich auf den Bereich des Lufttransports, der seit den 70er Jahren Technologie einsetzt. Ich arbeitete hauptsächlich im Bereich Preis- und Ertragsmanagement und beschäftigte mich mit Algorithmen für Prognose, Optimierung und Bestandskontrolle. Im Gegensatz zu den Echtzeit-Herausforderungen, mit denen ich später in meiner Karriere konfrontiert war, hat die Luftfahrtbranche viel Zeit, um Probleme zu lösen. Während meiner zehn Jahre bei Sabre haben sich die von uns verwendeten Tools von SaaS über R bis hin zu Python weiterentwickelt und wir mussten uns an den sich verändernden Talentmarkt und den technologischen Fortschritt anpassen.

Wie hat sich Ihre Rolle bei Sabre entwickelt?

Alle paar Jahre dachte ich über eine Veränderung nach, aber meine Rolle entwickelte sich auf eine Art und Weise, die die Dinge interessant machte. Ich wechselte vom Kundenmanagement zur Entwicklung von Algorithmen der nächsten Generation, dann zu einer Personalmanagementrolle und leitete schließlich die Neufassung des Revenue-Management-Produkts. Jeder Übergang brachte neue Herausforderungen und Lernmöglichkeiten mit sich.

Wie war der Übergang zu Ola?

Der Umzug nach Ola war wie der Wechsel vom Luft- zum Bodentransport. Das Tempo war unglaublich schnell, Entscheidungen mussten in Millisekunden statt in Tagen getroffen werden. Es war eine Kultur des schnellen Experimentierens und Lernens, und ich habe in diesen zwei Jahren eine Fülle von Erfahrungen gesammelt. Die Probleme, die wir bei Ola gelöst haben, schienen für uns einzigartig zu sein und wir mussten oft ohne große vorherige Referenz innovative Lösungen finden.

Wie sind Sie bei Ola an die Talentrekrutierung herangegangen?

Der Aufbau einer starken Technologiemarke ist entscheidend für die Gewinnung von Top-Talenten. Wenn Sie über einen guten Kandidatenpool verfügen, können Sie wirklich die besten auswählen. Ich suche nach coachbaren Fähigkeiten, einer soliden Grundlage im Programmieren und Denken nach ersten Prinzipien sowie einer positiven Einstellung. Praktische Aufgaben und Fallstudien helfen dabei, Kandidaten effektiver zu bewerten als einfache Interviews. Und natürlich spielt bei der endgültigen Entscheidung immer auch die Intuition eine Rolle.

Was hat Sie an xto10x und dann an Swiggy interessiert?

Bei xto10x hatte ich die Gelegenheit, mit verschiedenen Startups in unterschiedlichen Bereichen zusammenzuarbeiten, was unglaublich lohnend war. Allerdings fehlte mir die Nähe zum Problemlösungsaspekt, der mich motiviert. Swiggy stellte unglaubliche Probleme dar, die es zu lösen galt, und es war für mich ein natürlicher Übergang, insbesondere während der COVID-19-Pandemie, als Swiggys Rolle noch wichtiger wurde.

Wie sehen Sie die Rolle generativer KI in der Datenwissenschaft?

Ich betrachte generative KI als Werkzeug und nicht als Ersatz für Menschen. Bei verantwortungsvollem Einsatz können Produktivität und Kreativität gesteigert werden. Rollen und Jobs werden sich ändern, aber es wird immer genug zu tun geben. Der Schlüssel liegt darin, sich an das Tempo dieser Veränderungen anzupassen und zu verbessern. Ich glaube an die Widerstandsfähigkeit der menschlichen Gesellschaft, sich anzupassen und neue Wege zu finden, unsere Zeit und Fähigkeiten zu nutzen.

Zusammenfassung

Goda Ramkumars Weg von der Biotechnologie zur Datenwissenschaft ist ein Beweis für die Kraft der Anpassungsfähigkeit und des kontinuierlichen Lernens, um sich in der sich entwickelnden Technologielandschaft zurechtzufinden. Seine umfangreiche Erfahrung und sein Fachwissen beim Aufbau von Data-Science-Teams und der Förderung wirkungsvoller Lösungen in verschiedenen Branchen unterstreichen das immense Potenzial dieses Bereichs. Wenn wir über seine Ideen zur Rolle der generativen KI und zur Bedeutung grundlegender Fähigkeiten nachdenken, werden wir an die immer größer werdende Bedeutung verantwortungsvoller Innovation und menschlicher Anpassungsfähigkeit in der Wissenschaft der Daten erinnert.

Weitere interessante Sitzungen zu KI, Data Science und GenAI finden Sie bei uns zum Thema Leading with Data.

Schauen Sie sich hier unsere kommenden Sitzungen an.

About the author

smirow

Leave a Comment