现实是复杂的：人们和组织的行为方式出乎意料，外部事件可能会给我们最顺畅的工作流程带来一个又一个的障碍。对于数据团队来说，很容易通过最新的亮眼工具或者引人注目的新员工来应对这些具有挑战性的时刻。这样做可能有效，但也只能解决一部分问题。
然而，在面对变化、令人失望的结果或偶尔发生的公司混乱时，帮助团队培养韧性的往往不是这种快速的神奇解决方案，而是逐渐积累多个明智的决策，这些决策能够建立可靠的实践和持续的绩效表现。本周，我们选择了一些文章，重点关注那些能够帮助数据团队在长期运营中脱颖而出并保持成功的选择。希望您喜欢！
- 小小高表示，数据测试是验证数据质量的“最基本和实用的方法”之一，也是很多数据团队使命的核心任务。然而，创建能够带来可靠商业决策的强大测试并不是一项简单的挑战。小小高的文章提供了一份有用的路线图，避免了一些最常见的陷阱。
- 在脱离了测试的细枝末节之后，Shane Murray提出了一个关键问题：究竟由哪个团队负责数据质量？正如您可能猜到的那样，这个常见难题没有一种通用的解决方法，但一旦您对每个选项涉及的权衡有了更细致的了解，您就能更明智地做出正确的决策。
- 数据科学家天生是连接者，无论是在业务和产品团队之间、营销人员和客户之间，还是技术与非技术合作伙伴之间。Robert Yi最近分享了一篇发人深省的文章，呼吁数据团队对他们向其他利益相关者提供的数据负责，文章概述了他们可以采取的一些步骤，以确保在业务功能之间进行清晰而有效的沟通。
- 在进行组合项目工作时，目标通常是识别出最准确的模型并结束工作。Hennie de Harder提醒我们，在现实工作环境中，还有许多其他因素需要考虑，从成本到实施复杂性都包括在内。这就是为什么数据团队必须有一种一致的方法来比较不同的机器学习解决方案。
我们向您保证，以下是一个您不会后悔的小小决定：继续阅读我们每周的精选！我们在过去的几天里发布了一些杰出的文章，希望您不要错过。
- Rik Jongerius和Wessel为荷兰铁路运营商NS执行的项目进行了详细介绍：该项目涉及向移动应用用户提供实时的列车拥挤度预测。
- 将数据转化为推动行动的洞察力可能会很棘手，尤其在大型组织中。Khouloud El Alami分享了一些实用的想法来弥合这个差距。
- 语言模型如何对历史事件进行编码和表示？Yennie Jun探讨了一个在教育背景下，随着人工智能工具在教育中的普及，其相关性将迅速增长的主题。
- 如果您对最近开源的LLM（大型语言模型）感到兴趣，可以考虑跟随（并编写）Het Trivedi的教程，在云中运行Falcon-7B模型作为微服务。
- 利用Spark和Tableau Desktop的强大功能，CS博士、MS的黄宇向我们展示了如何自动化创建仪表板的过程。
- 如果您对一个有趣（且启发性）的项目回顾感兴趣，Shaked Zychlinski解释了他们如何创建一个基于ChatGPT的法语导师的工作原型（包括语音转文本和文本转语音功能）。
感谢您对我们作者的支持！如果您喜欢在TDS上阅读的文章，请考虑成为VoAGI会员，它可以解锁我们的整个文档库（以及VoAGI上的其他所有帖子）。
期待下一个Variable的到来，
TDS编辑部