Det räcker inte att ha data till hands – datavetare måste veta hur de ska tillämpas. Kredit:Gorodenkoff/Shutterstock
Världen är översvämmad med data. Det finns en virtuell tsunami av data som rör sig runt om i världen, förnyar sig dagligen. Ta bara de globala finansmarknaderna. De genererar enorma mängder data – aktiekurser, råvarupriser, index, optioner och terminspriser, för att nämna några stycken.
Men data är till ingen nytta om det inte finns människor som kan samla in, kollationera, analysera och tillämpa det till gagn för samhället. All data som genereras av globala finansmarknader används för tillgångs- och förmögenhetsförvaltning – och den måste analyseras och förstås ordentligt för att ge ett bra beslutsfattande. Det är där datavetenskap kommer in.
Data sciences primära syfte är att utvinna insikt ur data i olika former, både strukturerad och ostrukturerad. Det är ett tvärvetenskapligt område, som involverar allt från tillämpad matematik till statistik och artificiell intelligens till maskininlärning. Och det växer. Detta beror på framsteg inom datorteknik och bearbetningshastighet, den relativt låga kostnaden för att lagra data, och den enorma tillgången på data från Internet och andra källor som globala finansmarknader.
För att datavetenskap ska hända, självklart, du behöver datavetare. Eftersom datavetenskap har så stor omfattning, att vara datavetare täcker en rad yrken. Dessa inkluderar statistiker, operationsforskare, ingenjörer, datavetare, aktuarier, fysiker och maskininlärare.
Denna sort är inte nödvändigtvis en dålig sak. Från min egen praktiska erfarenhet, Jag lärde mig snabbt att när jag löser datavetenskapliga problem, du behöver en rad människor. Vissa kan arbeta på djupet med teori och andra kan utforska tillämpningsområdet.
Men hur ska dessa dataforskare utbildas så att de är förberedda på de stora datautmaningarna som ligger framför dem?
Dataforskare använder vanligtvis innovativa matematiska tekniker från sina egna delområden för att försöka lösa problem inom ett visst applikationsområde. Användningsområdena – ekonomi, hälsa, jordbruk och astronomi är bara några exempel – är väldigt olika. Detta innebär att var och en ställer till olika problem, och därför behöver datavetare kunskap om det specifika tillämpningsområdet.
Till exempel, överväg astrofysik och Square Kilometer Array som byggs på Afrikas södra spets. Det kommer att bli världens största radioteleskop när det står klart i mitten av 2020-talet. Uppsättningen av teleskop sägs ta emot data med en terabyte per sekund och forskare är vanligtvis intresserade av att analysera mängderna av data för att upptäcka små signaler som är uppslukade av vitt brus.
Inom finans, forskare utnyttjar stora databaser väldigt olika:till exempel för att lära sig mer om sina kunders kreditbeteende.
De mest etablerade delområdena inom datavetenskap är statistik och operationsforskning och det kan vara värt att lära av de etablerade utbildningsprogrammen inom dessa områden. Utbildar universiteten tillräckligt många akademiker inom dessa områden? Och räcker den träningen?
Även om studenter inom dessa områden är välutbildade akademiskt, många akademiker inom statistik och operationsforskning saknar kunskap om de områden där de förväntas tillämpa de matematiska teknikerna. De tenderar också att slåss med verkliga problemlösningsförmåga, samt saknar färdigheter i numerisk programmering och datahantering. Detta beror på att dessa färdigheter inte behandlas tillräckligt i många läroplaner.
Så, dra från dessa brister och lärdomarna från etablerade datavetenskapliga delområden, vad ska universitet undervisa blivande datavetare? Här är min lista.
Denna lista skulle kunna utökas på forskarnivå. Och, oavsett om det är på grund- eller forskarnivå, alla dessa kurser bör ha ett praktiskt inslag. Detta gör att eleverna kan utveckla både professionalism och problemlösningsförmåga.
Till exempel, vid Center for Business Mathematics and Informatics vid Sydafrikas North-West University, mina kollegor och jag har organiserat ett professionellt utbildningsprogram där studenter arbetar i sex månader på ett kundföretag för att lösa ett specifikt branschproblem. Dessa problem finns främst på det finansiella området; till exempel, modeller för att förutsäga en kunds förmåga och vilja att betala, modeller för att förbättra samlingar och modeller för bedrägeriidentifiering.
Detta hjälper eleverna att utveckla de nödvändiga färdigheterna för att fungera i arbetslivet, hantera verkliga data och tillämpa dem på verkliga problem snarare än att bara arbeta på en teoretisk nivå. Det är också, som en kollega och jag har argumenterat i tidigare forskning, hjälper till att minska klyftan mellan akademi och industri och gör datavetenskap mer relevant. BMI-programmen har erkänts och lovordats av internationella experter.
Datavetenskap, som ett fält, kommer bara att växa under de kommande decennierna. Det är absolut nödvändigt att universitet utbildar akademiker som kan hantera enorma mängder data, arbeta nära de industrier som producerar och tillämpar denna data – och gör data till något som kan förändra världen till det bättre.
Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln. 
