Tomamos un enfoque similar en LinkedIn: no aislamos a los investigadores en un laboratorio separado. Tampoco creamos distinciones artificiales: los científicos entregan software de producción, y los ingenieros presentan resultados científicos en conferencias de primer nivel. Vemos la I + D como un esfuerzo holístico impulsado por nuestra misión de crear productos que aman a nuestros miembros. Hacer ciencia interesante es un medio necesario para ese fin y una delicia para las personas que trabajan en LinkedIn.
Por el contrario, el enfoque tradicional (que cada vez está menos favorecido) es que los investigadores construyan un prototipo en un laboratorio, y luego que un equipo de transferencia de tecnología independiente reconstruya una versión de producción del prototipo. Ese proceso tiene sus méritos en entornos donde los procesos y las habilidades requeridas para construir un prototipo son muy diferentes a los requeridos para construir una versión de producción. Pero en el software, y en la informática en general, la diferencia no es tan grande, y es mejor pensar en términos de un proceso de desarrollo ágil e iterativo.
- ¿Cuáles son los trabajos académicos clásicos en finanzas computacionales / comercio algorítmico?
- ¿Los programas de doctorado en informática valorarán las habilidades de investigación desarrolladas en un campo vecino, como la psicología?
- ¿Cuál es la necesidad de formas estándar y canónicas en un sistema informático?
- ¿Qué conceptos y prácticas de metodología de investigación genérica se utilizan en el campo del aprendizaje automático?
- Mi amigo está comenzando su doctorado en CS en el MIT. ¿De qué debo advertirle?
