ഗവേഷകർ സോഫ്റ്റ്വെയറിന്റെ കുറവിനെക്കുറിച്ച് പരാതിപ്പെടാറില്ല. മറിച്ച്, അവർ നേരിടുന്നത് നേരെ തിരിച്ചുള്ള പ്രശ്നമാണ്: ഷെൽ സ്ക്രിപ്റ്റുകളും പ്രതീക്ഷകളും ഉപയോഗിച്ച് കൂട്ടിച്ചേർത്ത അസംബന്ധമായ നിരവധി ഉപകരണങ്ങൾ. ശാസ്ത്രീയ കണ്ടുപിടുത്തങ്ങൾക്കായി പ്രത്യേകം രൂപകൽപ്പന ചെയ്ത ഒരു ഏകീകൃത AI വർക്ക്ബെഞ്ച് ഉപയോഗിച്ച് ഈ പരുക്കൻ രീതിയെ മാറ്റാൻ OpenScience എന്ന പുതിയ ഓപ്പൺ സോഴ്സ് പ്രോജക്റ്റ് ലക്ഷ്യമിടുന്നു. TypeScript ഉപയോഗിച്ച് നിർമ്മിച്ചതും GitHub-ൽ ഇതിനോടകം 2,167-ലധികം സ്റ്റാറുകൾ നേടിയതുമായ ഈ പ്രോജക്റ്റ്, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിച്ച് വർക്ക്ഫ്ലോകൾ ഓട്ടോമേറ്റ് ചെയ്യാനും പരീക്ഷണ ഡാറ്റാ മാനേജ് ചെയ്യാനും സഹപ്രവർത്തകരെ ഒരേ ലക്ഷ്യത്തിൽ നിലനിർത്താനും സഹായിക്കുന്ന ഒരു പങ്കിട്ട അന്തരീക്ഷം ലാബുകൾക്ക് നൽകാൻ ആഗ്രഹിക്കുന്നു. ഇതിന്റെ ലക്ഷ്യം വ്യക്തമാണ്. എന്നാൽ ഓപ്പൺ സോഴ്സ് പരിപാലനത്തിന്റെ യാഥാർത്ഥ്യങ്ങളിലും നിലവിലുള്ള മത്സരങ്ങളിലും ഇത് അതിജീവിക്കുമോ എന്നത് മറ്റൊരു ചോദ്യമാണ്.
ഗവേഷണത്തിന് സ്വന്തമായി ഒരു വർക്ക്ബെഞ്ച് എന്തിനാണ് ആവശ്യം?
ശാസ്ത്രീയ പുരോഗതി എന്നത് പുനരുൽപ്പാദനക്ഷമതയെ (reproducibility) ആശ്രയിച്ചിരിക്കുന്നു. മറ്റൊരു ടീമിന് അതേ വിശകലനം നടത്തി അതേ നിഗമനത്തിൽ എത്താൻ കഴിയില്ലെങ്കിൽ ഒരു ഫലത്തിനും അർത്ഥമില്ല. എന്നിരുന്നാലും, ആധുനിക മെഷീൻ ലേണിംഗ് പൈപ്പ്ലൈനുകൾ വളരെ കുഴപ്പമുള്ളവയാണ്. പ്രീപ്രോസസ്സിംഗ് ഘട്ടങ്ങൾ ചിതറിക്കിടക്കുന്ന Jupyter സെല്ലുകൾക്കുള്ളിൽ ഒളിഞ്ഞിരിക്കുന്നു. ഹൈപ്പർപാരാമീറ്ററുകൾ രേഖപ്പെടുത്താത്ത സ്ക്രിപ്റ്റുകളിൽ ഹാർഡ്-കോഡ് ചെയ്തിരിക്കുന്നു. ഡാറ്റാസെറ്റുകൾ ഷെയർ ചെയ്ത ഡ്രൈവുകളിൽ കോപ്പി ചെയ്യപ്പെടുകയും പേര് മാറ്റപ്പെടുകയും നഷ്ടപ്പെടുകയും ചെയ്യുന്നു. ഒരു ഗ്രാജുവേറ്റ് വിദ്യാർത്ഥി പഠനം പൂർത്തിയാക്കി പോകുമ്പോൾ, അവരുടെ വർക്ക്ഫ്ലോ പലപ്പോഴും അവരോടൊപ്പം തന്നെ ഇല്ലാതാകുന്നു.
ആ കുഴപ്പങ്ങളെ നേരിട്ട് പരിഹരിക്കാനാണ് OpenScience ലക്ഷ്യമിടുന്നത്. ലൈബ്രറികളുടെ ഒരു കൂട്ടമായിരിക്കുന്നതിന് പകരം ഒരു ഏകീകൃത പ്ലാറ്റ്ഫോം വാഗ്ദാനം ചെയ്യുന്നതിലൂടെ, പരീക്ഷണങ്ങൾ എങ്ങനെ സജ്ജീകരിക്കുന്നു, ട്രാക്ക് ചെയ്യുന്നു, പങ്കിടുന്നു എന്നതിനെക്കുറിച്ച് സ്ഥിരത ഉറപ്പാക്കാൻ ഇത് ആഗ്രഹിക്കുന്നു. സഹകരണം ഇതിന്റെ പ്രധാന ഭാഗമാണ്. കോഡുകൾ ഇമെയിൽ വഴി അയക്കുന്നതിനോ വേർഷൻ കൺട്രോളിനായി കഷ്ടപ്പെടുന്നതിനോ പകരം, ആരാണ് എപ്പോൾ എന്ത് മാറ്റം വരുത്തിയതെന്ന് രേഖപ്പെടുത്തുന്ന ഒരു പൊതുവായ അന്തരീക്ഷത്തിനുള്ളിൽ ഗവേഷകർക്ക് പ്രവർത്തിക്കാം. ഒരു പരീക്ഷണം ആഴ്ചകളോളം നീണ്ടുനിൽക്കുന്ന കമ്പ്യൂട്ടേഷൻ ആവശ്യമായി വരുന്ന മേഖലകളിൽ, ഇത്തരത്തിലുള്ള സുതാര്യത ഒരു ആഡംബരമല്ല, മറിച്ച് അത് ഒരു അനിവാര്യതയാണ്.
ശാസ്ത്രീയ കോഡിംഗിനായി TypeScript തിരഞ്ഞെടുക്കുന്നത്
ഇത് TypeScript ഉപയോഗിച്ച് നിർമ്മിക്കാൻ തീരുമാനിച്ചത് അപ്രതീക്ഷിതമാണ്. മെഷീൻ ലേണിംഗ് പ്രവർത്തിക്കുന്നത് Python ഉപയോഗിച്ചാണ്. TensorFlow, PyTorch, കൂടാതെ ഭൂരിഭാഗം ഗവേഷണ കോഡ്ബേസുകളും ഇതിലാണ് എഴുതപ്പെട്ടിരിക്കുന്നത്. ശാസ്ത്രജ്ഞർ സാധാരണയായി Python അല്ലെങ്കിൽ R ആണ് ഉപയോഗിക്കുന്നത്, പലർക്കും വെബ് വിഷ്വലൈസേഷൻ മാറ്റം വരുത്താൻ ആവശ്യമായ അത്രയും മാത്രം JavaScript അറിയാം. പിന്നെ എന്തിനാണ് TypeScript?
സ്റ്റാറ്റിക് ടൈപ്പിംഗ് (static typing) കോഡിനെ സംഘടിതവും വിശ്വസനീയവുമാക്കുമെന്ന് ഡെവലപ്മെന്റ് ടീം വാദിക്കുന്നു. ശാസ്ത്രീയ ജോലികളിൽ, ഒരു ചെറിയ ടൈപ്പ് എറർ പോലും മാസങ്ങളായുള്ള ലാബ് ജോലികളെ പാഴാക്കിയേക്കാം. ദീർഘനേരം നീണ്ടുനിൽക്കുന്ന ഒരു ട്രെയിനിംഗ് ജോബ് പരാജയപ്പെടുന്നതിന് മുമ്പ് തന്നെ, TypeScript ബഗുകളെ കണ്ടെത്തി പരിഹരിക്കാൻ സഹായിക്കുന്നു. പുനരുൽപ്പാദനക്ഷമത ഉറപ്പാക്കാൻ ആഗ്രഹിക്കുന്ന ഒരു പ്ലാറ്റ്ഫോമിനെ സംബന്ധിച്ചിടത്തോളം, ആ കൃത്യത വളരെ ആകർഷകമാണ്.
ഇതിൽ ചില വെല്ലുവിളികളുമുണ്ട്. പ്രൊഫഷണൽ ടൂളിംഗിന് പ്രാധാന്യം നൽകുന്ന ഡെവലപ്പർമാരെ TypeScript ആകർഷിക്കുമെങ്കിലും, OpenScience സേവനം നൽകാൻ ആഗ്രഹിക്കുന്ന ഗവേഷകരെ ഇത് അകറ്റിയേക്കാം. സർവേ ഡാറ്റ ഫോർമാറ്റ് ചെയ്യാൻ അടിസ്ഥാന JavaScript പഠിച്ച ഒരു ബയോളജിസ്റ്റ് ഇപ്പോൾ ഇന്റർഫേസുകളും ജനറിക്സും ബിൽഡ് പൈപ്പ്ലൈനും പഠിക്കേണ്ടി വരും. ഇതിന്റെ പഠനഘട്ടം (learning curve) കഠിനമാണ്. ഒരു മോഡൽ പരിശീലിപ്പിക്കുന്നതിന് മുമ്പ് ഓരോ ഉപയോക്താവും ഒരു സോഫ്റ്റ്വെയർ എഞ്ചിനീയർ ആകണമെന്ന് പ്ലാറ്റ്ഫോം നിർബന്ധിച്ചാൽ, അതിന്റെ ഉപയോഗം കുറയും. എന്നാൽ ദീർഘകാലാടിസ്ഥാനത്തിലുള്ള സ്ഥിരതയ്ക്ക് ലഭിക്കുന്ന നേട്ടം, തുടക്കത്തിലുള്ള ഈ ബുദ്ധിമുട്ടുകളേക്കാൾ വലുതായിരിക്കുമെന്നാണ് ഈ പന്തയം.
OpenScience എന്ത് വാഗ്ദാനം ചെയ്യുന്നു
നിലവിൽ വലിയ മാനസിക അധ്വാനം ആവശ്യമായ രണ്ട് ജോലികൾ ലഘൂകരിക്കാനാണ് ഈ പ്രോജക്റ്റ് ആഗ്രഹിക്കുന്നത്: മോഡൽ ട്രെയിനിംഗും പരീക്ഷണ ട്രാക്കിംഗും. ഗവേഷകരോട് പകുതിയിലധികം കമാൻഡ്-ലൈൻ യൂട്ടിലിറ്റികൾ കൂട്ടിച്ചേർക്കാൻ ആവശ്യപ്പെടുന്നതിന് പകരം, ഒരു ഏകീകൃത ഇന്റർഫേസ് നൽകാൻ OpenScience പദ്ധതിയിടുന്നു. കൂടാതെ, ശാസ്ത്രജ്ഞർക്ക് തങ്ങൾ പരിചിതമായ ലൈബ്രറികൾ ഉപേക്ഷിക്കേണ്ടി വരാതിരിക്കാൻ TensorFlow, PyTorch എന്നിവയുമായി ഇത് സംയോജിപ്പിക്കാനും ഉദ്ദേശിക്കുന്നു.
AI തന്നെ ഇതിലെ ഭാരമേറിയ ജോലികൾ ചെയ്യേണ്ടതുണ്ട്. ആവർത്തന സ്വഭാവമുള്ള വർക്ക്ഫ്ലോകൾ ഓട്ടോമേറ്റ് ചെയ്യാൻ ഈ വർക്ക്ബെഞ്ച് ലക്ഷ്യമിടുന്നു. ഓട്ടോ-ജനറേറ്റഡ് ഡാറ്റ ക്ലീനിംഗ് പൈപ്പ്ലൈനുകൾ, മുൻപത്തെ റണ്ണുകൾ അടിസ്ഥാനമാക്കിയുള്ള ഹൈപ്പർപാരാമീറ്ററുകൾക്കായുള്ള ബുദ്ധിപരമായ നിർദ്ദേശങ്ങൾ, അല്ലെങ്കിൽ ഏത് ഡാറ്റാസെറ്റ് പതിപ്പാണ് ഒരു പ്രത്യേക ഫലം നൽകിയതെന്ന് രേഖപ്പെടുത്തുന്ന ഓട്ടോമേറ്റഡ് ലോഗിംഗ് എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു. ഈ കാഴ്ചപ്പാട് യാഥാർത്ഥ്യമായാൽ, ഗവേഷകർക്ക് അടിസ്ഥാന സൗകര്യങ്ങൾക്ക് പകരം ഹൈപ്പോത്തിസികളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ സാധിക്കും.
ഇന്റഗ്രേഷൻ ബ്ലോട്ട് (Integration Bloat) മൂലമുള്ള അപകടസാധ്യത
ഓരോ പ്ലാൻ ചെയ്ത ഇന്റഗ്രേഷനും പരിപാലനം ആവശ്യമായ ഒരു വാഗ്ദാനമാണ്. TensorFlow, PyTorch എന്നിവ നിരന്തരം അപ്ഡേറ്റുകൾ പുറത്തിറക്കുന്നുണ്ട്. ഒരു പ്രധാന ഡിപ്പൻഡസിയിലുണ്ടാകുന്ന ചെറിയ മാറ്റം പോലും OpenScience-ന്റെ അബ്സ്ട്രാക്ഷൻ ലെയറുകളെ ബാധിക്കുകയും, പരീക്ഷണങ്ങൾ നടത്തുന്നതിന് പകരം ഉപയോക്താക്കൾക്ക് непоняുന്ന സ്റ്റാക്ക് ട്രാസുകൾ (stack traces) കാണേണ്ടി വരികയും ചെയ്തേക്കാം. കൂടുതൽ ലൈബ്രറികൾ എന്നാൽ കൂടുതൽ സെക്യൂരിറ്റി പാച്ചുകൾ, കൂടുതൽ വേർഷൻ സംഘർഷങ്ങൾ, കൂടാതെ പ്ലാറ്റ്ഫോം സേവനം നൽകുന്ന ടൂളുകളിൽ നിന്ന് അകന്നുപോകാനുള്ള കൂടുതൽ അവസരങ്ങൾ എന്നിവയാണ് അർത്ഥമാക്കുന്നത്.
സെറ്റപ്പ് സങ്കീർണ്ണതയാണ് ഗവേഷണ സോഫ്റ്റ്വെയറുകളുടെ നിശബ്ദനായ കൊലയാളി. OpenScience ഇൻസ്റ്റാൾ ചെയ്യാൻ CUDA ഡ്രൈവറുകൾ, പ്രത്യേക Node.js പതിപ്പുകൾ, പരസ്പരവിരുദ്ധമായ Python എൻവയോൺമെന്റുകൾ എന്നിവയുമായി പൊരുതേണ്ടി വന്നാൽ, തിരക്കുള്ള ബിരുദാനന്തര ബിരുദ വിദ്യാർത്ഥികൾ റൺടൈം മുൻകൂട്ടി ക്രമീകരിച്ചിട്ടുള്ള ഒരു Google Colab ടാബ് തുറക്കുകയേ ചെയ്യൂ. ഗവേഷണങ്ങൾ നടക്കുന്നത് കർശനമായ സമയപരിധിക്കുള്ളിലാണ്. ഒരു ടൂൾചെയിൻ ഡിബഗ്ഗിംഗ് ചെയ്യാൻ മൂന്നാഴ്ചകൾ ചെലവഴിച്ചതുകൊണ്ട് ആരും ഒരു പ്രസിദ്ധീകരണം നേടുന്നില്ല.
ഡെവലപ്പർമാർ ഈ പ്രതിസന്ധിയെക്കുറിച്ച് ബോധവാന്മാരാണെന്ന് തോന്നുന്നു. ഉപകാരപ്രദമായ രീതിയിൽ ആവശ്യമായ ശേഷി നൽകുന്നതോടൊപ്പം തന്നെ, ആ ടൂൾ അതിന്റെ തന്നെ ഭാരം കൊണ്ട് തകരാത്ത രീതിയിൽ ലളിതമായി നിലനിർത്തുക എന്നതാണ് അവരുടെ വെല്ലുവിളി.
ഓപ്പൺ സോഴ്സിലെ സുസ്ഥിരത
വെബ് ഡെവലപ്മെന്റ് മുതൽ ഡാറ്റാ അനാലിസിസ് വരെ എല്ലാം ഓപ്പൺ സോഴ്സ് സോഫ്റ്റ്വെയർ ജനാധിപത്യവൽക്കരിച്ചു. ആർക്കും കോഡ് പരിശോധിക്കാനും, ഒരു പരിഹാരത്തിന് സംഭാവന നൽകാനും, അല്ലെങ്കിൽ ഒരു പ്രത്യേക ആവശ്യത്തിനായി പ്രോജക്റ്റ് ഫോർക്ക് ചെയ്യാനും കഴിയും. ശമ്പളം വാങ്ങുന്ന പ്രൊഫഷണലുകളുടെ ഒരു വലിയ കൂട്ടം അവരുടെ ദൈനംദിന ജോലികൾക്കായി കോഡ്ബേസിനെ ആശ്രയിക്കുമ്പോൾ ഈ തുറന്ന സ്വഭാവം നന്നായി പ്രവർത്തിക്കുന്നു.
ശാസ്ത്രീയമായ ഓപ്പൺ സോഴ്സ് ടൂളുകൾ മറ്റൊരു യാഥാർത്ഥ്യമാണ് നേരിടുന്നത്. ആ 2,167 GitHub സ്റ്റാറുകൾ വാഗ്ദാനങ്ങൾ നൽകുന്നുണ്ടാകാം, പക്ഷേ സ്റ്റാറുകൾ മെയിന്റൈനർമാർക്ക് ഫണ്ട് നൽകുന്നില്ല. ഗ്രാന്റ് സൈക്കിളുകൾ അവസാനിക്കുന്നു. ബിരുദാനന്തര ബിരുദ വിദ്യാർത്ഥികൾ പഠനം കഴിഞ്ഞ് പോകുന്നു. സ്ഥിരമായ സ്ഥാപനപരമായ പിന്തുണയോ അല്ലെങ്കിൽ സമർപ്പിതരായ ഒരു കോർ ടീമോ ഇല്ലെങ്കിൽ, മികച്ച പ്രോജക്റ്റുകൾ പോലും നിശ്ചലമായിപ്പോകുന്നു. റെപ്പോസിറ്ററി ഒരു വർഷത്തേക്ക് ഉപയോഗിക്കപ്പെടാതെ ഇരിക്കുന്നു, ഡിപെൻഡൻസികൾ കാലഹരണപ്പെടുന്നു, ആധുനിക ഹാർഡ്വെയറിൽ പ്രവർത്തിക്കാൻ കഴിയാത്ത രീതിയിൽ ആദ്യകാല ഉപയോക്താക്കൾക്ക് ഉപേക്ഷിക്കപ്പെട്ട കോഡുകൾ മാത്രം അവശേഷിക്കുന്നു. പുനരാവിഷ്കരിക്കാവുന്ന ശാസ്ത്രം (reproducible science) ഹോസ്റ്റ് ചെയ്യാൻ ആഗ്രഹിക്കുന്ന ഒരു പ്ലാറ്റ്ഫോമിനെ സംബന്ധിച്ചിടത്തോളം, നിലവിലില്ലാതിരിക്കുന്നതിനേക്കാൾ മോശമാണ് ഉപേക്ഷിക്കപ്പെടുന്നത്. വാർത്തകളിൽ മാത്രം ഒതുങ്ങാതെ നിലനിൽക്കണമെങ്കിൽ OpenScience-ന് സർവ്വകലാശാലകളിൽ നിന്നോ ലാബുകളിൽ നിന്നോ ഫണ്ടിംഗ് ഏജൻസികളിൽ നിന്നോ ദീർഘകാല പിന്തുണ ആവശ്യമാണ്.
Jupyter, Colab, MATLAB എന്നിവയുമായുള്ള മത്സരം
OpenScience തിരക്കേറിയ ഒരു മേഖലയിലേക്കാണ് പ്രവേശിക്കുന്നത്. Python-ൽ ഗവേഷണങ്ങൾ നടത്തുന്നതിനുള്ള ഡിഫോൾട്ട് ടൂൾ Jupyter Notebooks ആണ്. ബ്രൗസർ ടാബിനുള്ളിൽ സൗജന്യമായി GPU നൽകിക്കൊണ്ട് Google Colab ഹാർഡ്വെയർ തടസ്സങ്ങൾ നീക്കി. വാറന്റി ഉറപ്പുള്ള ടൂൾബോക്സുകൾക്കും പതിറ്റാണ്ടുകളായുള്ള സ്ഥാപനപരമായ അറിവിനും പ്രാധാന്യം നൽകുന്ന എഞ്ചിനീയറിംഗ് വിഭാഗങ്ങളിൽ ഇപ്പോഴും MATLAB ആധിപത്യം പുലർത്തുന്നു.
ഈ നിലവിലുള്ള ടൂളുകളിൽ നിന്ന് ഉപയോക്താക്കളെ ആകർഷിക്കാൻ, അവ നൽകാത്ത എന്തെങ്കിലും OpenScience വാഗ്ദാനം ചെയ്യണം. ഒരുപക്ഷേ അത് ഷെയർ ചെയ്ത നോട്ട്ബുക്കുകളുടെ ലേറ്റൻസി ഇല്ലാതെ യഥാർത്ഥമായ മൾട്ടി-യൂസർ കൊളാബറേഷൻ ആകാം. അല്ലെങ്കിൽ സോഫ്റ്റ്വെയർ ഡെവലപ്പർമാർ മാത്രമല്ല, ശാസ്ത്രജ്ഞരും റോഡ്മാപ്പ് തീരുമാനിക്കുന്ന ഒരു ഗവേണൻസ് ഘടന ആകാം. അല്ലെങ്കിൽ പുനരാവിഷ്കരിക്കാനുള്ള കഴിവ് ഒരു അധിക ചിന്തയായി മാറാതെ തന്നെ സ്വയമേവ സാധ്യമാക്കുന്ന എക്സ്പിരിമെന്റ് വേർഷനിംഗ് രീതി ആകാം.
വ്യത്യാസം എന്തായാലും, ആ ടൂൾ എളുപ്പത്തിൽ ഉപയോഗിക്കാൻ കഴിയുന്നതായിരിക്കണം. അത് ഉയർന്ന നിലവാരമുള്ള ലോക്കൽ വർക്ക്സ്റ്റേഷനുകൾ ആവശ്യപ്പെടുകയോ അല്ലെങ്കിൽ ഓരോ ഉപയോക്താവും ഒരു ഡെവലപ്മെന്റ് സെർവർ പ്രവർത്തിപ്പിക്കാൻ താല്പര്യമുള്ളവരാണെന്ന് കരുതുകയോ ചെയ്താൽ, അത് ഒരിക്കലും GitHub ട്രെൻഡിംഗ് പേജിൽ എത്തില്ല. ഗവേഷകർ ഉത്തരങ്ങൾ കണ്ടെത്തുന്നതിനാണ് മുൻഗണന നൽകുന്നത്, സോഫ്റ്റ്വെയർ കോൺഫിഗർ ചെയ്യുന്നതിനല്ല.
യഥാർത്ഥ പരീക്ഷണം: കോഡിനേക്കാൾ ഉപരി ഗവേണൻസ്
ക്ലീൻ TypeScript-ഉം വലിയ ഫീച്ചർ ലിസ്റ്റും കൊണ്ട് മാത്രം ഈ പ്രോജക്റ്റിനെ മുന്നോട്ട് കൊണ്ടുപോകാൻ കഴിയില്ല. ഡെവലപ്പർമാർ ഡെവലപ്പർമാർക്ക് വേണ്ടി നിർമ്മിച്ചതുകൊണ്ട് പരാജയപ്പെട്ട മനോഹരമായ കോഡ്ബേസുകളുടെ ചരിത്രം ശാസ്ത്രീയ സോഫ്റ്റ്വെയറുകൾക്കുണ്ട്. ഒരു CSV ഇമ്പോർട്ടർ യഥാർത്ഥ ഡാറ്റ ഉപയോഗിക്കുമ്പോൾ ക്രാഷ് ആകുകയാണെങ്കിൽ, ഒരു ലാബ് ശാസ്ത്രജ്ഞന് ആകർഷകമായ യൂസർ ഇന്റർഫേസ് ആവശ്യമില്ല. ഗവേഷണത്തിന്റെ യഥാർത്ഥ പ്രയാസങ്ങളെ ഉൾക്കൊള്ളുന്ന ടൂളുകളാണ് അവർക്ക് വേണ്ടത്: ഫീൽഡ് സ്റ്റേഷനുകളിലെ ഇടയ്ക്കിടെയുള്ള ഇന്റർനെറ്റ് തടസ്സം, പഴയ ഉപകരണങ്ങളിൽ നിന്നുള്ള ക്രമരഹിതമായ ഫയൽ ഫോർമാറ്റുകൾ, കൂടാതെ ഒരു സംശയാലുവായ റിവ്യൂവർക്ക് മുന്നിൽ ഏത് കോഡാണ് ഏത് ചിത്രം നിർമ്മിച്ചതെന്ന് കൃത്യമായി തെളിയിക്കാനുള്ള അനിവാര്യത എന്നിവയാണവ.
വിജയം കമ്മ്യൂണിറ്റി ഗവേണൻസിനെ ആശ്രയിച്ചിരിക്കുന്നു. എന്താണ് നിർമ്മിക്കേണ്ടതെന്ന് തീരുമാനിക്കുന്നതിൽ പ്രിൻസിപ്പൽ ഇൻവെസ്റ്റിഗേറ്റർമാർക്കും ലാബ് മാനേജർമാർക്കും ബിരുദാനന്തര ബിരുദ വിദ്യാർത്ഥികൾക്കും യഥാർത്ഥ ശബ്ദം ആവശ്യമാണ്. ഡെവലപ്പർമാർ കരുതുന്ന രീതിയിലല്ല, മറിച്ച് ശാസ്ത്രജ്ഞർ എവിടെയാണോ ഉള്ളത് അവിടെ എത്തിച്ചേരാൻ OpenScience ശ്രമിക്കണം.
ചുരുക്കത്തിൽ
OpenScience യഥാർത്ഥത്തിൽ രസകരമായ ഒരു പരീക്ഷണമാണ്. ശാസ്ത്രീയ കണ്ടെത്തലുകളുടെ സങ്കീർണ്ണവും ആവർത്തന സ്വഭാവമുള്ളതുമായ ലോകത്തേക്ക് ടൈപ്പ്ഡ് സോഫ്റ്റ്വെയർ എഞ്ചിനീയറിംഗിന്റെ കൃത്യത ഇത് പ്രയോഗിക്കുന്നു. വേഗത്തിലുള്ള Python സ്ക്രിപ്റ്റുകൾ ആധിപത്യം പുലർത്തുന്ന ഈ മേഖലയിൽ അത്തരമൊരു സംയോജനം അപൂർവ്വമാണ്. എന്നാൽ സാങ്കേതികമായ തിരഞ്ഞെടുപ്പുകൾ അപകടസാധ്യതകൾ ഉയർത്തുന്നു, മത്സരം കഠിനമാണ്, കൂടാതെ GitHub സ്റ്റാറുകളിൽ നിന്ന് സുസ്ഥിരമായ ഇൻഫ്രാസ്ട്രക്ചറിലേക്കുള്ള പാത കഠിനവുമാണ്. കോഡ് ഓപ്പൺ ആണ്. സ്റ്റാറുകൾ വർദ്ധിച്ചുകൊണ്ടിരിക്കുന്നു. യഥാർത്ഥ വെല്ലുവിളി ഇപ്പോൾ നിർമ്മിക്കുക എന്നതാണ്...