ברוב המעבדות מגיע הרגע שבו סקריפט שסטודנט אחד כתב הופך למשהו שכל הקבוצה תלויה בו. להביא צוות חיצוני שיהפוך אותו לתוכנה אמיתית זה צעד הגיוני, והשאלות כאן הן אלה שקובעות אם התוצאה תמשיך לעבוד גם אחרי שמי שביקש אותה ימשיך הלאה. אם רוצים לראות קודם איזו עבודה זו, אפשר לקרוא על פיתוח תוכנה ו-AI לאקדמיה ומחקר.
של מי הקוד ושל מי הנתונים?
שואלים את זה לפני כל דבר אחר. הקוד צריך לשבת במאגר שהמוסד שולט בו, מהקומיט הראשון, והנתונים צריכים להישאר בסביבה שלכם. צוות שמחזיק את הקוד אצלו עד שהחשבונית האחרונה משולמת יוצר תלות שתורגש ברגע הכי פחות נוח, בדרך כלל רגע לפני הגשה.
כדאי לבדוק מה האוניברסיטה דורשת. להרבה מוסדות יש כללים על נתוני מחקר, על אזורי ענן ועל מי מורשה לראות מידע מזהה. צוות טוב שואל על הכללים האלה מוקדם ובונה לפיהם. הרבה גופים מממנים גם מצפים שנתוני מחקר יהיו ניתנים לאיתור, נגישים, תואמים ושמישים מחדש, כפי שמוגדר בעקרונות FAIR, שפורסמו לראשונה ב-Scientific Data.
מישהו אחר יוכל להריץ את זה בשנה הבאה?
תוכנת מחקר נכשלת בדרך כלל בשקט. מי שכתב אותה עוזב, ספרייה מתעדכנת, ואף אחד לא מצליח לשחזר את הגרפים של השנה שעברה. שאלו את הצוות איך הכלי ירוץ אצל מישהו חדש: קובץ README קצר שבאמת עובד על מחשב נקי, גרסאות קבועות של תלויות, ובדיקות על החלקים שמייצרים תוצאות.
בקשו לראות את המסירה. הדרכה מוקלטת לסטודנט הבא שווה יותר ממסמך ארוך שאף אחד לא קורא.
