Habr, hallo! Wir setzen eine Reihe von Interviews mit Newprolab-Alumni fort, in denen sie über ihre Geschichte des Übergangs zur Datenwissenschaft sprechen. Die Geschichten sind unterschiedlich und werden für diejenigen interessant sein, die darüber nachdenken, ihren Karriereweg zu ändern oder wie neues Wissen zur Lösung aktueller Probleme beitragen kann. Wir haben uns kürzlich mit Yana Charuyskaya, Product Owner bei MTS, getroffen. Yana erzählte, wie sie zu Big Data kam, wie sie beruflich wuchs, erinnerte sich an ihr Lieblingsprojekt, das ihren Freunden zusätzlich zu ihrem Wissen und ihrer Erfahrung zur Verfügung stand. Sie sprach über die Arbeitsatmosphäre in MTS, über die Projekte, die ihr Team durchführt, über ihren Traum, Pläne für die Zukunft usw.
- Yana, erzähl mir ein wenig über dich und deinen Hintergrund.- Mein Name ist Yana Charuyskaya, ich bin Product Owner bei MTS. Ich interessiere mich für den Bereich Big Data und mache das seit ungefähr zwei Jahren. Wenn ich kurz über meine Geschichte spreche: Ich habe die Hochschule für Wirtschaftswissenschaften in Wirtschaftsinformatik abgeschlossen, 6 Jahre studiert und dann ein Jahr als Psychologe studiert. Vier Jahre lang war ich in der IT-Beratung tätig, drei von ihnen beschäftigten sich mit Data Warehousing, Data Marts und Gebäudemanagement, hauptsächlich für große Banken. Das letzte Jahr in der Beratung war maschinelles Lernen und Predictive Analytics. Jetzt arbeite ich bei MTS als Produktmanager, habe ein Team von 6 Mitarbeitern und es wächst, in naher Zukunft werde ich weitere 7 einstellen. Im Allgemeinen expandiert das Unternehmen auch, jetzt gibt es mehr als 150 Big Data-Spezialisten in MTS und viele weitere offene Stellen sind offen (wir planen zu erhöhen) Das Personal ist fast 2 mal!). Mein Team und ich entwickeln mehrere Produkte gleichzeitig, im Moment befinden sie sich in verschiedenen Phasen der Implementierung: Es gibt Produkte, die sich in der F & E-Phase befinden, einige befinden sich in der Produktionsphase.
- Warum und zu welchem Zeitpunkt haben Sie beschlossen, Ihre Arbeit mit Big Data zu verknüpfen?- Irgendwann wurde es modisch und interessant, aber für mich war es ein schwieriger und unverständlicher Bereich. Natürlich habe ich an der Universität die Programmiersprache C # studiert und ein wenig die theoretischen Grundlagen verstanden, aber ich habe mich nie selbst programmiert. Nachdem ich einen Job in der IT-Beratung bekommen hatte, schrieb ich viele Skripte in SQL. Aber was ist Python, neuronale Netze, was schreibt Programme in einer Programmiersprache oder erstellt Vorhersagemodelle - all dies war für mich eine seltsame Reihe von Wörtern, die ich wirklich verstehen wollte. Es war eine Herausforderung für mich und ich wollte es versuchen. Alles begann mit der Tatsache, dass ich im Internet einige Websites auf Python fand. Ich begann, einfache Probleme zu trainieren und zu lösen. Ich entschied, es scheint sich irgendwie herauszustellen, aber etwas fehlte. Ich fand mich als Python-Tutor wieder, mit dem wir Code zum Lösen eines beliebigen linearen Gleichungssystems mit der Gauß-Methode geschrieben haben. Ich erinnere mich, wir haben dieses Problem ungefähr einen Monat lang gelöst. Es hat sich zwar als schlecht für mich herausgestellt, vielleicht war der Lehrer nicht sehr, ich weiß es nicht, aber ich habe es am Ende selbst entschieden.
Nach der erfolglosen Erfahrung mit Nachhilfe begann ich, Optionen für den Besuch von Kursen in Betracht zu ziehen, fand das Programm
"Big Data Specialist" im Internet und war sehr froh, dass dies genau das war, was ich brauchte: drei Monate lang maschinelles Lernen und eine großartige Gelegenheit, mich kennenzulernen eine große Anzahl von Systemen zur Bereitstellung von Big Data. Für mich ist Online-Training definitiv nicht die am besten geeignete Option. Es ist wichtig, dass ich nicht alleine am Computer zu Hause sitze, sondern in Gesellschaft von Menschen, die mit einer Aufgabe beschäftigt sind. Es muss ein Element des Wettbewerbs geben, damit Sie es besser machen können als Sie Kollege. Deshalb habe ich mich für Newprolab entschieden und bereue es nicht.
Zu dieser Zeit entwickelte ich ein Data Warehouse, für mich war es ein wenig langweilig, ich wollte in einen neuen Bereich umziehen, aber der Leiter sagte, dass es zu diesem Zeitpunkt keine solche Möglichkeit gab, schlug jedoch vor, die Analyse in einer großen Bank vollständig zu schließen. Während des Programmablaufs wurde mir klar, dass ich immer noch maschinelles Lernen machen möchte. Ich war wie ein Interview, auf der Suche nach Arbeit, ich bekam zwei Angebote. Ich komme mit ihnen zum Leiter und sage, dass ich gehe, weil ich Data Science studieren möchte. Dann bot mir nur er eine solche Gelegenheit innerhalb der Firma. Eine der Bedingungen für den Umzug in ein anderes Gebiet war die Aufgabe seines Analystenteams. Ich wurde alleine gelassen, es war schwer. Zum größten Teil war ich im Vorverkauf tätig, das heißt, um ein Modell herzustellen, musste ich zuerst einen Kunden finden, dieses Modell verkaufen, herstellen, schützen und dafür bezahlt werden. Dies sind jedoch einige einmalige Aktivitäten. Sie werden kein Team dafür finden. Es gab nicht viel Fachwissen. Die Produkte waren größtenteils kommerziell, wir verwendeten praktisch keine Open-Source-Lösungen, daher brauchte ich weder Python noch Spark. Modelle wurden hauptsächlich mit kommerziellen Lösungen für die Erstellung klassischer Antwortmodelle erstellt. Aufgrund der Tatsache, dass ich mehr Fachwissen auf dem Gebiet der Datenwissenschaft erlangen, interessante Produkte entwickeln und in einem großen Team von Spezialisten arbeiten wollte, entschied ich mich, wieder nach Arbeit zu suchen.
- Wir werden mehr darüber sprechen, wie Sie sich für MTS engagiert haben. Sagen Sie mir, wie Sie gute Spezialisten halten können und sollen, und lohnt es sich, dies zu tun?- Natürlich lohnt es sich, und es ist besser, es nicht zu halten, sondern alle Bedingungen zu schaffen, um dies zu tun
sie wollten bleiben! Es gibt nicht viele gute Spezialisten auf dem Big-Data-Markt, daher widme ich viel Zeit der Aufrechterhaltung einer freundlichen Atmosphäre im Team. Wir kommunizieren viel, tauschen Ideen und Eindrücke aus. Wir gehen auch zusammen zu Konferenzen und spielen intellektuelle Spiele (zum Beispiel „Was? Wo? Wann?“). Ich versuche, allen Jungs interessante Rätsel zu geben und ihren Download anzusehen, damit es nicht zu Überarbeitung kommt.
- Und auf welche Schwierigkeiten sind Sie von Anfang an beruflich gestoßen, welche Herausforderungen mussten Sie bewältigen?- Die größte Herausforderung war die Programmiersprache, da ich mehr Mathematiker bin und die Programmierung eine andere Logik aufweist: Zuweisen von Variablen, Erstellen von Klassen, Vererbung, Polymorphismus usw. Da die Programmierung nicht meine ist, habe ich mich wieder für HSE entschieden. Eine der größten Schwierigkeiten bestand darin, die psychologische Barriere zu überwinden, dass ich auch Code schreiben kann, und dies ist für mich kein Problem. Im Allgemeinen gab es nicht sehr viele Schwierigkeiten, es gab viele Fragen. Es ist gut, dass ich viele Freunde hatte, die all diese Fragen beantworteten: sowohl meine Klassenkameraden bei Newprolab als auch zukünftige Freunde, die ich auf verschiedenen Konferenzen zu Data Science und Big Data getroffen habe. Und auch Open Data Science in Slack, wo Sie Fragen stellen können, und Data Science-Frühstück, zu dem Sie kommen und jedes Problem diskutieren können. Im Allgemeinen scheint es mir, dass Schwierigkeiten, wenn überhaupt, leicht überwunden werden können, da sich Data Science jetzt aktiv entwickelt und die Jungs sehr offen und hilfsbereit sind.
Ich spreche viel mit Leuten, einschließlich Neulingen auf dem Gebiet der Datenwissenschaft, die bezweifeln, ob sie auf dem Gebiet tätig werden sollen oder nicht. Sie haben ihr ganzes Leben in einem bestimmten Bereich gearbeitet, sie interessieren sich für Data Science, aber sie bezweifeln, dass es sich lohnt, etwas zu ändern, sie haben Angst. Ich glaube, wenn Sie Ihr Leben verändern und zu Ihrem Traum gehen wollen, dann ist dies ziemlich real. Ich begann mit einem Promoter, arbeitete in Auchan, machte Werbung für Joghurt, wurde dann Tutor für Mathematik, war drei Jahre lang (und vielleicht auch länger) als Tutor tätig, aber mir wurde klar, dass dies eine Art Einkommen bringt, aber nicht immer. Ich habe als Wirtschaftswissenschaftler in einer Leasingfirma gearbeitet, es gab dort keine IT, Excel war bestenfalls, wir haben auch keine Makros geschrieben, die Arbeit war langweilig für mich und ich war sehr besorgt, dass sie sich verschlechtert. Ich habe versucht, mich in einem anderen Bereich wiederzufinden (eigentlich eher im Zusammenhang mit meiner Ausbildung) - ich habe mich beraten lassen, war in Lagereinrichtungen beschäftigt. Dann wurden die Repositories müde, und wieder stand ich vor der Wahl, wohin ich als nächstes gehen sollte. Mit solchen schrittweisen Schritten, die mit Veränderungen in meiner beruflichen Tätigkeit verbunden waren, kam ich zu Big Data, was ich überhaupt nicht bereue. Ich war bereit, meine Ressourcen und meine Zeit zu verwenden, um diesen Bereich zu verstehen. Ich denke, wenn es Motivation gibt, können Sie leicht alle Hindernisse überwinden und erreichen, was Sie wollen. Wieder kein Grund zur Angst.
- Eine ausgezeichnete Lebensposition und Ihre Geschichte ist ein großartiges Beispiel dafür, dass auf Wunsch alles möglich ist. Zurück zu denen, die zu Data Science gehen möchten, was denken Sie außer Angst, was kann sonst noch aufhören? Du redest viel mit Leuten, vielleicht haben sie es mit dir geteilt.- Hauptsache - "Ich habe keine Erfahrung, ich bin nicht bereit, ich weiß nichts." Ich erzähle Ihnen sofort aus eigener Erfahrung: Ich habe Newprolab-Kurse besucht, dort zwei Wochen lang studiert und hatte bereits zwei Angebote im Bereich Data Science für gute Gehälter. Zwei Angebote, und ich habe noch studiert! Ich habe nicht einmal in diesem Bereich gearbeitet, ich habe nur ein wenig Python unterrichtet und gerade habe ich gerade angefangen, Kurse zu belegen. Ich bin zum Arbeitgeber gekommen und habe gesagt, dass ich jetzt an dem Programm studiere. Ich werde am 8. Juni fertig sein. Ich bin motiviert, mich in diesem Bereich weiterzuentwickeln. Ich habe einschlägige Erfahrung in Data Warehouses. Firmen waren bereit, mich zu nehmen. Jetzt ist der Markt sehr eng, es gibt nur noch sehr wenige Datenwissenschaftler, daher nehmen Unternehmen normalerweise Menschen mit, um zu wachsen. Wenn sie Potenzial in Ihnen sehen, sind sie bereit, es zu entwickeln.
Schließlich gibt es so viele verschiedene Schulungsressourcen:
Coursera ,
EdX ,
Udacity , um Ihr Wissen zu erweitern. Selbst wenn Sie keine Statistik kennen, keine lineare Algebra, Mathematik oder Programmiersprache kennen, wissen Sie überhaupt nichts. Für jede Ihrer Unwissenheiten gibt es einen bestimmten Kurs, den Sie sich schnell anhören können, um alles herauszufinden. Der Hauptwunsch und der Hauptwunsch sind hier. Und es gibt kein „Ich habe keine Erfahrung“, die Hauptsache ist Motivation, Ressourcen und Energie. Und ich denke, es wird Zeit geben, wenn Sie es wollen.
Laut Data Science haben sich inzwischen viele Online-Kurse geschieden, und überall taucht bei einigen Kursen kontextbezogene Werbung für mich auf, bei anderen. Und ihre Kosten sind ziemlich hoch, aber ich sehe und höre zum ersten Mal die Zulieferfirma der Kurse. Im Allgemeinen ist dies natürlich ein Hype, und ich denke, dass es viele Kurse von geringer Qualität gibt, die praktisch nichts geben.
- Aus Ihren Beobachtungen: Welche Soft- und Hard-Skills reichen oft nicht aus, um sowohl Anfänger als auch erfahrene Datenwissenschaftler zu wirklich hochqualifizierten Spezialisten zu machen? Worauf soll ich achten?- Sehr oft gibt es nicht genügend praktische Fähigkeiten, um Modelle unternehmensweit umzusetzen. Es ist wichtig, den Themenbereich zu verstehen und die Arbeit richtig zu priorisieren. Sie sollten nicht viel Zeit mit einer Aufgabe verbringen, deren Ergebnisse sich nicht positiv auf das Unternehmen auswirken. Datenwissenschaftler werden außerdem ermutigt, ihre Kommunikationsfähigkeiten zu entwickeln, um die Ergebnisse ihrer Produkte sowohl intern als auch extern den Kollegen zu präsentieren. Ich möchte, dass die Kandidaten die Terminologie besser verstehen, die mathematischen Grundlagen der Modellbildung verstehen und die Fälle kennen, in denen Modelle für verschiedene Arten von maschinellen Lernaufgaben verwendet werden. Kreativität und Vorstellungskraft sind auch sehr wichtig für die Entwicklung neuer Ansätze zur Lösung eines Problems (sei es das Hinzufügen von Metriken zu einem Datenspeicher, das Ändern seiner Struktur auf eine bestimmte Weise oder die Verwendung einer anderen Klasse von Modellen).
- Erzählen Sie mir mehr über die Projekte im Bereich Data Science, die Sie durchgeführt haben.- Zunächst möchte ich Ihnen kurz sagen, was ich in der Beratung getan habe. Wir hatten Projekte in verschiedenen Bereichen, die Abteilung war nicht sehr groß und wir waren mit verschiedenen Aufgaben beschäftigt. Meine erste Aufgabe betraf das Antwortmodell für ein Kreditprodukt bei einer großen russischen Bank. Das Modell war erfolgreich, es gab ein positives Ergebnis, ich habe es mit einer kommerziellen Lösung gemacht; Dank der Implementierung dieses Modells konnte ich die gesamte Bandbreite der Arbeiten zur Koordination der Geschäftsanforderungen, zur Konstruktion und Produktion des Modells sowie zur Bewertung seiner Qualität und zur termingerechten Planung durchlaufen. Da sich meine frühere Firma hauptsächlich auf den Bankensektor spezialisiert hat, haben wir hauptsächlich Modelle für Banken gebaut, aber wir haben auch andere Bereiche ausprobiert (zum Beispiel Versicherungen und Einzelhandel). Zu diesem Zeitpunkt war ich nicht nur als Datenwissenschaftler, sondern auch als Manager an diesen Projekten beteiligt. Es scheint mir, dass der Themenbereich nicht eingeschränkt werden kann, in jedem Themenbereich kann man es schnell herausfinden. Ich bin sehr froh, dass mir die IT-Beratung so viel Flexibilität gegeben hat.
- Vielleicht gibt es ein Projekt oder mehrere Projekte, an die Sie sich besonders gerne erinnern?- Ja, es gibt eines - mein erstes Projekt in einer großen russischen Bank, wir hatten ein sehr freundliches Team, wir haben ein Data Warehouse von Grund auf neu aufgebaut, waren an dessen Entwicklung beteiligt, haben es unterstützt, haben Berichte darüber erstellt. Es war ein sehr cooles Produkt. Wir haben viel Erfahrung gesammelt und ein exzellentes Team gebildet. Wir sind seit langem über verschiedene Unternehmen verteilt, pflegen aber weiterhin aktiv Beziehungen. Wir befanden uns wahrscheinlich in dieser Bank.
- Gut. Fahren wir mit MTS fort. Warum genau sie? Was wurde angeboten, um so interessant zu tun? Vor welchen Aufgaben stehen Sie und Ihr Team jetzt?- Erstens hat mich ein riesiges Team von Big Data, eine Gruppe von Spezialisten, mit denen Sie sich jederzeit beraten lassen können, zu MTS hingezogen. Dies war nicht in der IT-Beratung der Fall, aber es fehlte mir schrecklich. Wir hatten einen sehr erfahrenen Leiter und mehrere Datenwissenschaftler. Es ist klar, dass ihre Erfahrung nicht ausreichte, um Probleme zu lösen. Grob gesagt hatten wir einen Standardsatz von Aufgaben, die wir erledigt haben, und wir haben versucht, nicht von diesem Satz von Aufgaben abzuweichen, weil wir nicht über das Fachwissen verfügten. Ich bin sehr froh, dass ich mich für MTS entschieden habe. Wir haben jetzt mehr als 150 Mitarbeiter und wollen bis Ende des Jahres noch um 70% wachsen. Das ist sehr cool, ich mag es zu kommunizieren und Erfahrungen auszutauschen, ich denke, dass neues Blut definitiv nicht schaden wird.
Zweitens, hier ist ein breiter Stapel von Technologien, wir verwenden Open Source: Python, Spark, Hive, Kafka - all die beliebten Schlagworte im Bereich Big Data. Wir haben sogar eine kommerzielle Lösung, aber wir berühren sie nicht und bauen dort keine Modelle. Es ist großartig, dass ich es geschafft habe, diesen Stack im Newprolab-Programm kennenzulernen und mein Wissen anschließend in MTS zu festigen.
Dazu natürlich interessante Aufgaben, interessante Produkte. Die Kunden sind meistens Inländer, aber einige Produkte werden herausgebracht. Unser Team hat mehrere Bereiche: strategisch, es ist an die Implementierung von Modellen gebunden, die uns derzeit kein Geld bringen; Es gibt kommerzielle Projekte, die in diesem Jahr ein finanzielles Ergebnis zeigen sollten. Ich arbeite im Forschungs- und Entwicklungsteam. Wir beschäftigen uns mit dem Verkauf von Produkten, die in Zukunft dazu beitragen werden, dass MTS besser wird.
Mein Team und ich haben derzeit drei Produkte. Die erste ist eine Bewertung der Servicequalität für unsere Abonnenten an verschiedenen Kontaktstellen, einschließlich der Prognose des NPS (Kundenbindungsindex - Anmerkung des Autors) auf der Ebene jedes Abonnenten. Wir haben Umfragen, die wir monatlich für alle unsere Abonnenten durchführen, um zu verstehen, ob sie bereit sind, die Marke MTS zu empfehlen oder nicht. 0 - nicht bereit, jemandem zu empfehlen, 10 - bereit und aktiv. Wir sammeln diese Schätzungen und sagen die Bewertung voraus, die der Abonnent uns geben würde, wenn er an der Umfrage teilgenommen hätte, und sehen auch die Gründe, die diese Bewertung beeinflussen könnten. Wir können schnell helfen, sie zu beheben. Dies ist das erste Produkt.
Das zweite Produkt bezieht sich auf die Sprachanalyse. Hier, bisher nur F & E, besteht eine der Aufgaben der Sprachanalyse darin, Sprache durch Anrufe bei einem Contact Center in Text zu erkennen, um Anrufe zu analysieren und automatisch zu klassifizieren. Im Moment wird dies vom Bediener durchgeführt, und der Inhalt der Nachrichten ist möglicherweise nicht immer ausreichend genau.
Ich werde Ihnen wahrscheinlich später auf einer Big Data-Konferenz über das dritte Produkt berichten.
Das Team ist sehr cool, wir versuchen, eine häusliche Arbeitsatmosphäre aufrechtzuerhalten, damit sich alle wohl fühlen. Ich versuche jedem Mitglied des Teams zuzuhören, jeder teilt seine Ideen. Es scheint mir, dass Teamideen bei der Entwicklung eines Produkts am wichtigsten sind. Im Allgemeinen versuchen wir auch, die verrücktesten Ideen umzusetzen.
- Geben Sie ein Beispiel für verrückte Ideen.- Es scheint mir, dass unser Produkt per Stimme so begann. Wir haben NPS durchgeführt, die Bewertungen unserer Abonnenten analysiert und dann gefragt: "Warum können wir Sprachanrufe an das Callcenter nicht analysieren?" In der Tat, warum nicht? Wir warnen unsere Abonnenten, dass wir aufzeichnen und analysieren können. Wir selbst hören ihnen nicht zu, aber dank der maschinellen Bearbeitung können wir die Themen der Anrufe von dort herausziehen, um die Qualität des Kundendienstes zu verbessern.
Es fällt mir schwer, konkrete Beispiele zu nennen - Arbeitsmomente, in denen die Jungs etwas testen, versuchen, etwas zu implementieren und irgendwo zu optimieren. Wir probieren auch verschiedene Lösungen aus, viele Lieferanten kommen zu uns, bieten die neuesten Technologien an. Wir verbringen Piloten mit ihnen, schauen uns die Ergebnisse an.
- Sie haben definitiv neben MTS einige andere Optionen in Betracht gezogen. Was ist für Sie bei der Auswahl eines Arbeitgebers entscheidend?- Die Offenheit des Unternehmens ist mir wichtig; Ich mag es, dass ich mich mit meinen Kollegen, meinem Führer beraten, meine Ängste teilen kann, ich weiß, dass er verstehen und praktische Ratschläge geben kann. Der Ruf des Unternehmens ist mir wichtig. Natürlich bin ich bereit, zu einem Startup zu gehen, wenn sie eine interessante Idee haben, aber im Allgemeinen ist mir der Ruf des Unternehmens wichtig. Ich arbeite gerne bei MTS, wir sind der größte Betreiber in Russland. Ich denke, dass Entwicklungsmöglichkeiten ebenfalls wichtig sind, und MTS fördert die Teilnahme an verschiedenen Konferenzen sowohl als Redner als auch als Zuhörer. , , .
. , , Confluence Jira. , - , , , . , , .
— « » , «Deep Learning» – . : / , , , / / ?— , . , . ; , , , , , . , , , - , - . , , , ( , ). , , , , . , , . , , , , , , ( ).
«Deep Learning», , . , , — . , . Keras , . , Xception, , . - , , , Python, . , , , . .
— ? ? ?— Product Owner, . -, . , , , , . . . , , , - , - , . , . , , . , .
-, . , .
Newprolab :
«Data Engineer» , «Deep Learning», « ». , , ; ; , . , , .
— , Big Data / Data Science , . , , ?— . , , , : , . ,
arxiv.org . Data Science , , . , , , , , , , , : Newprolab, , , , data scientist' data engineer'.
— - ?— , , . . , , , - , . , , . , , .
— . , - , -, ?— Data Science , . ODS , , Slack. , – , , . . -, github,
stackoverflow , arxiv.org.