यदि आप 40 से अधिक उम्र के हैं और आप प्रोग्रामर नहीं हैं, तो डेटासेंटर कैसे बनें

एक राय है कि आप केवल एक उपयुक्त उच्च शिक्षा, या बल्कि डिग्री के साथ डेटासेंटर बन सकते हैं।

हालांकि, दुनिया बदल रही है, तकनीक केवल नश्वर लोगों के लिए उपलब्ध हो रही है। शायद मैं किसी को आश्चर्यचकित कर दूंगा, लेकिन आज कोई भी व्यवसाय विश्लेषक मशीन सीखने की तकनीकों को मास्टर करने और पेशेवर गणितज्ञों के साथ प्रतिस्पर्धा करने और परिणाम प्राप्त करने में सक्षम है, और संभवतः सबसे अच्छा भी।

निराधार नहीं होने के लिए, मैं आपको अपनी कहानी बताऊंगा - एक अर्थशास्त्री के रूप में, मैं एक डेटा विश्लेषक बन गया, ऑनलाइन पाठ्यक्रमों के माध्यम से आवश्यक ज्ञान प्राप्त किया और मशीन सीखने की प्रतियोगिताओं में भाग लिया।



अब मैं QIWI में बड़े डेटा समूह में एक प्रमुख विश्लेषक हूं, लेकिन तीन साल पहले मैं डेटासेट से काफी दूर था और मैंने केवल समाचार से कृत्रिम बुद्धिमत्ता के बारे में सुना। लेकिन फिर सब कुछ बदल गया, कर्टेरा और कागल के बड़े हिस्से में धन्यवाद।

तो, पहले चीजें पहले।

अपने बारे में

मैं एक अर्थशास्त्री हूं, मैंने काफी समय तक बिजनेस कंसल्टेंट के रूप में काम किया। मेरी विशेषज्ञता बाद के स्वचालन के लिए एक बजट और रिपोर्टिंग पद्धति का विकास है। यदि एक सरल तरीके से - यह पहले प्रक्रिया को सामान्य रूप से बनाने के बारे में है, ताकि बाद में स्वचालन से एक परिणाम हो।

3 साल पहले, 42 साल की उम्र में, जब मुझे लगा कि परामर्श में सफलता से मैं कांस्य हासिल करना शुरू कर रहा हूं, और बदलाव की आवश्यकता के बारे में सोचने लगा। अगले करियर के बारे में। मेरे पास पहले से ही अनुभव था कि स्क्रैच से करियर कैसे शुरू किया जाए (30 की उम्र में मैंने अर्थशास्त्री के शांत जीवन को परामर्श में बदल दिया), इसलिए बदलावों ने मुझे नहीं डराया।

यह मेरे दिमाग में अभी नहीं आया है, लेकिन जब आप इसके बारे में सोचते हैं, तो यह स्पष्ट हो जाता है कि इस तथ्य के बावजूद कि मैंने पहले से ही 20 साल काम किया है, सेवानिवृत्ति के लगभग 25 साल आगे हैं (यह लंबे समय से समझा गया है कि हमें 70 या बाद में भी सेवानिवृत्ति पर ध्यान देना चाहिए। )। सामान्य तौर पर, आगे की सड़क उस से अधिक लंबी होती है जो पहले ही गुजर चुकी है, और वास्तविक विशेषता के साथ जाना अच्छा होगा। तो, यह सीखने लायक था। उस समय, मैंने स्वतंत्र किया, और भविष्य के लिए, मैंने परियोजनाओं की संख्या कम कर दी और अध्ययन के लिए पर्याप्त समय आवंटित करने में सक्षम था।

जबकि मैं सोच रहा था कि आगे कहाँ जाना है, मैंने कौरसेरा की खोज की। शिक्षा के लिए पश्चिमी दृष्टिकोण, जब वे सबसे पहले अर्थ, सामान्य विचार की व्याख्या करते हैं, और उसके बाद ही विवरण, मेरे करीब होते हैं। क्रूर सोवियत शिक्षा प्रणाली के विपरीत, जो मानता है कि केवल योग्य ही सामने आएगा, वे मेरे जैसे लोगों को मौका देते हैं, जिनकी बुनियादी शिक्षा में अंतराल होता है।

मैंने बिजनेस एनालिटिक्स पाठ्यक्रमों से शुरुआत की। एक सलाहकार के रूप में यह मेरे लिए बेहद मददगार रहा है। उन्हीं पाठ्यक्रमों ने मुझे व्यावसायिक विकास के लिए एआई-प्रौद्योगिकियों की भूमिका को बेहतर ढंग से समझने में मदद की और सबसे महत्वपूर्ण बात यह है कि इसमें मेरी भूमिका देखें। अन्य तकनीकों के साथ भी ऐसा ही है - यह बिल्कुल भी जरूरी नहीं है कि जो नई तकनीकें विकसित कर रहे हैं, वे अपने आवेदन में सर्वश्रेष्ठ होंगे। प्रौद्योगिकी के लिए वास्तव में किसी व्यवसाय की सहायता करना, इस व्यवसाय को समझना महत्वपूर्ण है। व्यावसायिक प्रक्रियाओं में विशेषज्ञता, मशीन लर्निंग की तकनीकों, बड़े डेटा प्रोसेसिंग आदि को समझने से कम महत्वपूर्ण नहीं है।

और मैंने डेटासेट, सांख्यिकी, प्रोग्रामिंग पर पाठ्यक्रमों में भाग लिया।
रुकावटों के साथ, एक वर्ष के दौरान मैंने कौरसेरा में 30 से अधिक पाठ्यक्रमों में महारत हासिल की और अब बिग्रेड्स और मशीन सीखने की दुनिया में एक विदेशी की तरह महसूस नहीं किया।

Kaggle

कुछ पाठ्यक्रमों ने कागले को अभ्यास करने के लिए एक शानदार जगह के रूप में सिफारिश की है। अपनी गलती न दोहराएं - मैं वहां तभी आया था जब मुझे पहले से ही लगा था कि मैंने पर्याप्त ज्ञान जमा कर लिया है। और यह छह महीने पहले इसके लायक था, जब पहली समझ क्या और कैसे दिखाई दी। यह छह महीने तक ठंडा रहेगा। आखिरकार, यह प्रतियोगिताओं के लिए स्थानों में से केवल एक नहीं है, यह अभ्यास में सीखने की मशीन सीखने के लिए सबसे अच्छा (वर्तमान में) मंच है, जो शुरुआती और सुपरगुरु दोनों के लिए उपयोगी है। और वहाँ आप बढ़ते हैं, जैसा कि वे कहते हैं, दो में एक दिन - अभ्यास के बिना केवल पाठ्यक्रमों में ऐसा प्रभाव नहीं होगा।

मेरी पहली प्रतियोगिता सेंटेंडर बैंक की एक प्रतियोगिता थी - जो ग्राहकों की संतुष्टि की भविष्यवाणी कर रही थी। मैं एक शुरुआती था और व्यवसाय में अपने ज्ञान के स्तर की जांच करना चाहता था। मैंने अपने अनुभव को बैंक ग्राहक के रूप में संयोजित किया, व्यावसायिक मामलों और मशीन लर्निंग प्रौद्योगिकियों के विश्लेषण के कौशल और एक बहुत अच्छा मॉडल बनाया जिसके साथ मैं एक सार्वजनिक लीडरबॉर्ड पर शीर्ष 50 में चढ़ गया। यह पहली प्रतियोगिता से मेरी अपेक्षा से बहुत अधिक था, यह देखते हुए कि इसमें 5 हजार से अधिक लोगों ने भाग लिया।

लेकिन सब कुछ इतना सरल नहीं था। मैंने एक सुखद सप्ताहांत नहीं कमाया। शुरुआती लोगों के बीच "मॉडल के पुनः प्रयास" के रूप में ऐसी एक आम समस्या है, जो मुझे अभ्यास में मिली थी। स्थानीय सत्यापन खराब तरीके से आयोजित किया गया था, मुझे सार्वजनिक रूप से भी ध्यान केंद्रित किया गया था, और परिणामस्वरूप - परीक्षण के बंद हिस्से पर, मैंने 500+ स्थान नीचे गिरा दिए। बेशक, मैं परेशान था, लेकिन सबक भविष्य के लिए चला गया: अच्छा सत्यापन मशीन सीखने का आधार है, और इसे गंभीरता से संबोधित करने की आवश्यकता है। अब यह घटक मेरे मॉडलों की ताकत में से एक है।

कमजोर पहले परिणाम के बावजूद, विश्वास था कि शीर्ष में होना वास्तविक है, आपको अधिक अभ्यास और अतिरिक्त ज्ञान की आवश्यकता है।

जिन लोगों को पता नहीं है कि कॉगल किसके लिए अच्छा है, समुदाय "कैसे काम करता है" के उदाहरणों पर चर्चा करते हुए, किसी तरह के गैग पर काबू पाने के लिए शुरुआती लोगों की मदद करने के लिए तैयार है। अच्छी तरह से और कोई कम महत्वपूर्ण नहीं - प्रतियोगिता के अंत में नेताओं के निर्णयों का अध्ययन करने का अवसर है। किसी और के अनुभव से सीखना, आप तेजी से प्रगति कर सकते हैं। यह आवश्यक नहीं है कि सभी रेक को स्वयं ही बढ़ाया जाए।

तुरंत मैं मदद नहीं कर सकता लेकिन OpenDataSaines (ods.ai) को याद कर सकता हूं, जो रूसी-भाषी समुदाय के चिकित्सक हैं। मशीन सीखने का प्रशिक्षण जो ओडीएस आयोजित करता है, विषय के बारे में अधिक जानने का एक और तरीका है। खैर, किसी भी मुद्दे पर संचार के लिए एक मंच के रूप में, यह भी बहुत मदद करता है। यदि आप डेटासेट पर अपने भविष्य के बारे में सोच रहे हैं, और आपने अभी तक ऑड्स के साथ पंजीकरण नहीं किया है, तो यह एक गंभीर गलती है।

चूंकि डगलसिस्ट पदों के लिए रिक्तियों में कॉग्ल के उच्च परिणामों की अपेक्षाओं का अक्सर उल्लेख किया गया था, मैंने इसके लिए एक मौका देखा - अनुभव प्राप्त करने के अलावा, अधिक या कम प्रासंगिक अनुभव के साथ एक खाली फिर से शुरू करना संभव है। मैंने Cuggle को एक नौकरी के रूप में मानना ​​शुरू किया, जहां एक कैरियर की शुरुआत एक बोनस हो सकती है।

जैसे ही खाली समय दिखाई दिया, मैंने कॉगल पर मॉडल बनाया, और प्रत्येक प्रतियोगिता के साथ परिणाम बेहतर हो गया।

मेरे पास कुछ ऐसा था जो अधिकांश प्रतिभागियों के पास नहीं था - व्यावसायिक मामलों का विश्लेषण करने और परामर्श में मेरे अनुभव की क्षमता, यह मॉडल बनाने में बहुत मदद करता था। छह महीने बाद, मैंने सैंटनर बैंक से अगली प्रतियोगिता में 7 वां स्थान हासिल किया और अपना पहला स्वर्ण पदक अर्जित किया।

यदि आप किसी विशिष्ट लक्ष्य के लिए लगातार प्रयास करते हैं, तो आप इसे प्राप्त करेंगे - जून 2017 में, एक साल बाद, क्यूगल में मेरी थोड़ी सी लड़ाई के साथ, हम, लात्विया के डेवलपर एग्निस लुकिस के साथ, मॉस्को में अपार्टमेंट की कीमतों की भविष्यवाणी करने के लिए सर्बैंक से एक प्रतियोगिता जीती।



हमारी ताकत मामले को समझ रही थी (यह एक जटिल कार्य है, जिसके समाधान को माथे में संपर्क नहीं करना चाहिए था, जैसा कि बहुमत ने किया था) और मजबूत स्थानीय सत्यापन। हमने सार्वजनिक रूप से प्रतियोगिता को दूसरे स्थान पर रखा, लेकिन हमारा मॉडल पीछे हटने से ज्यादा पीड़ित नहीं था और बंद आंकड़ों पर ज्यादा नहीं बोला - फाइनल में हम एक बड़े अंतर के साथ पहले थे।

इस जीत ने मुझे वैश्विक कागल रैंकिंग के शीर्ष 50 में पहुंचा दिया, जिसके परिणामस्वरूप नौकरी की पेशकश हुई। विकल्पों का अध्ययन करने के बाद, मैंने बैंक को एक ऐसी जगह के रूप में चुना, जहां कई कार्य हैं, जिन पर आप कौशल पंप कर सकते हैं, साथ ही साथ मॉडल विकसित करते समय जीवन के पूरे सत्य को महसूस कर सकते हैं - फिर भी, प्रतियोगिताओं में स्थितियाँ पति-पत्नी होती हैं।

मेरी कैरियर की योजनाएं महत्वाकांक्षी थीं और "अगले स्तर तक बढ़ने के लिए कई वर्षों तक काम करने की जल्दी नहीं" विकल्प पर विचार नहीं किया गया था। काम पर खुदाई करना आवश्यक था, और दूसरी पाली में कॉगल के बारे में मत भूलना। यह आसान नहीं है, लेकिन अब यह किसके लिए आसान है? और इससे परिणाम मिले - 3 और स्वर्ण पदक और मैंने ग्रैंडमास्टर के युगों को Cuggle प्लस पर अर्जित किया जो वैश्विक शीर्ष (अब 23 वें) में उलझा हुआ था।

एक केक पर चेरी की तरह - बैंकिंग स्कोरिंग प्रतियोगिताओं में तीसरा पुरस्कार, यह वही है जो मैंने पेशेवर रूप से पिछले वर्ष में किया था। और, जाहिर है, वह अच्छा कर रहा था।

काश, बैंक में जीवन की सच्चाई भी एक बहुत ही रूढ़िवादी और त्वरित निर्णय लेने की प्रक्रिया है। मेरे मॉडलों का परिचय धीरे-धीरे आगे बढ़ रहा था। पूरे बैंक के काम के पुनर्निर्माण की कोई योजना नहीं थी, इसलिए यह आसान था, अफसोस के साथ, नौकरी बदलने के लिए।

यह बिल्कुल मुश्किल नहीं था - क्यूगल पर परिणामों के लिए धन्यवाद, खोज में अधिक समय नहीं लगा, और अब कई महीनों से मैं QIWI में अरबों टेबल खोद रहा हूं। हमारे पास दिलचस्प कार्यों का एक समूह है , मुझे यकीन है कि बहुत जल्द हम अपने डेटा को कंपनी के लिए लाभ में बदल पाएंगे - अर्थशास्त्री की पृष्ठभूमि इसमें बहुत मदद करती है। यहाँ भी Caggloop कई मामलों पर बॉक्स ऑफिस पर समाप्त हुआ।

और अब प्रतियोगिताओं में सफल होने के बारे में

सबसे महत्वपूर्ण हिस्सा समस्या को समझना और सभी ड्राइवरों को ढूंढना है जो परिणाम को प्रभावित कर सकते हैं। जितना बेहतर आप मामले को समझते हैं, उतने ही अच्छे मौके भी हैं। हर कोई सैकड़ों या हजारों की संख्या में प्रतिमाएं उत्पन्न कर सकता है, लेकिन वे उन लोगों के साथ आ सकते हैं जो इस कार्य के लिए विशेष रूप से अनुरूप हैं और लक्ष्य को अच्छी तरह से समझाते हैं, जो कि अधिक जटिल है। इसमें निवेश करें, और जल्दी से खुद को शीर्ष में खोजें। यह किसी भी प्रासंगिक अनुभव (व्यवसाय, घरेलू, आदि) को लागू करने के लायक है - यह बहुत मदद करता है।

फिर - स्थानीय सत्यापन। आपका मुख्य दुश्मन मुंहतोड़ जवाब दे रहा है, खासकर अगर आप इस तरह की शक्तिशाली तकनीक का उपयोग ढाल बढ़ाने के रूप में करते हैं। मुझे पता है कि सार्वजनिक लीडरबोर्ड पर ध्यान केंद्रित करना कितना मनोवैज्ञानिक रूप से कठिन है, लेकिन यदि आप निराशा नहीं चाहते हैं, तो सही उत्तर क्रॉस-वेलिडेशन का उपयोग करना है, विलंबित चयन के लिए "नहीं" कहें। बेशक, अपवाद हैं, लेकिन समय श्रृंखला के साथ समस्याओं में भी, आप क्रॉस-सत्यापन को पेंच कर सकते हैं, जिससे मॉडल की विश्वसनीयता बढ़ जाती है। स्थानीय सत्यापन योजना हमेशा सरल नहीं होगी, लेकिन यह उस पर समय बिताने लायक है - दोनों प्रतियोगिताओं और वास्तविक जीवन में। इनाम स्थिर मॉडल होगा।

बेशक, आपको बुनियादी उपकरणों का अच्छी तरह से अध्ययन करने की आवश्यकता है। विभिन्न प्रौद्योगिकियों के सिद्धांतों को जानने के बाद, आप किसी विशिष्ट समस्या को हल करने के लिए पर्याप्त रूप से सर्वोत्तम उपकरण चुन सकते हैं। सारणीबद्ध डेटा के लिए, ग्रेडिएंट बूस्टिंग अब नेता है, विशेष रूप से लाइटबैम। लेकिन अन्य तरीकों का उपयोग करने में सक्षम होना महत्वपूर्ण है, तंत्रिका नेटवर्क में प्रवेश करने से - जीवन में और प्रतियोगिताओं में वे असफल नहीं होंगे।

वैसे, यह समझने का सबसे अच्छा तरीका है कि अब क्या तकनीकें चल रही हैं जब सब कुछ तेजी से बदल रहा है, यह देखने के लिए है कि प्रतिस्पर्धा के नेता किन पुस्तकालयों का उपयोग करते हैं। हाल के वर्षों में, कई सार्थक तकनीकों ने दुनिया में कॉगल के माध्यम से तोड़ दिया है।

Hyperparameters। उपयोग किए जाने वाले उपकरणों के प्रमुख हाइपरपामेटर्स को जानना महत्वपूर्ण है। आमतौर पर कई मापदंडों को बदलने की आवश्यकता नहीं होती है। मेरा मानना ​​है कि आपको हाइपरपैरामीटर के चयन पर बहुत समय नहीं बिताना चाहिए। बेशक, अच्छे हाइपरपरमेटर्स ढूंढना आवश्यक है, लेकिन आपको इसमें चक्रों में नहीं जाना चाहिए।

आमतौर पर, जब मॉडल की रूपरेखा तैयार की जाती है, तो मैं मापदंडों के अधिक या कम स्थिर सेट का चयन करता हूं और उनके ट्यूनिंग पर केवल अंत तक करीब आता हूं, जब अन्य विचार बाहर निकलते हैं। सामान्य ज्ञान बताता है कि नए चर, पुस्तकालयों और गैर-मानक विचारों को बनाने और परीक्षण करने में बिताया गया समय हाइपरपैरमीटर के एक अच्छे सेट से आदर्श एक में जाने से सुधार करने की तुलना में बहुत बड़ा मॉडल वृद्धि दे सकता है।

यदि आप एक विशेषता के रूप में कागले पर भरोसा करते हैं जो आपके फिर से शुरू को पंप करेगा - इसे नौकरी के रूप में मानें, तो आपको इसका पछतावा नहीं होगा। इसने मेरी मदद की, यह आपकी मदद करेगा।

अच्छी तरह से और फिर प्रतियोगिता के बारे में। वह यहां बहुत अधिक है, इसलिए अकेले जीतना बहुत मुश्किल है। टीमवर्क बहुत उपयोगी है, विचारों का तालमेल आपको अपने सिर से ऊपर कूदने की अनुमति देता है। बेझिझक इसका इस्तेमाल करें।

कुल मिलाकर

खैर, अंत में एक छोटी सी प्रेरणा। सबसे पहले, मैंने खुद को साबित किया कि मैं 44 साल की उम्र में डेटासेंटर बन सकता हूं। यह नुस्खा आश्चर्यजनक रूप से सरल निकला - ऑनलाइन शिक्षा, व्यवसाय-उन्मुख सोच, प्रदर्शन और दृढ़ संकल्प।



अब मैं हर तरह से अपने दोस्तों को उसी तरह जाने के लिए प्रोत्साहित कर रहा हूं। नई डिजिटल अर्थव्यवस्था को शीर्ष पेशेवरों की जरूरत है (और आवश्यकता होगी)। कौरसेरा + कगले बस एक शानदार जगह है।

एक बार, एक्सेल एक नया और समझ से बाहर का उपकरण था (मुझे यह भी याद है कि पारंपरिक कैलकुलेटर के साथ पहली लड़ाई कितनी मुश्किल थी)। और अब, सब के बाद, किसी को कोई संदेह नहीं है कि एक विशेषज्ञ जो अपने व्यवसाय में पारंगत है, वह स्वयं एक्सेल डेवलपर्स की तुलना में एक्सेल से बहुत अधिक वास्तविक लाभ निचोड़ सकता है।

थोड़ा समय बीत जाएगा, और मशीन सीखने के उपकरण का कब्जा एक्सेल के कब्जे के रूप में अनिवार्य हो जाएगा, इसलिए पहले से इसके लिए तैयार न हों और श्रम बाजार में प्रतिस्पर्धा क्यों जीतें?

इसके अलावा, प्रतियोगिता इसके लायक नहीं है। व्यापार पक्ष से जितने अधिक लोग डेटाटाइन में आते हैं - उतना अधिक पैसा। अर्थव्यवस्था के पारंपरिक क्षेत्रों में नई तकनीकों की शुरुआत से एक व्यापार को गति मिल सकती है और इसके लिए, एक व्यवसाय को उन अवसरों को समझना शुरू करना चाहिए जो आज नई तकनीकें खोल रही हैं। वास्तव में, किसी भी व्यवसाय विश्लेषक, को कई पाठ्यक्रमों में महारत हासिल है, वह प्रगति में सबसे आगे हो सकता है और अपनी कंपनी को रूढ़िवादी प्रतियोगियों से आगे निकलने में मदद कर सकता है।

मुझे उम्मीद है कि मेरा अनुभव किसी को एक महत्वपूर्ण निर्णय लेने में मदद करेगा।
यदि आपके पास केगल के बारे में कोई प्रश्न है, तो लिखें, मुझे टिप्पणियों में जवाब देने में खुशी होगी।