"मुझे लगता है कि उत्पाद विकसित करते समय टीम के विचार सबसे महत्वपूर्ण होते हैं।"

हेब्र, नमस्कार! हम न्यूप्रोलैब पूर्व छात्रों के साथ साक्षात्कार की एक श्रृंखला जारी रखते हैं, जिसमें वे डेटा विज्ञान में जाने की अपनी कहानी के बारे में बात करते हैं। कहानियां अलग हैं और उन लोगों के लिए दिलचस्प होंगी जो अपने करियर के रास्ते बदलने के बारे में सोच रहे हैं या नए ज्ञान कैसे मौजूदा समस्याओं को हल करने में मदद कर सकते हैं। हमने हाल ही में एमटीएस में प्रोडक्ट ओनर के साथ याना चारुइस्काया से मुलाकात की। याना ने बताया कि कैसे वह बड़े आंकड़ों में आईं, कैसे वह पेशेवर रूप से बढ़ीं, अपने पसंदीदा प्रोजेक्ट को याद किया, जिसमें उनके दोस्तों को उनके ज्ञान और अनुभव के अलावा दिया गया था। उसने एमटीएस में काम करने के माहौल के बारे में बात की, जो उसकी टीम कर रही है, अपने सपने के बारे में, भविष्य के लिए योजना आदि के बारे में।

- याना, मुझे अपने बारे में और अपनी पृष्ठभूमि के बारे में थोड़ा बताओ।

- मेरा नाम याना चारुइस्काया है, मैं एमटीएस में प्रोडक्ट ओनर हूं। मुझे बिग डेटा क्षेत्र में दिलचस्पी है और लगभग दो साल से कर रहा हूं। अगर मेरी कहानी के बारे में संक्षेप में: मैंने बिजनेस इंफॉर्मेटिक्स में हायर स्कूल ऑफ इकोनॉमिक्स से स्नातक किया, 6 साल तक अध्ययन किया, फिर एक मनोवैज्ञानिक के रूप में एक साल तक अध्ययन किया। चार साल के लिए मैंने आईटी परामर्श में काम किया, उनमें से तीन मुख्य रूप से बड़े बैंकों के लिए डेटा वेयरहाउसिंग, डेटा कार्ट, बिल्डिंग मैनेजमेंट रिपोर्टिंग में लगे हुए थे। परामर्श में अंतिम वर्ष मशीन लर्निंग और प्रेडिक्टिव एनालिटिक्स में रहा है। अब मैं एक उत्पाद प्रबंधक के रूप में एमटीएस में काम करता हूं, मेरे पास 6 लोगों की एक टीम है, और यह बढ़ रहा है, मैं निकट भविष्य में एक और 7 को काम पर रखूंगा। सामान्य तौर पर, कंपनी का विस्तार भी हो रहा है, अब एमटीएस में 150 से अधिक बिग डेटा विशेषज्ञ हैं और कई और शक्तियां खुली हैं (हम बढ़ाने की योजना बना रहे हैं) कर्मचारी लगभग 2 बार है!)। मेरी टीम और मैं एक ही समय में कई उत्पाद विकसित कर रहे हैं, इस समय वे कार्यान्वयन के विभिन्न चरणों में हैं: ऐसे उत्पाद हैं जो आरएंडडी चरण में हैं, कुछ उत्पादन चरण में हैं।



- आपने अपने काम को बड़े डेटा के साथ जोड़ने का निर्णय क्यों और किस समय लिया?

- किसी समय यह फैशनेबल और दिलचस्प हो गया था, लेकिन मेरे लिए यह एक कठिन और समझ से बाहर का क्षेत्र था। बेशक, मैं विश्वविद्यालय में सी # प्रोग्रामिंग भाषा में गया और इसकी सैद्धांतिक नींव को थोड़ा समझा, लेकिन मैंने खुद को कभी भी प्रोग्राम नहीं किया। आईटी परामर्श में काम करने के बाद मैंने एसक्यूएल में बहुत सारी पटकथाएँ लिखीं। लेकिन पायथन, तंत्रिका नेटवर्क क्या है, कुछ प्रोग्रामिंग भाषा में प्रोग्राम लिख रहा है या भविष्य कहनेवाला मॉडल का निर्माण कर रहा है - यह सब मेरे लिए एक अजीब शब्द था जिसे मैं वास्तव में समझना चाहता था। यह मेरे लिए एक चुनौती थी, और मैं कोशिश करना चाहता था। यह सब इस तथ्य से शुरू हुआ कि मैंने इंटरनेट पर पायथन पर कुछ साइटों को पाया, मैंने सरल समस्याओं को प्रशिक्षित करना और हल करना शुरू कर दिया। मैंने फैसला किया, ऐसा लगता है कि यह किसी तरह निकला, लेकिन कुछ गायब था। मैंने खुद को पायथन ट्यूटर पाया, जिसके साथ हमने गॉस विधि का उपयोग करके रैखिक समीकरणों की एक मनमानी प्रणाली को हल करने के लिए कोड लिखा था। मुझे याद है, हमने लगभग एक महीने तक इस समस्या को हल किया; सच है, यह मेरे लिए बुरी तरह से निकला, शायद शिक्षक बहुत नहीं था, मुझे नहीं पता, लेकिन मैंने अंत में, यह अपने दम पर तय किया।

ट्यूशन के असफल अनुभव के बाद, मैंने भाग लेने वाले पाठ्यक्रमों के साथ विकल्पों पर विचार करना शुरू किया, इंटरनेट पर "बिग डेटा स्पेशलिस्ट" कार्यक्रम पाया, मुझे बहुत खुशी हुई कि मुझे बस यही चाहिए था: मशीन सीखने के लिए तीन महीने और परिचित होने का एक शानदार अवसर। बड़े डेटा को तैनात करने के लिए बड़ी संख्या में सिस्टम। मेरे लिए, ऑनलाइन प्रशिक्षण निश्चित रूप से सबसे उपयुक्त विकल्प नहीं है, मेरे लिए कंप्यूटर पर अकेले घर पर नहीं बैठना महत्वपूर्ण है, लेकिन उन लोगों की कंपनी में रहना जो एक कार्य में लगे हुए हैं, प्रतियोगिता के कुछ तत्व होने चाहिए ताकि आप अपने लिए बेहतर कर सकें सहयोगी। इसलिए, मैंने अपने लिए न्यूप्रोलैब को चुना और मुझे इसका कोई पछतावा नहीं है।

उस समय मैं एक डेटा वेयरहाउस विकसित कर रहा था, मेरे लिए यह थोड़ा उबाऊ था, मैं एक नए क्षेत्र में जाना चाहता था, लेकिन प्रमुख ने कहा कि उस समय ऐसी कोई संभावना नहीं थी, हालांकि, उन्होंने सुझाव दिया कि मैं एक बड़े बैंक में एनालिटिक्स को पूरी तरह से बंद कर दूं। कार्यक्रम के पारित होने के दौरान, मुझे एहसास हुआ कि मैं अभी भी मशीन लर्निंग करना चाहता हूं, मैं साक्षात्कार की तरह था, नौकरी की तलाश में, मुझे दो प्रस्ताव मिले। मैं उनके साथ नेता के पास आता हूं और कहता हूं कि मैं इसलिए जा रहा हूं क्योंकि मैं डेटा साइंस का अध्ययन करना चाहता हूं। तब केवल उन्होंने मुझे कंपनी के भीतर ऐसा अवसर प्रदान किया। दूसरे क्षेत्र में जाने के लिए शर्तों में से एक उनकी विश्लेषकों की टीम का परित्याग था। मैं अकेला रह गया था, यह कठिन था। अधिकांश भाग के लिए, मैं प्रेज़ेल्स में लगा हुआ था, अर्थात्, एक मॉडल बनाने के लिए, मुझे पहले एक क्लाइंट ढूंढना था, इस मॉडल को बेचना, इसे बनाना, इसकी रक्षा करना और इसके लिए भुगतान करना। लेकिन ये कुछ एक बार की गतिविधियाँ हैं, आपको इसके लिए एक टीम नहीं मिली, इसमें बहुत सारी विशेषज्ञता नहीं थी। उत्पाद ज्यादातर व्यावसायिक थे, हम व्यावहारिक रूप से खुले स्रोत के समाधान का उपयोग नहीं करते थे, इसलिए मेरे लिए न तो पायथन और न ही स्पार्क की आवश्यकता थी, मॉडल मुख्य रूप से शास्त्रीय प्रतिक्रिया मॉडल के निर्माण के लिए वाणिज्यिक समाधान का उपयोग करके बनाए गए थे। इस तथ्य के कारण कि मैं डेटा साइंस के क्षेत्र में अधिक विशेषज्ञता प्राप्त करना चाहता था, दिलचस्प उत्पाद बनाना और विशेषज्ञों की एक बड़ी टीम में काम करना, मैंने फिर से काम देखने का फैसला किया।

- हम इस बारे में अधिक बात करेंगे कि आप एमटीएस में कैसे शामिल हुए। मुझे बताएं कि आप कैसे अच्छे विशेषज्ञ रख सकते हैं और क्या यह करने लायक है?

- बेशक, यह मूल्य है, और इसे धारण न करना भी बेहतर है, लेकिन इसके लिए सभी स्थितियां बनाना
वे रहना चाहते थे! बड़े डेटा बाजार में कई अच्छे विशेषज्ञ नहीं हैं, इसलिए मैं टीम के भीतर एक दोस्ताना माहौल बनाए रखने के लिए बहुत समय समर्पित करता हूं। हम बहुत से संवाद करते हैं, विचारों को साझा करते हैं, छापते हैं। हम एक साथ सम्मेलनों में भी जाते हैं और बौद्धिक खेल खेलते हैं (उदाहरण के लिए, "क्या? कहाँ? कब?")। मैं सभी लोगों को दिलचस्प पहेलियाँ देने और उनके डाउनलोड देखने की कोशिश करता हूं ताकि कोई ओवरवर्क न हो।

- और पेशेवर शुरुआत में आपको किन कठिनाइयों का सामना करना पड़ा, आपको किन चुनौतियों से पार पाना था?

- सबसे बड़ी चुनौती प्रोग्रामिंग भाषा थी, क्योंकि मैं अधिक गणितज्ञ हूं, और प्रोग्रामिंग अलग तर्क है: चर, भवन कक्षाएं, विरासत, बहुरूपता और इतने पर असाइन करना। यह तथ्य कि प्रोग्रामिंग मेरी नहीं है, मैंने अपने लिए एचएसई में वापस तय किया। सबसे बड़ी कठिनाइयों में से एक मनोवैज्ञानिक बाधा को दूर करना था जिसे मैं कोड भी लिख सकता हूं, और यह मेरे लिए कोई समस्या नहीं है। सामान्य तौर पर, बहुत मुश्किलें नहीं थीं, कई सवाल थे। यह अच्छा है कि मेरे पास बहुत सारे दोस्त थे जिन्होंने इन सभी सवालों के जवाब दिए: न्यूप्रालाब में मेरे सहपाठी और भविष्य के दोस्त, जिनसे मैं डेटा विज्ञान और बिग डेटा पर विभिन्न सम्मेलनों में मिला था। और Slack में Open Data Science भी करें, जहाँ आप कोई भी प्रश्न पूछ सकते हैं, और Data Science नाश्ते, जिसमें आप आकर किसी भी समस्या पर चर्चा कर सकते हैं। सामान्य तौर पर, यह मुझे लगता है कि कठिनाइयों, यदि कोई हो, आसानी से दूर हो जाती है, क्योंकि डेटा साइंस अब सक्रिय रूप से विकसित हो रहा है, और लोग बहुत खुले हैं और मदद के लिए तैयार हैं।

मैं डेटा साइंस के क्षेत्र में नए लोगों सहित कई लोगों के साथ बात करता हूं, जो संदेह करते हैं कि फील्ड में जाना है या नहीं। वे जीवन भर किसी न किसी क्षेत्र में काम करते रहे हैं, वे डाटा साइंस में रुचि रखते हैं, लेकिन उन्हें संदेह है कि क्या यह कुछ बदलने लायक है, वे डरते हैं। मेरा मानना ​​है कि अगर आप अपना जीवन बदलना चाहते हैं और अपने सपने में जाना चाहते हैं, तो यह काफी वास्तविक है। मैंने एक प्रमोटर के साथ शुरुआत की, औचन में काम किया, योगहर्ट्स का विज्ञापन किया, फिर मैं गणित में एक ट्यूटर बन गया, मैं तीन साल (और शायद अधिक) के लिए ट्यूशन में लगा रहा, लेकिन मुझे एहसास हुआ कि यह किसी तरह की आय लाता है, लेकिन हमेशा नहीं। मैं एक अर्थशास्त्री के रूप में एक पट्टे पर देने वाली कंपनी में काम करने गया था, वहाँ कोई आईटी नहीं था, एक्सेल वहाँ सबसे अच्छा था, हमने या तो मैक्रोज़ नहीं लिखा था, मेरे लिए काम उबाऊ था, और मैं बहुत चिंतित था कि यह अपमानजनक था। मैंने खुद को दूसरे क्षेत्र में खोजने की कोशिश की (वास्तव में, मेरी शिक्षा से संबंधित) - मैं परामर्श में गया, भंडारण सुविधाओं में लगा हुआ था। फिर रिपॉजिटरी थक गई, और फिर मुझे अगले विकल्प का सामना करना पड़ा कि आगे कहां जाना है। ऐसे क्रमिक कदमों के साथ, मेरी पेशेवर गतिविधि में बदलाव के साथ, मैं बिग डेटा में आया, जिसका मुझे कोई पछतावा नहीं है। मैं इस क्षेत्र को समझने के लिए अपने संसाधनों, अपने समय को खर्च करने के लिए तैयार था। मुझे लगता है कि अगर प्रेरणा है, तो आप आसानी से सभी बाधाओं को दूर कर सकते हैं और जो चाहें प्राप्त कर सकते हैं। एक बार फिर, डरने की जरूरत नहीं है।

- एक उत्कृष्ट जीवन स्थिति और आपकी कहानी इस तथ्य का एक बड़ा उदाहरण है कि यदि वांछित है तो कुछ भी संभव है। डेटा साइंस में जाने की चाह रखने वालों के लिए, डर के अलावा, आप क्या सोचते हैं? आप लोगों के साथ बहुत बातें करते हैं, हो सकता है कि उन्होंने आपके साथ साझा किया हो।

- मुख्य बात - "मेरे पास कोई अनुभव नहीं है, मैं तैयार नहीं हूं, मुझे कुछ भी नहीं पता है।" मैं आपको तुरंत अपने अनुभव से बताता हूं: मैं न्यूप्रोलैब पाठ्यक्रमों में गया, वहां दो सप्ताह तक अध्ययन किया और अच्छे वेतन के लिए डेटा विज्ञान के क्षेत्र में मेरे पास पहले से ही दो प्रस्ताव थे। दो प्रस्ताव, और मैं अभी भी अध्ययन कर रहा था! मैंने इस क्षेत्र में भी काम नहीं किया, मैंने बस थोड़ा सा पायथन पढ़ाया और अभी-अभी मैंने पाठ्यक्रम लेना शुरू किया है। मैं नियोक्ता के पास आया और कहा कि मैं अब इस कार्यक्रम पर अध्ययन कर रहा था, मैं 8 जून को समाप्त होगा, मैं इस क्षेत्र में विकास करने के लिए प्रेरित हूं, मुझे डेटा वेयरहाउस में प्रासंगिक अनुभव है। कंपनियां मुझे लेने के लिए तैयार थीं। अब बाजार बहुत संकीर्ण है, बहुत कम डेटा वैज्ञानिक हैं, इसलिए कंपनियां आमतौर पर लोगों को बढ़ने के लिए ले जाती हैं। यदि वे आप में क्षमता देखते हैं, तो वे इसे विकसित करने के लिए तैयार हैं।

आखिरकार, आपके ज्ञान को पंप करने के लिए कई अलग-अलग प्रशिक्षण संसाधन हैं: कौरसेरा , एडएक्स , उडेसिटी । यहां तक ​​कि अगर आप आँकड़ों को नहीं जानते हैं, तो आप रैखिक बीजगणित, गणित, एक प्रोग्रामिंग भाषा नहीं जानते हैं, आप कुछ भी नहीं जानते हैं, आपके प्रत्येक अज्ञान के लिए एक निश्चित कोर्स है जिसे आप जल्दी से सुन सकते हैं और जल्दी से सब कुछ समझ सकते हैं, मुख्य इच्छा और आकांक्षा यहां हैं। और "मेरे पास कोई अनुभव नहीं है" जैसी कोई चीज नहीं है, मुख्य बात प्रेरणा, संसाधन और ऊर्जा है। और मुझे लगता है कि अगर आप इसे चाहते हैं तो समय होगा।

डाटा साइंस के अनुसार, अब बहुत सारे ऑनलाइन कोर्स तलाकशुदा हो गए हैं, हर जगह कुछ विज्ञापनों पर मेरे लिए प्रासंगिक विज्ञापन पॉप अप होते हैं, फिर दूसरों पर। और उनकी लागत बड़ी है, लेकिन मैं पहली बार पाठ्यक्रमों की आपूर्तिकर्ता कंपनी को देखता और सुनता हूं। सामान्य तौर पर, यह, ज़ाहिर है, एक प्रचार है, और मुझे लगता है कि कई निम्न-गुणवत्ता वाले पाठ्यक्रम हैं जो व्यावहारिक रूप से कुछ भी नहीं देते हैं।



- आपकी टिप्पणियों से: वास्तव में अत्यधिक योग्य विशेषज्ञ बनने के लिए शुरुआती और अनुभवी डेटा वैज्ञानिकों दोनों के लिए क्या नरम और कठोर कौशल अक्सर पर्याप्त नहीं होते हैं? मुझे क्या देखना चाहिए?

- बहुत बार कंपनी-व्यापी आधार पर मॉडल लागू करने के लिए पर्याप्त व्यावहारिक कौशल नहीं होते हैं, विषय क्षेत्र और सही ढंग से प्राथमिकता वाले काम को समझना महत्वपूर्ण है। आपको एक कार्य पर बहुत समय नहीं बिताना चाहिए, जिसके परिणाम कंपनी के लिए सकारात्मक प्रभाव नहीं लाएंगे। डेटा वैज्ञानिकों को भी अपने उत्पादों के परिणामों को आंतरिक रूप से सहयोगियों और बाहरी रूप से पेश करने के लिए अपने संचार कौशल को विकसित करने के लिए प्रोत्साहित किया जाता है। कठिन कौशल के लिए, मैं चाहूंगा कि उम्मीदवार शब्दावली को बेहतर ढंग से समझें, मॉडल निर्माण की गणितीय नींव को समझें और विभिन्न प्रकार के मशीन सीखने के कार्यों के लिए मॉडल का उपयोग करने के मामलों को जानें। किसी समस्या को हल करने के लिए नए दृष्टिकोण विकसित करने के लिए रचनात्मकता और कल्पना भी बहुत महत्वपूर्ण है (जैसे कि यह डेटा स्टोर में मैट्रिक्स को जोड़ना, एक निश्चित तरीके से इसकी संरचना को बदलना, या किसी अन्य मॉडल का उपयोग करना)।

- डेटा साइंस के क्षेत्र में उन परियोजनाओं के बारे में मुझे बताएं जो आपने की हैं।

- पहले, मैं आपको संक्षेप में बताऊंगा कि मैंने परामर्श में क्या किया। हमारे पास विभिन्न क्षेत्रों में परियोजनाएं थीं, विभाग बहुत बड़ा नहीं था, और हम विविध कार्यों में लगे हुए थे। मेरा पहला कार्य एक बड़े रूसी बैंक में ऋण उत्पाद के लिए प्रतिक्रिया मॉडल से संबंधित था। मॉडल सफल रहा, इसने सकारात्मक परिणाम दिया, मैंने इसे एक वाणिज्यिक समाधान का उपयोग करके किया; इस मॉडल के कार्यान्वयन के लिए धन्यवाद, मैं व्यवसाय की आवश्यकताओं, मॉडल के निर्माण और उत्पादन के समन्वय पर काम की पूरी श्रृंखला से गुजरने में सक्षम था, साथ ही साथ इसकी गुणवत्ता का आकलन करने और इसे समय पर रखने के लिए। चूंकि मेरी पिछली कंपनी मुख्य रूप से बैंकिंग क्षेत्र में माहिर है, इसलिए हमने मुख्य रूप से बैंकों के लिए मॉडल बनाए, लेकिन हमने अन्य क्षेत्रों (उदाहरण के लिए, बीमा और खुदरा) की भी कोशिश की। उस समय तक, मैंने न केवल डेटा वैज्ञानिक के रूप में, बल्कि एक प्रबंधक के रूप में भी इन परियोजनाओं में भाग लिया। यह मुझे लगता है कि विषय क्षेत्र सीमित नहीं हो सकता है, किसी भी विषय क्षेत्र में आप इसे जल्दी से समझ सकते हैं। मुझे बहुत खुशी है कि आईटी परामर्श ने मुझे ऐसा लचीलापन दिया।

- हो सकता है कि कुछ परियोजना या कई परियोजनाएं हैं जिन्हें आप विशेष रूप से याद करने के लिए प्रसन्न हैं?

- हाँ, वहाँ एक है - एक बड़े रूसी बैंक में मेरी पहली परियोजना, हमारे पास एक बहुत ही अनुकूल टीम थी, हमने स्क्रैच से एक डेटा वेयरहाउस बनाया, इसके विकास में लगे हुए थे, समर्थित थे, इस पर रिपोर्ट बनाई। यह बहुत अच्छा उत्पाद था। हमने बहुत अनुभव प्राप्त किया, हमने एक उत्कृष्ट टीम बनाई है। हम लंबे समय से विभिन्न कंपनियों में बिखरे हुए हैं, लेकिन हम अभी भी सक्रिय रूप से रिश्ते बनाए हुए हैं। हमने शायद खुद को इस बैंक में पाया।

- अच्छा है। चलिए एमटीएस पर चलते हैं। क्यों वास्तव में उन्हें? क्या दिलचस्प करने की पेशकश की गई थी? अब आपको और आपकी टीम को किन कार्यों का सामना करना है?

- सबसे पहले, मैं बिग डेटा की एक विशाल टीम द्वारा एमटीएस के लिए आकर्षित किया गया था, विशेषज्ञों का एक समूह जिनके साथ आप किसी भी समय परामर्श कर सकते हैं, जो आईटी परामर्श में नहीं था, लेकिन मुझे बहुत कमी थी। हमारे पास एक बहुत अनुभवी नेता और कई डेटा वैज्ञानिक थे, यह स्पष्ट है कि उनका अनुभव किसी भी समस्या को हल करने के लिए पर्याप्त नहीं था। मोटे तौर पर, हमारे पास हमारे द्वारा किए गए कार्यों का एक मानक समूह था, और हमने इस कार्य के सेट से विचलन न करने की कोशिश की, क्योंकि हमारे पास विशेषज्ञता नहीं थी। मुझे बहुत खुशी है कि मैंने एमटीएस को चुना, हमारे पास अब 150 से अधिक लोग हैं और हम अभी भी वर्ष के अंत तक 70% तक बढ़ना चाहते हैं। यह बहुत अच्छा है, मुझे संवाद करना और अनुभव साझा करना पसंद है, मुझे लगता है कि नया रक्त निश्चित रूप से चोट नहीं पहुंचाएगा।

दूसरे, यहां प्रौद्योगिकियों का एक विस्तृत ढेर है, हम ओपन सोर्स का उपयोग करते हैं: बिग डेटा के क्षेत्र में पायथन, स्पार्क, हाइव, काफ्का - सभी लोकप्रिय buzzwords। हमारे पास एक व्यावसायिक समाधान भी है, लेकिन हम इसे स्पर्श नहीं करते हैं और हम वहां मॉडल नहीं बनाते हैं। यह बहुत अच्छा है कि मैं न्यूप्रोलैब कार्यक्रम पर इस स्टैक से परिचित होने में कामयाब रहा और बाद में एमटीएस में अपने ज्ञान को समेकित किया।

इसके अलावा, ज़ाहिर है, दिलचस्प काम, दिलचस्प उत्पाद। ग्राहक ज्यादातर घरेलू हैं, लेकिन कुछ उत्पादों को बाहर लाया जाता है। हमारी टीम में कई क्षेत्र हैं: रणनीतिक, यह उन मॉडलों के कार्यान्वयन से जुड़ा है जो वर्तमान में हमें पैसे नहीं लाते हैं; ऐसी व्यावसायिक परियोजनाएँ हैं जिन्हें इस वर्ष वित्तीय परिणाम दिखाना चाहिए। मैं आर एंड डी टीम में काम करता हूं, हम उत्पादों की बिक्री में लगे हुए हैं जो भविष्य में एमटीएस को बेहतर बनने में मदद करेंगे।

मेरी टीम और मेरे पास अभी तीन उत्पाद हैं। पहला संपर्क के विभिन्न बिंदुओं पर हमारे ग्राहकों के लिए सेवा की गुणवत्ता का आकलन है, जिसमें प्रत्येक ग्राहक के स्तर पर एनपीएस (ग्राहक निष्ठा सूचकांक - लेखक का नोट) का पूर्वानुमान शामिल है। हमारे पास चुनाव हैं कि हम अपने सभी ग्राहकों के लिए मासिक का संचालन करें ताकि यह समझ सकें कि वे एमटीएस ब्रांड की सिफारिश करने के लिए तैयार हैं या नहीं। 0 - किसी को भी सिफारिश करने के लिए तैयार नहीं, 10 - तैयार है और सक्रिय रूप से कर रहा है। हम इन अनुमानों को इकट्ठा करते हैं और उस रेटिंग की भविष्यवाणी करते हैं जो ग्राहक ने हमें दी थी यदि उसने सर्वेक्षण लिया था, और उन कारणों को भी देखा जो इस रेटिंग को प्रभावित कर सकते थे; हम जल्दी से उन्हें ठीक करने में मदद कर सकते हैं। यह पहला उत्पाद है।

दूसरा उत्पाद वॉयस एनालिटिक्स से संबंधित है। यहां, केवल R & D यहां है, ध्वनि विश्लेषण के कार्यों में से एक है कॉल का विश्लेषण और स्वचालित रूप से वर्गीकृत करने के लिए एक संपर्क केंद्र पर कॉल द्वारा पाठ में भाषण की मान्यता। फिलहाल, यह ऑपरेटर द्वारा किया जाता है, और संदेशों का विषय हमेशा पर्याप्त रूप से सटीक नहीं हो सकता है।

मैं शायद आपको बाद में किसी बड़े डेटा सम्मेलन में तीसरे उत्पाद के बारे में बताऊंगा।
टीम बहुत शांत है, हम हर किसी को सहज बनाने के लिए घर के काम के माहौल को बनाए रखने की कोशिश करते हैं। मैं टीम के प्रत्येक सदस्य को सुनने की कोशिश करता हूं, हर कोई अपने विचारों को साझा करता है। यह मुझे लगता है कि उत्पाद विकसित करते समय टीम के विचार सबसे महत्वपूर्ण हैं। सामान्य तौर पर, हम भी पागलपन के विचारों को लागू करने की कोशिश कर रहे हैं।

- पागल विचारों का एक उदाहरण दें।

- यह मुझे लगता है कि आवाज से हमारा उत्पाद शुरू हुआ। हमने एनपीएस किया, हमारे ग्राहकों की रेटिंग का विश्लेषण किया, और फिर किसी ने पूछा: "हम कॉल सेंटर में वॉयस कॉल का विश्लेषण क्यों नहीं कर सकते हैं?" वास्तव में, क्यों नहीं? हम अपने ग्राहकों को चेतावनी देते हैं कि हम रिकॉर्ड और विश्लेषण कर सकते हैं। हम स्वयं उनकी बात नहीं सुनते हैं, लेकिन मशीन प्रसंस्करण के लिए धन्यवाद, हम ग्राहक सेवा की गुणवत्ता में सुधार करने के लिए वहां से कॉल के विषयों को निकाल सकते हैं।

मेरे लिए कोई भी ठोस उदाहरण देना मुश्किल है - किसी भी काम के क्षण जब लोग कुछ का परीक्षण करना चाहते हैं, कुछ को लागू करने का प्रयास करते हैं, और कहीं का अनुकूलन करते हैं। हम विभिन्न समाधानों की भी कोशिश करते हैं, कई आपूर्तिकर्ता हमारे पास आते हैं, नवीनतम तकनीकों की पेशकश करते हैं। हम उनके साथ पायलट बिताते हैं, परिणामों को देखते हैं।

- आप निश्चित रूप से एमटीएस के अलावा कुछ अन्य विकल्पों पर विचार करते हैं। नियोक्ता चुनते समय आपके लिए क्या महत्वपूर्ण है?

- कंपनी का खुलापन मेरे लिए महत्वपूर्ण है; मुझे यह पसंद है कि मैं अपने सहयोगियों के साथ, अपने नेता के साथ, अपने डर को साझा कर सकता हूं, मुझे पता है कि वह समझेंगे और व्यावहारिक सलाह देने में सक्षम होंगे। कंपनी की प्रतिष्ठा मेरे लिए महत्वपूर्ण है। बेशक, मैं एक स्टार्टअप पर जाने के लिए तैयार हूं यदि उनके पास एक दिलचस्प विचार है, लेकिन, सामान्य तौर पर, कंपनी की प्रतिष्ठा मेरे लिए महत्वपूर्ण है। मुझे एमटीएस में काम करना पसंद है, हम रूस में सबसे बड़े ऑपरेटर हैं। मुझे लगता है कि विकास के अवसर भी महत्वपूर्ण हैं, और एमटीएस एक वक्ता के रूप में और एक श्रोता के रूप में विभिन्न सम्मेलनों में भागीदारी को प्रोत्साहित करता है। , , .

. , , 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.