बैंकिंग क्षेत्र में अपने काम के बारे में "डेटा साइंस" पाठ्यक्रम के स्नातक

नेटोलॉजी में, 2016 में डेटा साइंस की दिशा दिखाई दी। जब हमने पहली बार शुरुआत की थी, तो आशंका थी: क्षेत्र नया था, कंपनियों के लिए वैज्ञानिकों की तारीखों की मांग सभ्य थी, लेकिन बहुत से ऐसे लोग नहीं थे जो इस क्षेत्र में प्रवेश करना चाहते थे, और नेटवर्क पर स्व-अध्ययन के लिए बहुत सारे मुफ्त अंग्रेजी-भाषा संसाधन भी थे, इसलिए हमने जोखिम लिया।

लेकिन आज, डेटा के साथ काम करने में विभिन्न विशेषज्ञताओं में पहले से ही 10 पाठ्यक्रम हैं, और स्नातकों की संख्या 800 से अधिक है। हमने ऐसे स्नातकों में से एक से डेटा के साथ उनके काम के बारे में पूछने का फैसला किया, वह कैसे मैदान में आए, कैसे मशीन लर्निंग विकसित होती है लोको बैंक और वह किस तरह के लोगों को अपनी टीम में तलाश रहा है।

व्याचेस्लाव पोतापोव, लोको बैंक में डेटा विश्लेषण और मशीन लर्निंग के प्रमुख और डेटा वैज्ञानिक पाठ्यक्रम के स्नातक :

मैंने मॉस्को स्टेट टेक्निकल यूनिवर्सिटी से स्नातक किया है। 2011 में विशेषता "स्पेसक्राफ्ट" और ऊपरी चरणों में बॉमन। उसके बाद, उन्होंने विश्लेषक, डेटाबेस डेवलपर और वेयरहाउस आर्किटेक्ट के रूप में विभिन्न स्थानों पर 7 साल तक काम किया। इस समय के दौरान, मैंने डेटा प्रोसेसिंग और स्टोरेज के बारे में बहुत कुछ सीखा, लेकिन कुछ बिंदु पर मैं विश्लेषण में अधिक गोता लगाना चाहता था - यह समझने के लिए कि इन सभी नंबरों का क्या मतलब है, मैं क्या स्टोर और प्रक्रिया करता हूं।

मैंने विकास के लिए दिशा-निर्देश तलाशने शुरू किए: मैंने आईटी में संबंधित पदों का अध्ययन किया, उद्योग में वेतन का स्तर क्या है और मांग में अधिक क्या है, इस पर ध्यान दिया। यूट्यूब पर हैबर और वीडियो पर कई लेख थे, कुछ हद तक उन्होंने मुझे डेटा के साथ काम करने का सार समझने में मदद की और उस समय मेरे मौजूदा कौशल कैसे उपयोगी हो सकते हैं।

फिर मैंने डेटा साइंस (डीएस) और मशीन लर्निंग (एमएल) के साथ मुलाकात की, लेकिन मौलिक आधार पर्याप्त नहीं था। क्षेत्र बहुत विस्तृत है और जब आप कुछ वीडियो या लेख देखते हैं, तो आपको केवल खंडित ज्ञान मिलता है, लेकिन सामान्य तौर पर यह समझ में नहीं आता है कि विशेषता का सार क्या है, दिशा, तरीके, उपकरण क्या हैं। यह है कि विश्वविद्यालयों के लिए गणित पर एक मोटी पाठ्यपुस्तक कैसे पढ़ें, लेकिन स्पष्टीकरण और अभ्यास के बिना, प्राप्त ज्ञान को लागू करना मुश्किल होगा।

एक सहकर्मी ने मुझे नेटोलिया के बारे में बताया, जहां डेटा साइंस में एक बड़ा पूर्णकालिक कार्यक्रम था, और मैं रूसी-भाषी बाजार में इस तरह के उपयुक्त प्रस्तावों को पूरा नहीं करता था। नतीजतन, उन्होंने सफलतापूर्वक "थीसिस ऑफ़ न्यूरल नेटवर्क्स का उपयोग करते हुए" विषय पर अपनी थीसिस का अनावरण और बचाव किया। जैसा कि मुझे अब याद है, यह बहुत मुश्किल था, मुझे पूर्ण कार्यों को हल करने का अभ्यास नहीं था, और मैं वास्तव में सिर्फ अकादमिक काम नहीं करना चाहता था, बल्कि पूरी तरह से काम करने वाला प्रोजेक्ट था।

अपनी पढ़ाई के समानांतर, उन्होंने कागले के साथ समस्याओं को हल करने और कार्य परियोजनाओं को करने की कोशिश की।
और पाठ्यक्रम के ठीक बाद मैंने एक ऐसी जगह की तलाश शुरू की, जहां मैं पूरी तरह से डेटा विश्लेषण में संलग्न हो सकता हूं, क्योंकि बीआई सिस्टम वास्तुकार और डीएस में अभ्यास के काम को संयोजित करना मुश्किल है।

कई साक्षात्कारों के बाद, उन्होंने लोको-बैंक और डीएस की दिशा को चुना।

यह मुझे लगता है कि अनुसंधान संस्थान के कुछ एनालॉग के रूप में डेटा साइंस, प्रबंधन से दृष्टिकोण के विश्वास, धैर्य और समझ की आवश्यकता है।

लोको-बैंक में, उन्होंने इन संभावनाओं को देखा - इसलिए मैंने डिजिटल बिजनेस ब्लॉक में काम करना शुरू किया, जो कि एनालिटिक्स की दिशा विकसित कर रहा है।

विश्लेषकों और डेटा वैज्ञानिक लोको बैंक में क्या कर रहे हैं

अब बैंक के पास एक क्लासिक आईटी विभाग है जो बुनियादी ढांचे और डेटा भंडारण के लिए जिम्मेदार है, अन्य विभाग इन डेटा स्रोतों का उपयोग करते हैं और नए लोगों के एकीकरण के लिए आवश्यकताओं को निर्धारित करते हैं। कुल मिलाकर, एनालिटिक्स के साथ कंपनी में लगभग 40 कर्मचारी काम करते हैं।

लोको बैंक में, प्रक्रिया स्वचालन, डेटा विश्लेषण और डेटा-संचालित अर्थव्यवस्था का निर्माण कंपनी की प्राथमिकताएं बन रही हैं। मुझे उम्मीद है कि जानकारी के आधार पर हम बिक्री का सही ढंग से निर्माण करने, जोखिम मूल्यांकन और पूरे व्यवसाय का संचालन करने में सक्षम होंगे।

व्यावसायिक इकाई में, एनालिटिक्स के साथ काम दो क्षेत्रों में विभाजित है: क्लासिक एनालिटिक्स - बीआई, जिसके विशेषज्ञ कंपनी के नियोजित और वास्तविक संकेतकों का विश्लेषण करते हैं, बिक्री, शेष, आय और व्यय और एमएल दिशा पर रिपोर्ट तैयार करते हैं।

मशीन लर्निंग एल्गोरिदम बनाने पर केंद्रित है जो क्लासिक विश्लेषकों से वास्तविक डेटा के आधार पर भविष्यवाणियां करता है, नए डेटा उत्पन्न करता है और छिपी निर्भरता और विसंगतियों की तलाश करता है। यह वह विभाग है जिसके प्रभारी मैं हूं।

बैंक में एमएल अभी विकसित होना शुरू हो रहा है। लेकिन मेरा एक लक्ष्य है - एक प्रणाली का निर्माण करना ताकि यह व्यवसाय को मदद करे और आपको राजस्व बढ़ाने और लागत कम करने के लिए सभी आधुनिक दृष्टिकोणों का उपयोग करने की अनुमति दे। हमें व्यावसायिक प्रक्रियाओं को पूरी तरह से बदलना होगा और मौजूदा आईटी आर्किटेक्चर में मशीन लर्निंग टूल्स को लागू करने के तरीकों की तलाश करनी होगी। यह इस के साथ मुश्किल हो सकता है, क्योंकि वास्तुकला को कल डिजाइन नहीं किया गया था, और कुछ आवश्यकताओं को बस इसमें नहीं रखा गया था।

उदाहरण के लिए, ग्राहकों के लिए मोबाइल बैंक में प्रवेश करने के लिए लॉग एकत्र करने की आवश्यकताएं। शास्त्रीय विश्लेषण के लिए, उन्हें ज़रूरत नहीं है, इसलिए उन्हें कभी भी एकत्र या संग्रहीत नहीं किया गया था। मैंने समझाया कि इन लॉग के आधार पर, हम मॉडल को प्लेटफॉर्म लोड पर भविष्यवाणियां करने के लिए प्रशिक्षित कर सकते हैं और मोबाइल बैंक के उपयोग और ग्राहक की लाभप्रदता के बीच संबंध को देख सकते हैं। और अगर यह एमएल के विकास के लिए नहीं थे, तो इस तरह के विश्लेषिकी बस मौजूद नहीं होंगे, क्योंकि कोई भी इस मुद्दे से नहीं निपटेगा। क्या जरूरत थी, एक मार्गदर्शक था जो समझाएगा कि क्यों और क्यों निर्देश देते हैं, वास्तुकला का निर्माण कैसे करें, डेटा कैसे एकत्र करें, मॉडल कैसे बनाएं, उन्हें कहां लागू करें।

मशीन लर्निंग की शुरुआत के साथ, मैं समग्र रूप से बैंक में डेटा के साथ काम करने की संस्कृति बनाना चाहता हूं: उनका संग्रह, प्रसंस्करण, साथ ही नए स्रोतों का एकीकरण। उसी समय, हम पहले से ही ग्राहकों के लिए भविष्य कहनेवाला विश्लेषण के कार्यों को हल कर रहे हैं, हम टैरिफ का अनुकूलन करने और कंपनी की बिक्री बढ़ाने के लिए उनके विभाजन में लगे हुए हैं।

हम वित्तीय निगरानी में भी लगे हुए हैं, हम संदिग्ध ग्राहकों और लेनदेन का विश्लेषण करते हैं। अब कंपनी इस कार्य पर मानव और वित्तीय संसाधनों की एक बड़ी राशि खर्च करती है। और हम इन प्रक्रियाओं को सरल और अधिक कुशल बनाना चाहते हैं।

यदि हम इस बारे में बात करते हैं कि पहले से ही क्या किया गया है, तो हमने विशेष रूप से उपयोगकर्ता लॉग में डेटा एकत्र करना और संग्रहीत करना शुरू किया, जिसके बारे में मैंने ऊपर लिखा था। अब हम संघीय कर सेवा में ग्राहक कार्ड में परिवर्तन के इतिहास पर जानकारी संग्रहीत करते हैं।

फिलहाल, हम ग्राहकों (कानूनी संस्थाओं और व्यक्तिगत उद्यमियों) के नकारात्मक व्यवहार को निर्धारित करने के लिए एक मॉडल विकसित कर रहे हैं और पहले ही अच्छे परिणाम प्राप्त कर चुके हैं। लोकप्रिय मीट्रिक में से एक के लिए स्कोर 0.86 है। एल्गोरिदम में से हम ग्रेडिएंट बूस्टिंग का उपयोग करते हैं। निकट भविष्य में हम अतिरिक्त स्रोतों को जोड़कर, इसके काम में स्थिरता प्राप्त करने की योजना बना रहे हैं। इस मॉडल को कंपनी के जोखिम को कम करने में मदद करनी चाहिए और बेईमान ग्राहकों को खोजने की लागत को अनुकूलित करना चाहिए।

एमएल दिशा के लिए किस तरह के विशेषज्ञों की आवश्यकता है

हमारी टीम केवल गठित की जा रही है, इसलिए अब मैं सामान्य लोगों को लेने की कोशिश करता हूं। बेशक, एक व्यक्ति को विकसित करने के लिए या इसके विपरीत, व्यावसायिक विश्लेषण के लिए अधिक झुकाव हो सकता है, लेकिन फिर भी उसे संपूर्ण रूप से समाधान बनाने की प्रक्रिया को समझना चाहिए, इसमें उसकी भूमिका को समझना चाहिए। यह उन लोगों के लिए एक अच्छा विकल्प है जो विभिन्न भूमिकाओं में खुद को आजमाना चाहते हैं।

यह महत्वपूर्ण है कि एक व्यक्ति जानता है कि वास्तविक व्यावहारिक समस्याओं को कैसे हल किया जाए, कम से कम दृष्टिकोण और चरणों के सेट की व्याख्या कर सकते हैं। साक्षात्कार में, मैं तर्क समस्याओं को देने की कोशिश करता हूं, और मैं गणित के बिना एल्गोरिदम और तकनीकों की एक सामान्य समझ के लिए पूछता हूं।

चूंकि मैं खुद एक इंजीनियर हूं, इसलिए मैं अपनी टीम में इंजीनियरिंग पृष्ठभूमि वाले लोगों की तलाश करने की कोशिश करता हूं, हालांकि यह एक टैबू नहीं है। मुझे पता है कि जब लोग तकनीकी शिक्षा के बिना पेशे में आए थे।

एक एमएल समाधान बनाना एक तुच्छ कार्य से दूर है, इसलिए यह केवल सभी डेटा लेने के लिए पर्याप्त नहीं है, इसे एल्गोरिथ्म में फेंक दें और एक चमत्कार की प्रतीक्षा करें। आपको विषय क्षेत्र में खुद को विसर्जित करने में सक्षम होने, संचार करने, पूछने और सुनने में सक्षम होने की आवश्यकता है, कहीं न कहीं ये कौशल तकनीकी लोगों की तुलना में अधिक मूल्यवान हो सकते हैं।

विशेष रूप से, विभाग अब मुख्य रूप से बिग डेटा इंजीनियरों में रुचि रखता है। तंत्रिका नेटवर्क और xgboosts अच्छे हैं, लेकिन पहले आपको उन विशेषज्ञों को खोजने की आवश्यकता है जो बड़ी मात्रा में सही, तैयार डेटा एकत्र कर सकते हैं। उनके बिना, कोई मशीन लर्निंग काम नहीं करेगा। मुझे इस दिशा में कम से कम दो लोगों की जरूरत है। लेकिन कंपनी के पास उनके लिए कई आवश्यकताएं हैं: उन्हें ईटीएल उपकरण, एसक्यूएल को जानना चाहिए और स्टोरफ्रोन और डेटा वेयरहाउस के निर्माण में अनुभव होना चाहिए, साथ ही साथ अनुकूलन समस्याओं को हल करने में सक्षम होना चाहिए।

बैंकिंग क्षेत्र में अनुभव के साथ, दो विश्लेषकों के साथ कर्मचारियों को पूरक करना भी अच्छा होगा। और यद्यपि डेटा साइंस एक प्राथमिकता है, क्षेत्र कोई भी हो सकता है।

बाजार की मुख्य समस्या उन लोगों की कमी है जो व्यवसाय की जरूरतों को सार्थक एमएल-कार्य में बदल सकते हैं, और कभी-कभी एक समाधान का प्रस्ताव भी कर सकते हैं।

इस समस्या को हल करने के लिए, आपको व्यवसाय को स्वयं और मौजूदा साधनों को समझने की आवश्यकता है, साथ ही समस्या का हल सही ढंग से प्रस्तुत करने के लिए अच्छे नरम कौशल भी हैं। और ऐसे खोजना बहुत मुश्किल है।

कहां विकसित करना है

चूँकि हम केवल व्यावसायिक कंपनियों में एमएल का परिचय दे रहे हैं, इसलिए हमें कई ऐसे फैसलों को लागू करने की जरूरत है, जिस पर आगे पूरे क्षेत्र में भरोसा हो। ये निर्णय व्यवसाय के लिए एक विभाग के अस्तित्व के औचित्य से संबंधित हैं। मशीन लर्निंग अब सभी के लिए अच्छी तरह से जाना जाता है, इसलिए यह विशेष रुचि का है।

मेरे विभाग के भीतर एमएल उपकरणों के सफल कार्यान्वयन के बाद, हम पूरे बैंक में कार्यों के पूल और विशेषज्ञों के कर्मचारियों के विस्तार की योजना बनाते हैं।

एक बैंक, सबसे पहले, डेटा का बड़ा प्रवाह, एक बड़ा ग्राहक आधार और, तदनुसार, एक बड़ी जिम्मेदारी है।

एक ओर, ऐसे ग्राहक हैं जो अच्छी सेवा प्राप्त करना चाहते हैं और अपने डेटा को बचाना चाहते हैं, और दूसरी ओर, हमेशा ऐसे लोग होते हैं जो गोपनीय जानकारी के लिए भंडारण सुविधाओं का उपयोग करना चाहते हैं।

मेरी राय में, प्रक्रियाओं के बढ़ते कार्यभार और जटिलता के साथ, मशीनों के लिए कुछ जिम्मेदारियों और कार्यों का प्रतिनिधिमंडल कंपनी की स्थिर वृद्धि के लिए एकमात्र संभव स्थिति है।

और जो व्यक्ति बैंकिंग क्षेत्र में मशीन लर्निंग की दिशा में आना चाहता है, उसे पहले बैंक के मुख्य लक्ष्यों के साथ एमएल काम के कार्यों को सहसंबंधित करने में सक्षम होना चाहिए।

जो लोग मशीन लर्निंग क्षेत्र में प्रवेश करना चाहते हैं, उनके लिए टिप्स

सबसे पहले, यह अपने आप को इस सवाल का जवाब देने के लायक है कि आप वास्तव में क्या करना चाहते हैं, और उसके बाद ही देखें कि इसके लिए क्या आवश्यक है। डीएस विकास के लिए एक बहुत बड़ा क्षेत्र है, और एक तरफ यह अच्छा है, लेकिन दूसरी ओर, आप बहुत लंबे समय तक भटक सकते हैं और कुछ विशिष्ट के लिए नहीं आ सकते हैं।

शुरुआत में, मैं गणित में गहरा गोता लगाने की सलाह नहीं दूंगा। व्यावहारिक समस्याओं और उपकरणों (पुस्तकालयों, विधियों) को हल करने पर ध्यान दें। डेटाबेस, सफाई और प्रसंस्करण डेटा, और प्रारंभिक विश्लेषण के अनुभव से मुझे बहुत मदद मिली। वास्तविक काम में, यह डेटा संग्रह और तैयारी है जो अधिकांश समय पर कब्जा कर लेता है, और इस दिशा में उच्च-गुणवत्ता वाला काम भविष्य में एमएल समाधानों की गुणवत्ता में काफी सुधार करेगा।

यह बहुत अच्छा है कि हम ऐसे समय में रहें जब कोई भी जानकारी आसानी से मिल सके। नेटवर्क के पास विभिन्न क्षेत्रों, समुदायों (ओडीएस) में कई पाठ्यक्रम हैं, सम्मेलनों और कार्यशालाओं को समय-समय पर आयोजित किया जाता है। लेकिन आपको यह समझने की आवश्यकता है कि एमएल एक युवा अनुशासन है, यह केवल गठित किया जा रहा है और सीखने के लिए कोई मौलिक दृष्टिकोण नहीं है। इसलिए, विकास पथों को सावधानी से चुना जाना चाहिए: अपने लिए सही लहजे निर्धारित करने के लिए, विभिन्न प्रशिक्षण कार्यक्रमों का अध्ययन करना। मैं भाग्यशाली था - मैंने एक कोर्स चुना जो मेरी आवश्यकताओं और अपेक्षाओं को पूरा करता था, और लोको-बैंक में एक विशाल और आशाजनक दिशा का विकास हुआ।

संपादकों से

• मिटप " शुरुआती के लिए डेटा विज्ञान में कैरियर " - 11 अगस्त, मास्को + प्रसारण
• पेशे डेटा साइंटिस्ट , 16 667 पी से 10 महीने का प्रशिक्षण। / माह
• पाठ्यक्रम " मशीन लर्निंग ", " बिग डेटा ", " डेटा के साथ काम करने के लिए पायथन "