Принцип непрерывности

Все больше индустрий требуют внедрения искусственного интеллекта, и все больше профессий исчезает из-за автоматизации процессов. На смену им приходят новые, связанные с аналитикой данных и машинным обучением. Современный человек может поменять за жизнь до пяти специализаций. Иногда это кардинальный переход из одной сферы в другую, иногда — «доупаковка» скиллсета актуальными навыками и знаниями.

Необходимость учиться в любом возрасте, чтобы успевать за изменениями в технологиях, и получать новые профессии нашла себя в концепции непрерывного образования. Просмотр видеолекций, чтение книг, прохождение курсов и даже обучение в университетах — концепция предполагает разные треки. Выхлоп будет пропорционален приложенным усилиям.

О том, как выдержать двойную нагрузку (учеба и работа), найти первую работу по новой профессии и продолжить карьерное развитие, мы поговорили с выпускниками Центра непрерывного образования Факультета компьютерных наук НИУ ВШЭ.

Владислав Бояр, 29 лет

• инженер по образованию
• выпускник программы «Специалист по Data Science»
• работал в Минцифры, Сбере, сейчас Data Engineer во «Вкусно — и точка»
• ассистировал на программах ЦНО, сейчас преподает SQL и DWH на программах Центра непрерывного образования ФКН

О профессиях дата-инженер и дата-сайентист

Я учился в Центре на программе «Специалист по Data Science», но работаю не дата-сайентистом, а дата-инженером. Мне нравится работать с более структурированными задачами, логически выстраивать движение данных, процессов, чтобы было все четенько, по полочкам.

Курс помог мне поменять мышление, стать гибче — полезно знать, чем могут заниматься и какие задачи выполнять те или иные специалисты. Например, на всех местах работы я достаточно тесно взаимодействовал с командой дата-сайентистов, и, если знаешь, чем люди фактически занимаются, взаимодействие происходит намного эффективнее.

В большинстве случаев IT-департаменты реализуют какую-то аналитику — многие накопили данные, которые требуют анализа. Этим занимаются дата-аналитики и дата-сайентисты. Первые создают отчеты и графики, анализируя уже имеющиеся данные. Можно сказать, что они занимаются анализом прошлого. А дата-сайентисты в основном занимаются предиктивной аналитикой, то есть будущим.

Дата-инженер — это человек, который отвечает за сбор данных из различных источников и предоставляет аналитикам и дата-сайентистам данные для обработки. Собирать информацию он может как из внешних источников, так и из внутренних.

О развитии карьеры

Наша сфера подразумевает использование огромного количества технологий. Меня драйвит возможность попробовать новые решения, ведь каждая компания применяет свой технологический стек. Часто мне хотелось попробовать что-то новое — и иногда, если такой возможности не было, я искал новую работу.

Мне нравится менять роли, расти как вертикально, так и горизонтально. Безусловно, такое развитие сопровождается финансовым ростом. Сейчас во «Вкусно — и точка» мы с командой занимаемся развитием хранилищ данных: загружаем новые источники данных, обрабатываем их и предоставляем пользователям внутри компании, как в IT-департаменте, так и бизнес-пользователям.

Лайфхаки: как совмещать учебу и работу

Сразу после выпуска из первого вуза (там я получил инженерное образование с элементами классической аналитики) пробовал работать по специальности: составлял аналитические обзоры и дайджесты, в том числе используя технические навыки.

Обучение на курсе «Специалист по Data Science» длится 1–1,5 года. Все это время я продолжал работать в найме по первой специальности, и мне удалось на реальных задачах применить знания из модуля по машинному обучению. Совмещая первую профессию и учебу, я начал искать работу по направлению Data Engineer — на то, чтобы ее найти, мне потребовалась пара месяцев.

На курсы ЦНО часто идут люди с бэкграундом в разных профессиях и индустриях. Кто-то успел поработать там 1 год, а кто и более 10 лет. Все взрослые, у всех работы, семьи, у кого-то дети. В таком статусе сложно уделять курсу достаточно сил и времени.

В Центре помогают организовать и окончить обучение: во-первых, занятия идут вечером, во-вторых, в гибридном формате — если не успеваешь приехать, можешь присоединиться онлайн либо посмотреть в записи. Удобно, что можно посмотреть занятия постфактум или пересмотреть их несколько раз, потому что с первого — и даже десятого раза — линейные преобразования и нахождение собственного вектора понять правда непросто.

При этом важно, что основной формат очный: далеко не во всех подобных программах предусмотрена возможность офлайн-обучения. На занятиях в аудиториях тебя ничего не отвлекает, ты сидишь и занимаешься конкретным делом — слушаешь, что тебе рассказывают. Вокруг тебя люди, которые занимаются этим же. Вы все в одной лодке. Это помогает, когда стесняешься или не знаешь, какой вопрос задать на занятии, — нужный вопрос зададут одногруппники, и тебе в этот момент тоже станет понятнее.

О преподавательской деятельности

Сейчас я преподаю SQL и DWH в ЦНО. После завершения курса я искал новую работу, и в том числе мне стало интересно попробовать преподавательскую деятельность. Хотелось сохранить связь с университетом, продолжать развивать нетворк.

Ассистирование и преподавание полезно тем, что ты повторяешь и даже изучаешь новый, более свежий материал, когда готовишь занятия, потому что все презентации и домашние задания я готовлю самостоятельно. Иногда студенты задают вопросы, на которые я сам не знаю ответ, потому что просто не сталкивался с этим. Это помогает прокачиваться. Плюс, можно сказать, выполняется социально полезная функция — реализуется желание помогать, делиться, и это очень приятные ощущения.

Элина Ибрагимова, 30 лет

• журналист по образованию
• выпускник программы «Аналитик данных»
• работала в «МВидео», сейчас возглавляет аналитическую группу в крупной ритейл-компании
• руководитель итоговых проектов слушателей на программе «Аналитик данных»

О решении сменить работу

Я кардинально поменяла сферу деятельности, поступив на факультет без технического образования. Решение пойти учиться на аналитика для меня стало вызовом — к тому моменту я освоилась в профессии журналиста, и мне непросто было начинать все с начала.

Сначала казалось, что этот переход очень чувствительный и тяжелый.

Главной сложностью для меня стала смена языка, парадигмы мышления: технический язык имеет свою структуру, свой синтаксис. Но постепенно, приобретая навыки и опыт, я ощутила себя вполне гармонично. Конечно, ребятам с техническими специальностями легче, потому что у них больше бэкграунда в математике. Многие, как и я, приходят в профессию после курсов, и тогда, чтобы «войти в IT», главным качеством становится целеустремленность. Написание питоновского кода или SQL-скриптов — это навык, которому можно научиться. А умение не сдаваться воспитать в себе сложнее всего.

Программа «Аналитик данных» сочетает в себе базу по математике и статистике, что важно для работы аналитика в будущем, и возможность попасть в экспертную среду, где можно найти знакомства и погрузиться в индустрию. Благодаря этому ДПО помог сделать мой рывок в профессию более плавным и адаптивным.

Чем аналитики похожи на журналистов

Аналитик данных ищет причинно-следственные связи в контексте бизнеса, применяет технические скиллы и работает с большими массивами данных. Моя первая профессия тоже позволяла искать причинно-следственные связи в социуме, просто другими методами. Одно дело — в моменте «погулять» по статьям в Google, материалам «Ведомостей» и РБК, узнать о паттернах рынка, и совсем другое дело — работать в самом бизнесе, иметь доступ к этим данным и возможность делать выводы, которые затем публикуются в статьях РБК и «Ведомостей». Это ощущение очень драйвит: ты как будто первый, один из немногих, кто об этом узнает. Ты инсайдер.

Лично для меня и аналитика, и журналистика — это творчество, так как всегда нужно найти нетривиальный подход, применить . У каждого есть сильные стороны, и с точки зрения поиска методологии подход к решению задач индивидуален.

Еще аналитика — это в какой-то мере детективная работа. Тебе нужно разузнать, почему бизнес столкнулся с тем или иным явлением. В процессе придется пройти несколько дорожек, поставить несколько гипотез. Это очень привлекательно и очень развивает.

О роли аналитика для бизнеса

Первую работу в сфере аналитики я нашла, когда проходила курсы в ЦНО. Она была связана с несложными исследовательскими задачами в сфере недвижимости. Я проработала там год: писала первые скрипты, первый питоновский код. Постепенно, когда некоторые вещи стали получаться на автомате, перешла в маркетинговую область, и теперь работаю с клиентской аналитикой.

Сейчас моя работа сочетает менеджерские и аналитические задачи. Я руковожу исследовательскими проектами по аналитике удержания клиентов. Допустим, у нас есть потоки данных с транзакциями клиентов, с их покупками — такая первичная корзина клиентов: огурцы, помидоры, круассаны и выпечка. Мы смотрим не только на то, что клиент по факту покупает и сколько денег приносит бизнесу, но и на основе тех данных, которые у нас есть, пытаемся понять, что это за клиенты, какие они. И на основе обнаруженных паттернов пытаемся ответить на вопрос, почему они выбирают именно нас. И напротив, если, допустим, от нас уходят суперлояльные пользователи, мы пытаемся найти причину — это может быть цена, время доставки или сложности с курьерами и приложением. Мы выявляем эти проблемные точки и презентуем их бизнесу.

С появлением ChatGPT роль аналитика уже не может ограничиваться просто предоставлением выгрузки. Важно объяснить менеджерам, почему и как что-то происходит, так как чаще всего они видят только последствия — например, падение или рост выручки. Наши навыки работы с данными позволяют найти причины тех или иных явлений и процессов. Мне кажется, что эта роль интересна и важна, потому что без аналитических данных бизнес часто просто двигается вслепую.

О дипломных проектах в ЦНО

Работа над дипломом происходит в паре «руководитель — студент». Руководитель помогает советами, проверяет работу, может корректировать, то есть выступает экспертом, в то время как основная работа лежит на студенте.

При этом роль руководителя крайне важна. Например, куратором моей дипломной работы была эксперт со специализацией на эконометрике, поэтому наша попытка создать рекомендательную систему была построена в основном на статистических методах. Собственно к Data Science я тогда не приступила, только пощупав реальные модели.

Я тоже курировала дипломные проекты у некоторых студентов. Мне было интересно, прежде всего, поработать с ними, помочь с трудностями в процессе переобучения: ведь я недавно была на их месте. А еще я отношусь к каждому такому диплому как к проекту, реализация которого будет способствовать и моему профессиональному развитию тоже. Мне было интересно курировать процесс целиком: от момента распознавания данных до построения модели. Я объясняла студентам, почему лучше представить данные именно таким образом, почему это будет более информативно, и замечала, как это отражается на их понимании программы. Я видела хорошие оценки студентов, радовалась за них. Совместная реализация проекта очень вдохновляет.

Мне кажется, в аналитике многие, даже работая в разных компаниях, пытаются оставаться на связи и поддерживать комьюнити. Это всегда люди, к которым можно прийти и пообщаться по методологическим вопросам. В ДПО Вышки я встретила многих интересных людей, завязала с ними контакты. Я до сих пор иногда пишу своей экс-руководительнице дипломного проекта, чтобы проконсультироваться.

Михаил Арк, 33 года

• менеджер по образованию
• выпускник программы «Специалист по Data Science»
• работал в «Яндексе», сейчас программист в Сбере
• руководитель итоговых проектов слушателей на программе «Специалист по Data Science» и преподаватель Python на программе «Аналитик данных»

О проектах, которыми гордится

В качестве специалиста по ML я успел поработать в четырех компаниях. В первую я устроился, когда учился в Вышке на ЦНО ФКН.

Для стартапа ФармХаб я разработал систему мэтчинга. Это довольно сложный продукт — автоматическая система заказов, которая помогает аптекам найти идеальные предложения от разных поставщиков. В итоге эта технология стала ключевой для компании, мы даже зарегистрировали на нее патент.

В «Яндексе» я работал над поисковой персонализацией: когда вы вводите запрос в строку поиска, вам выпадают релевантные ответы, в том числе с персонализацией под ваши предпочтения — в зависимости от того, что вы до этого выбирали, искали и находили и что вам было интересно. Больше полутора лет я работал над тем, чтобы поисковая выдача ориентировалась не только на запрос, но и на ваши предпочтения в целом.

Третье место работы — стартап во Франции, который занимался поиском контрафакта на luxury-рынке. Клиенты компании — бренды Dior, Louis Vuitton, Céline, Kenzo — просили искать контрафакт в интернете, обычно на маркетплейсах. Мы находили его с помощью своих технологий и просили убрать с продажи. В мои обязанности входил . Я разработал сервис, который собирал информацию в интернете, и мне удалось достигнуть в этом довольно серьезных успехов: я сократил большое количество трат на железо и оптимизировал использование ресурсов.

Сейчас у меня небольшая команда разработчиков. Вместе мы внедряем в процессы банка GigaChat — это разработки СБЕРа. Многие компании стремятся расширить внедрение больших языковых моделей, продолжая выяснять и тестировать, где они могут быть максимально уместны с точки зрения бизнеса. На основе GigaChat у нас есть различные продукты — например, суммаризация почты и чатов, виртуальные ассистенты и умный поиск по базе знаний.

О любимом в профессии

По большому счету наша профессия очень творческая. У тебя есть рамки, а внутри этих рамок есть множество вариантов решения одной и той же проблемы. Опираясь на эту математическую составляющую и на представления о том, как должен работать бизнес, ты создаешь систему, которая будет показывать хороший результат. В основном команды поощряют и приветствуют творческий подход, умение посмотреть на проблему шире.

Про смену профессии

У меня был максимально резкий переход, потому что первая моя профессия вообще никак не связана с IT. Я работал менеджером — сначала в банке, затем в аэропорту.

Учеба на программе ЦНО началась в сентябре, и я обычно отпрашивался у начальника, чтобы успевать на пары. В то время мои смены длились больше суток, поэтому новая работа стала для меня не только возможностью перехода в более перспективное направление, но и способом установить более комфортный график. Когда я через некоторое время объявил начальнику, что ухожу, он очень удивился: как я так быстро смог научиться новой профессии?

Я был очень удивлен, когда уже через две недели после того, как я начал искать работу, я ее нашел. Свою первую работу я искал на хедхантере. Сейчас, если рассказываю студентам о поиске работы, я предлагаю больше вариантов: просматривать сайты компаний, развивать нетворкинг, заводить аккаунты на LinkedIn и российских аналогах.

Наверное, самое главное препятствие при смене профессии — это страх, что не получится. Люди переживают, что их инвестиции в образование не оправдаются. Общаясь со студентами, я вижу те же страхи: «как найти работу?», «почему мне отказали на собеседовании?», «почему я не подошел для этой компании?». Причин может быть много, но единственное решение — продолжать проходить собеседования, учиться новому и развиваться.

Сейчас меня все реже посещают мысли о смене профессии. Если я все же решу снова поменять вектор карьерного развития, то это будет уже предпринимательство. Мне абсолютно не жаль потраченного на обучение времени. Все мои инвестиции в образование оправдались — могу сказать, что доволен собой максимально.

Про дипломные проекты в ЦНО

Курс, который я оканчивал, теперь разделен на две части: одна для аналитиков, а другая по Data Science. В качестве дипломного проекта я модернизировал старорусские слова, пытался превратить их в современные. Для этого я создал словарь и на его основе обучал нейронную модель, которая побуквенно переводила слова из старорусского на современный русский. После выпуска я курировал несколько итоговых проектов у студентов ЦНО, и вот буквально в этом семестре меня пригласили преподавать Python на курсе «Аналитик данных».

Мне интересно работать со студентами на примерах реальных компаний. Я до сих пор сотрудничаю с фармкомпанией, которая под NDA предоставляет нам реальные данные для использования в студенческих проектах. Так у студентов есть возможность поработать над реальными кейсами, над реальными болями фармрынка: под моим руководством они прогнозируют спрос, делают системы матчинга и классифицируют тексты. Конечно, со студентами, которые показали себя, мы поддерживаем контакт. Я даже рекомендовал их коллегам в качестве кандидатов. При возможности буду рад пригласить их и в свои проекты.

Реклама: ФГАОУ ВО «Национальный исследовательский университет «Высшая школа экономики», ИНН 7714030726, LjN8KNVoF