История Александра Вайнштока, который три года назад решил повысить свой профессиональный уровень. Он аналитик, но не хватало знаний из сферы Data Science — за ними Александр пришёл на факультет искусственного интеллекта.
Всем привет. Меня зовут Александр, и я хотел бы поделиться своим опытом повышения квалификации. Я занимаюсь аналитикой — это непростая специальность, в которой, как говорила героиня Льюиса Кэрролла, «нужно бежать со всех ног, чтобы только оставаться на месте, а чтобы куда-то попасть, надо бежать как минимум вдвое быстрее».
Немного предыстории
К аналитике я пришёл не сразу. Получил образование биохимика и востоковеда в Нью-Йоркском университете (эти две программы я оканчивал параллельно), потом — MBA по специальности «финансы и банки» в Высшей школе экономики. Когда нам читали курс по управлению рисками, меня заинтересовали математические модели, которые кредитные организации используют для оценки своих клиентов. Нам рассказали о практическом применении регрессии и деревьях решений. Было даже немного информации о нейронных сетях. Я понял, что больше всего в широкой сфере экономики меня интересует прогнозирование и математическое моделирование — возможность через цифры влиять на бизнес-решения.
Несколько лет назад я устроился аналитиком цепи поставок в молодую производственную компанию. Я был там первым аналитиком. Всё началось с простой аналитики продаж: мы с руководством разработали и запустили систему отчётности и оценки, подбирали метрики, собирали информацию.
Накопленные данные использовали для прогнозирования продаж будущих периодов. Со временем к моим прямым обязанностям добавилась ещё и аналитика производства и логистики. Здесь требовалось планировать оптимальный объём и время заказа сырья, рассчитывать запасы с учётом производственного цикла. Кроме того, нужно было точно определять, когда отправлять заказ на производство той или иной продукции. Всё это должно работать в связке с продажами, чтобы не допустить переизбытка товара на складе.
Фактически мы внедряли ряд элементов системы Kaizen и Lean manufacturing. Не на таком уровне, как, например, у Toyota, но для нашего производства и этого было вполне достаточно.
Повышение уровня
В 2017 году я понял, что традиционных инструментов мне не хватает. Основным был Excel, и его возможностей было уже мало — требовались более гибкие и мощные. К слову, подходы Data Science тогда уже были у всех на слуху и считались «серебряной пулей». Сейчас хайп немного поутих.
Три года назад я начал искать в интернете доступную информацию по теме больших данных и Data Science. Хотелось понять, как всё это можно использовать в моей работе.
В сети попалась реклама GeekBrains, факультета Python-разработки. Я связался с менеджером, и тот ответил мне, что на этом факультете готовят разработчиков. Я же планировал оставаться аналитиком, поэтому тогда отказался от идеи поступить на курсы. Но через год мне перезвонили и рассказали, что открылось новое направление — факультет искусственного интеллекта.
Я решил начать учебу. Прекрасно понимал, что современный бизнес не сможет существовать без эффективных методов планирования и прогнозирования, настроенных рекомендательных систем, автоматизации всех возможных процессов. Хороший пример — Amazon. Эта компания начала автоматизировать свою логистику с 2009 года. И не только она: например, компания Linde проектирует комплексные решения по автоматизации складской работы.
Ну а чтобы всё это правильно настроить и связать воедино все производственные и логистические процессы, нужна уже помощь ИИ-технологий — включая компьютерное зрение.
Смена работы
Незадолго до поступления на курсы я поменял работу, с учёбой эти изменения связаны не были. Устроился в новую компанию, тоже аналитиком, и, обучаясь, стал применять полученный опыт и знания на практике. Компания занимается организацией акций лояльности в сетевой рознице.
Нам постоянно требуется прогнозирование. Для него используем анализ временных рядов. К слову, на нынешнем месте работы есть полноценный отдел Data Science, и мне удалось принять участие в тестировании написанных ранее моделей.
Интересно, что кроме технических скилов и знания ИИ-технологий, в этой работе важно умение общаться с людьми. Нередко приходится встречаться с клиентами, объяснять суть процессов. Например, почему мы приняли те или иные решения. Всё это позволяет не превратиться в стереотипного «айтишника» из анекдотов. Расчёты могут быть идеальными, но если не донести до коллег или клиента их смысл, то нет гарантий, что они пойдут в работу.
Могу сказать, что мой новый опыт и знания дают возможность работать там, где ни один проект не похож на предыдущий. Здесь в каждой новой программе своя изюминка. Как аналитик я занимаюсь расчётами, моделированием и многим другим.
Кстати, работаю я в Москве и как-то заинтересовался, сколько есть вакансий по специальности «аналитик данных» здесь и в Нью-Йорке. Оказалось примерно поровну. На мой взгляд, Москва не уступает другим крупнейшим городам мира в вопросе информационных технологий. Для анализа я использовал данные порталов hh.ru и monster.com.
Советы коллегам
В ходе обучения я прочитал много интересных книг. Считаю максимально полезными вот эти:
- Wes McKinney — «Python и анализ данных»;
- Chris Albon — «Machine Learning with Python Cookbook»;
- Майкл А. Нильсен, Исаак Л. Чуань — «Квантовые вычисления и квантовая информация».
Взгляд на развитие технологий анализа данных и ИИ
Расскажу, как вижу тенденции развития технологий анализа данных и искусственного интеллекта. Я замечаю ряд параллелей с первой волной информатизации в конце 80-х — начале 90-х годов прошлого века. Тогда умение работать с ПК считалось чем-то вроде тайного знания, чуть ли не каждая фирма считала своим долгом иметь в штате программиста, а сами компьютеры считались чем-то вроде философского камня.
То же происходило с ИИ и анализом данных. Технологии из этой сферы позиционировались как волшебная таблетка для компаний. Сегодня этот флёр таинственности и романтики начинает спадать — и это на пользу индустрии в целом. При этом сама сфера анализа данных никуда не делась. Системы, которые можно в широком смысле назвать искусственным интеллектом, находят всё более широкое применение. А если учесть, что ИИ был практически открыто назначен одним из приоритетов развития российской экономики, то можно быть уверенными: эта область будет только расширяться.
Так или иначе бизнесу всегда будут нужны специалисты, умеющие извлекать из неструктурированных данных закономерности, которые имеют прямое отношение к финансовым результатам компании. Стоит ещё учитывать, что в XXI веке технологии развиваются с невообразимой скоростью. И если сегодня вам хватает для работы условных ARIMA/SARIMA, то завтра рынку может потребоваться что-то другое. Так что учиться надо постоянно. Это относится не только к ИИ или даже IT в целом, а вообще к любой современной профессиональной нише. Мир меняется всё быстрее, так что нужно соответствовать новым реалиям.
Вдохновились примером? На факультете искусственного интеллекта вы за полтора года освоите всё необходимое, чтобы начать карьеру дата-сайентиста, работу в сфере машинного обучения и искусственного интеллекта.
