Полный текст интервью
Всем привет! У нас начинается новый цикл встреч и лекций. Он входит в программу обучения «Разработчик». Часть контента уникальна для пакетов «Digital-master» и «Geek». Некоторые лекции будут доступны и на IT-программах.
На этих встречах мы будем общаться с интересными сильными людьми — лекторами, предпринимателями, профессионалами в технической области.
Встречи встроены в программу, то есть связаны с вашим обучением. Они не случайны и не отделены от образовательного процесса, у них есть связь и с IT-специалистом (6 месяцев), и с «Разработчиком» (15 месяцев), и с «Digital-master» (2 года), и с «Geek» (3 года).
Сегодня с нами Михаил. Мы познакомились почти год назад и для меня это важная встреча. Миша — человек очень разнонаправленный. Он невероятно сильный профессионал. При этом хорошо понимает в жизни бизнеса и больших компаний. И с ним очень интересно. Могу сказать, что Михаил — один из первых, кто развивает программу в таком новом фундаментальном цикле.
Сразу скажу — это не какая-то профессиональная или преподавательская встреча. Наша задача — получить от Миши советы и рекомендации для ребят, которые получают у нас профессию — мы называем их разработчиками. Для нас разработчик — это человек, который учится, получает базу специальностей программиста, тестировщика, аналитика, проджект- или продукт-менеджера. И дальше, в зависимости от микса этих вещей, строит траекторию жизни. Он может уходить в глубокое программирование, в архитектуру разработки ПО, в проектное управление или в аналитику. Либо развиваться дальше и уходить в современные системы, которые, например, касаются искусственного интеллекта, работать с данными или уходить в создание продукта при том, что раньше работал в продажах, в логистике или в чем-то еще.
Это важно, Миша, чтобы ты понял, какая аудитория у нас учится. Это люди, которые в жизни уже прошли какой-то путь и получили опыт. 80% студентов в GeekBrains уже имели опыт работы и хотят получить новую профессию. Наша задача — сделать так, чтобы люди достигни своей образовательной цели. Про это сегодня и поговорим.
Но сперва ты можешь рассказать, чем занимаешься, а дальше мы перейдем в практическую плоскость.
Для начала я представлюсь, чтобы коллегам было понятно, почему я здесь сижу и что-то им рассказываю.
Меня зовут Михаил Левиев. Уже 15 лет я технологический предприниматель. За свою карьеру в этой области я системно присутствовал в двух индустриях. Первая — химическая, вторая — мой основной профиль, IT. Уже больше 8 лет я являюсь главой и сооснователем компании «Алгомост».
«Алгомост» — один из лидеров российского рынка в области искусственного интеллекта. Мы работаем над пулом технологий, который называется Data Science, и внедряем его в реальную жизнь B2B-рынка: промышленности, банков, медицинских учреждений и так далее. Но в деталях об этом я расскажу позже.
За многолетнюю практику сформировалось представление о структуре рынка, формате его потребления. Чтобы лучше понять, что будет ценным для аудитории, сориентируй, какую часть из этого рассказать? Потому что есть часть, которая связана с бизнес-кейсом, есть — с технологическими аспектами. Если мы говорим об истории реализации сложных IT-проектов, это совокупная работа большого количества специалистов: бизнес-аналитиков, архитекторов, проджект-менеджеров.
Есть еще разные подходы с точки зрения Agile. Не знаю, заходите ли вы на эту территорию, насколько она сейчас актуальна. На мой взгляд актуальна. Надо затрагивать эти вопросы, потому что в IT сейчас единственный способ двигаться быстро в сложных неструктурированных меняющихся задачах — как раз этот поход.
В современных реалиях важную роль играют специалисты Data Science. Они непосредственно строят алгоритм машинного обучения, создают систему поддержки принятия решений. То есть учат машину принимать решения или давать человеку рекомендации по принятию решений. Все это — упрощенно.
Давай пройдемся по понятиям и покажем, на стыке каких знаний это находится. Мне кажется, это очень важно — сейчас огромное количество людей путает эту информацию. Когда я заканчивал университет 15 лет назад, понятий «IT-инженер» или «инженер больших данных» вообще не существовало. Ты говорил про искусственный интеллект и Data Science. Что это? Что там делают? Как попасть в эту профессию? Ребятам, которые у нас учатся, важно видеть траекторию, чтобы понимать, как это с ними связано. Например, кто-то учится на HR-аналитика и думает: «А ко мне это применимо?». На самом деле применимо, поэтому мы должны показать траекторию.
Начну с истории. Когда человечество сделало шаг в информатизацию, мы начали свои жизненные, социальные и бизнес-процессы фиксировать компьютерными информационными системами. Например, мы учимся в школе, а данные об этом пишутся. Мы покупаем что-то в магазине, а магазин сохраняет, кто и что купил, либо где это было продано.
Количество данных в разных областях жизни по всему миру растет экспоненциально. И рост этих данных позволил извлечь из них полезные знания с помощью математических методов. То есть сейчас можно найти корреляции, которые позволят понять природу того или иного процесса, события, явления, чтобы передать принятие решения в рамках этого процесса машине. Либо чтобы машина могла дать человеку совет, а он — принять решение на его основе.
Чтобы стать дата-сайентистом, нужен математический бэкграунд, потому что Data Science строится не просто на применении библиотек — надо понимать математическую базу, которая в них заложена.
Но профессия Data Science не только про применение методов машинного обучения. Science — это про исследования и поиск закономерностей, на основе которых можно взять процесс под контроль. Все это требует хорошего аналитического мышления.
Приведу пример: в 2016 году мы зашли в индустрию со своими технологиями и подходом — тяжелую промышленность. Это была металлургия. Там мы столкнулись с ожесточенной конкуренцией — с SAP, IBM, Яндексом.
На тот момент мы были небольшой научной группой, которая занималась исследованиями, изучала методы машинного обучения. У нас была задача: цифровизация процессов в металлургическом производстве. Мы попали в электросталь-литейный цех, где плавят металлолом, добавляют необходимые компоненты и получают сталь нужной марки. Нам нужно было создать рекомендательный сервис — алгоритм, который рекомендует сталевару, как ему вести плавку.
Это репрезентативно показывает то, о чем я говорил ранее: в этой профессии недостаточно применять библиотеки, здесь нужно погрузиться в процесс, осознать его. Я не просто так упомянул конкуренцию с уважаемыми компаниями с хорошим бэкграундом и ресурсами. Потому что в этой конкурентной борьбе мы победили и по сей день являемся стратегическим партнером по цифровой трансформации этой металлургической компании.
Но суть в том, что большее количество времени мы провели на площадке, изучая варку стали. Пытались понять природу процесса и природу принятия решений. Это погружение, умение аналитически оценить процесс, позволило нам создать технологию, которая обошла конкурентов.
Одно дело — когда ты классный аналитик, другое — когда ты разбираешься в отрасли. Если это совместить, понять, как устроен процесс в компании, как она работает…
С точки зрения Data Science вообще, любая компания — это набор технологических, логистических и бизнес-процессов. В той или иной степени эти процессы как-то описаны, структурированы и оцифрованы. То есть события, которые происходят в рамках процесса, складываются в информационной системе: мы их фиксируем, и у нас накапливается объем данных. Дальше, на основе этих данных, мы строим технологии, естественно, погрузившись в процесс.
Вспомним банковские конвейеры по розничному кредитованию. Это тоже один из наших профилей. Они работают на алгоритмах машинного обучения, в которых человек уже не участвует. Поэтому, когда вы отправляете заявку, современные технологичные банки отвечают в течение минут. Раньше это занимало больше времени — нужно было сделать заявку, люди ее обрабатывали и так далее. Сейчас банковская система автоматизирована.
Расскажи чуть подробнее о примере. Кто-то может не понять, что имеется в виду.
Очень просто. Вот как сейчас банк выдает розничные кредиты: вы, как физлицо, подаете заявку, а банк ее рассматривает. На рассмотрение уходит несколько минут: автоматизированная банковская система (AБC) собирает из нужных источников набор данных, отправляет его в алгоритм или в набор алгоритмов. Они по вашим данным делают скоринг, дают вам скоринговый балл и, исходя из этого балла и политики банка, вы попадаете в зону, которая одобрена либо нет.
Что такое скоринг?
Это система оценки рисков. Алгоритмы, которые оценивают, дать вам кредит или нет. Скоринговые модели рассчитывают вероятность дефолта по заемщику, если дать ему деньги на какой-то период. Есть разные периоды — в течение 30, 60, 90, 120 дней. Дальше банки не смотрят, обычно это короткие дистанции.
Есть внутренний скоринговый балл, есть бюро кредитных историй (БКИ), откуда тоже подтягиваются данные, скор дают мобильные операторы — все это суммируется и пересчитывается. Вся процедура занимает минуты. Через минуту можно понять, выдаст банк кредит этому клиенту или нет.
А какое количество параметров должно участвовать в таких скорингах? Если возраст больше 60, может ли упасть балл в скоринге?
Сегодня все гораздо сложнее.
Я привел один параметр для примера. Понятно, что все сложнее, но нужно объяснить людям.
Я поясню. Сегодня эта конструкция выстроена гораздо сложнее, потому что в системе принятия решений относительно риска по выдаче займа участвуют данные об очень широком поле. Основные источники — это анкетные данные (пол, возраст, место рождения). Далее — данные из бюро кредитных историй. У нас в стране несколько бюро кредитных историй, которые агрегируют ваши данные по истории кредитования — как это происходило, как вы платили, какие были сложности. Есть еще ряд более экзотичных источников: данные из судов, скоринг мобильных операторов. Мобильные операторы не передают банкам ваши звонки. Они просчитывают скоринговый балл на основе освих исходных данных.
И они могут отличаться от оператора к оператору?
Как показывают практика, редко у одного человека есть два разных мобильных оператора.
Я имею в виду, что на одного человека у разных операторов разные скоринговые модели.
У мобильных операторов есть определенный набор знаний о вас. Он лимитирован. Чтобы построить скоринговую модель, мобильный оператор, по сути, покупает данные в бюро кредитных историй. Он как бы создает выборку, на которую надо обучить скоринговую модель. А затем оценивает вероятность дефолта платежеспособности относительно тех данных, которые крутятся в его экосистеме.
Есть разные подходы: можно взять банковские данные, проецировать их на данные мобильного оператора и, упрощенно говоря, найти закономерности — понять, что у одного человека скоринговый балл такой, у другого такой, выстроить их в очередь.
Затем можно обрабатывать весь поток, переоценивать его относительно скорингового балла. Это просто вывод, черный ящик, говоря упрощенно. Основные факторы связаны с передвижениями, локациями, в которых человек проводит время. В совокупности они дают определенную картинку.
То есть передвижение и локации влияют на результат скоринга в кредите?
Звонки, передвижения, формат локации — все это влияет. Анкетные и мобильные данные, данные БКИ и внутренняя банковская история (если вы уже клиент банка какое-то время) — все это обрабатывается за считанные секунды. Банк практически мгновенно может принять решение, нужно ли ему с вами иметь дело, или нет.
Может быть, вопрос упрощенный, но какова вероятность ошибки в этих данных? И какой сейчас прогресс с точки зрения понимания этой ошибки?
На самом деле, вся наша жизнь — это набор процессов. Процессы бывают нескольких видов: технологические, когда мы что-то производим, логистические, когда передвигаем, и так далее. Мы, по сути, работаем в рамках каждого процесса. Данные пишутся, мы накапливаем историю, обучаемся и пытаемся понять, что будет происходить.
Процесс — это события, которые происходят во времени, точка принятия решения и результирующее. На основе большого набора исторических данных по событиям, принятым решениям и результатам, мы учим компьютер принимать решения, прогнозировать, что будет. И он говорит: «Если примем такое решение, будет такой результат с такой-то точностью». Точность зависит от того, насколько хорошо процесс оцифрован, насколько хорошо описан.
Вернемся к примеру из металлургии. В промышленности процессы идут циклично, непрерывно, чтобы обеспечить высокий экономический эффект. В промышленности была произведена процедура информатизации и автоматизация производства. Что это значит?
У нас есть производственный цикл, текут какие-то процессы, происходят химические реакции. И есть показатель оприборенности. Он говорит о том, что мы знаем с точки зрения цифровых данных, которые пишем в реальном времени. Есть так называемые КИПы — контрольно-измерительные приборы, которые пишут данные в рамках всего процесса.
Степень оприборенности очень неровная даже в одной индустрии в рамках одного процесса на разных производствах. Мы сталкивались со случаем, когда есть одна площадка, на которой стоят две линии. С точки зрения компоновки эти линии одинаковы, а с точки зрения оприборенности — разные. И вот с точки цифрового видения это как камеры с разным разрешением. Если понижать разрешение слишком сильно, в какой-то момент все сыпется на пиксели — котенок от собаки уже не отличим. Здесь то же самое. Наше зрение — это оприборенность. Чем она выше, тем лучше мы понимаем протекающий процесс, тем выше наш шанс повысить качество.
Методы машинного обучения позволяют решать комплексные задачи. Например, мы уже способны создавать системы, которые могут самостоятельно писать текст. Мы задаем тему, а машина уже может ее продолжить и раскрыть. Но есть эволюционный процесс: создаются методы машинного обучения, которые позволяют решать более комплексные глобальные задачи. И это даже не про качество, оно часто зависит от того, какое мы имеем разрешение.
Здесь как со зрением. Когда я поднимался к вам, я был в медицинской маске. В лифте встретил знакомую, и она сказала: «Я тебя в маске не узнала». То есть отсутствие части информации не позволило ей быстро меня распознать.
Это очень интересно. Получается, развиваются системы, в которых есть сложная математика и алгоритмы, а мы пока в жизни этого видим немного.
Кстати, на самом деле этого много. Просто люди еще не очень хорошо осознают.
Или используют. Я могу открыть поиск среди фотографий, написать слово и найдутся подходящие фотографии. Это тоже относительный прогресс.
Попробую объяснить, не углубляясь в науку. Суть этой технологии не в том, чтобы создать технологию, скормить ей всю литературу мира, а потом задать тему и получить связное, понятное и ни на что не похожее произведение, чтобы нельзя было сказать, что там куски надерганы. Это уже понятная логическая цепочка со своим сюжетом.
Условно нет закономерности и похожести?
Да, нет плагиата. Есть стилистика, сюжет, по сути, произведение. Но эта технология создавалась не для того, чтобы нашинковать новые книжки. Она нужна, чтобы совершить новый эволюционный скачок.
Эта технология создавалась, чтобы разрабатывать алгоритмы искусственного интеллекта, которые будут писать код сами. Чтобы мы ставили задачу, а на выходе получали нужный код.
Вот почему важно стартовать, развиваться сейчас, а не ждать чего-то в будущем.
Дай совет ребятам, которые у нас учатся, по движению к цели в рамках получения профессии?
Есть несколько тезисов. Я понимаю, что наш диалог был отчасти не очень структурированным, много чего попытались затронуть. Надеюсь, вы найдете для себя какие-то ценности в этом разговоре. Из ключевых вопросов, на которые бы я обратил внимание, первое — это при выборе точки входа попробуйте пообщаться в сообществе. Я понимаю, с пандемией это не просто сделать на каких-нибудь тусовках в живом формате. Но нужно пообщаться в рамках индустрии — с дата-сайентистами, разрабами, проджектами, техническими писателями — смотря какая сторона вам ближе. Важно понять, с каким менталитетом вы столкнетесь. Среда должна быть для вас комфортной, а люди — понятными. Потому что в этом процессе вам придется провести достаточно много времени.
Второе — попробуйте оценить свои внутренние качества, что вам ближе по душе. Я могу сказать: найдя свой вид деятельности — технологическое предпринимательство — я не работал ни дня. Было легко, было тяжело, было успешно и неуспешно, но это чистый фан, каждый день мне интересно. Поэтому четко смотрите на свой фокус: что вам ближе, что вам хочется, ищите свою страсть. Когда есть страсть, будет стопроцентный результат.
Третье я уже упоминал, но хочу акцентировать внимание — вашей установкой должно быть не «максимум денег с минимумом усилий», а собственная эволюция, собственный результат, собственные достижения. Вы должны делать результат не для начальника, не для компании, не для того, чтобы получить зарплату, а для себя, чтобы стать лучше, узнать больше, стать более ценным специалистом. Тогда любая компания будет за вас держаться, а в IT это основной драйвер роста зарплат.
Крутая тема — это учиться для собственного развития, а не чтобы собеседование пройти.
Да, надо выбрать так, чтобы это было страсть, а страсть не должна конфликтовать с внутренними социальными устоями. И вы должны пообщаться с теми людьми, чтобы понять, что они вам близки. Поэтому вот 3 компонента, которые в совокупности дают качество жизни.
Правильная, хорошая, крутая установка. Какие ты посоветуешь книги? Есть люди, которые все время хотят чуть-чуть сложнее — что-то изучить, почитать на тему глубокой аналитики.
Культура книгоиздания в этой индустрии слишком отстает: пока книга будет издана, технологии уже убегут дальше.
Подкасты, авторы?
Точно могу рекомендовать Александра Дьяконова, профессора ВМК МГУ, профессора РАН, нашего директора по науке и сооснователя компании «Алгомост», моего друга, партнера и наставника. У него много публикаций по машинному обучению, много вещей мы с ним раскрыли, и он сам раскрыл с научной точки зрения. Он дико популярен в индустрии, один из талантливейших людей в области машинного обучения. У него мышление другого уровня, когда я с ним познакомился, я был очарован. У нас интересная история знакомства: я увидел публикацию про него в американской прессе, на платформе, где соревнуются специалисты по машинному обучению — Data Science Kaggle. Там была статья про то, что российский профессор за год стал грандмастером №1, выиграл конкурсы, сделал хорошую экономику. Там призовой фонд есть, и он взял хороший фонд.
Меня зацепило не то, что он грандмастер №1 на Kaggle, а то, что у него еще была выбрана стратегия, чтобы показать хорошую экономику по результатам. Я сказал, что мне нужно познакомиться с этим человеком. Это произошло в 2012 году, в 2013 мы создали компанию и занимались исследованиями. Сейчас продолжаем строить уже технологическую компанию.
Спасибо за структурированную информацию с множеством ключевых точек. Мы стараемся делать эти точки, показывая: здесь вы получили вот эти знания, здесь было вот так, в будущем будет так. Сейчас хорошо собрана информация для ребят в рамках их обучения на IT-шных программах.
Я надеюсь, мы смогли раскрыть необходимые нюансы, чтобы у ребят сформировалось представление, как правильно подойти к обучению.
У нас есть мероприятие «путь в IT» — там мы много рассказываем про точки входа. Люди слушают разных экспертов, лекторов и преподавателей. Я все время говорю, что хорошо слышать одну информацию от разных людей с разным опытом, мировоззрением, ощущением, уровнем жизни. Есть много сформированных на рынке убеждений, что можно только так, а не иначе, и наша задача — показать, что бывает по-разному.
Точно. Хорошо получилось, что мы сумели подвести к трем ключевым тезисам. Представьте, что вы покупаете одежду и приходите примерить, например, рубашку. 3 фактора, которые мы описали, — это способ примерить профессию. Почему это важно? Чтобы вам было комфортно в профессии. Чтобы она подходила вам ментально, чтобы вам было приятно общество, ваши внутренние сильные стороны работали.
Есть несколько точек входа, которые помогут раскрыть ваш потенциал. А когда вы раскроетесь, добьетесь результата и будете проживать очень комфортную, интересную и насыщенную жизнь с хорошим финансовым результатом.
Почему сейчас? Технологический стек уйдет еще дальше, эволюционирует. Боюсь, там ситуация сильно поменяется. Поэтому стартуйте, добивайтесь результатов и приходите — будем вас собеседовать.
Давай обсудим, почему хорошо входить в профессию сейчас, а не через 5 лет. Многие волнуются, и мы прекрасно понимаем, как сложно сделать выбор и сменить профессию.
У меня в компании есть очень репрезентативная история. Замечательный парень с неплохим техническим образованием работал официантом и курьером. В какой-то момент он подумал: «Стоп, так дальше не пойдет». И начал осваивать IT-индустрию: был тестировщиком, разработчиком, джуном-фронтендом, потом освоил бэкенд, чтобы стать фуллстеком. Сейчас это вообще тенденция, что ты должен работать не только с фронтом или с бэком, а понимать и то, и то, становиться мультизадачным.
Интересно, есть тренд на то, что люди учат какое-то моно, а на самом деле нужно знать область шире.
Это про подход. Современные IT-гиганты должны быстро выдавать продукты на рынок, это суть нынешних реалий. В любой момент должна быть версия, которую можно выбросить на рынок, пусть немного кривая, недоработанная, с багами, но она всегда должна быть. Потому что важно контролировать конкурентную среду: если ты видишь угрозу нише, ты должен выкинуть продукт на рынок в любой момент.
Это привело к тому, что общество разработало новые подходы, которые позволили работать в формате Agile, со скрам-стенами и другими элементами этого подхода. Это долгая история.
А у нас по Agile и по Scrum есть отдельная программа. В программе «Разработчик» про это рассказывается достаточно хорошо.
Это обязательная вещь. Все передовые команды работают в этом формате, потому что иначе невозможно поднять большие проекты. Нельзя представить, что мы сейчас сядем и год будем проектировать систему, разрабатывать архитектуру, писать ТЗ на фронт и бэк. Это проект длиною в жизнь, так ничего не работает.
Сейчас важный параметр — Time To Market, период, за который ты можешь вывести продукт на рынок. Если ты не можешь сделать это быстро, лучше не начинать.
Вернемся назад к твоему сотруднику. Давай ответим на вопрос: «Почему сейчас?».
У парня было высшее техническое образование. Затем был сложный период работы официантом и курьером. За счет современных образовательных технологий он начал осваивать профессии одну за одной — тестировщика, фронтенда, бэкенда. Превратился в фуллстека и пришел ко мне в виде джуна.
Я видел, что с точки зрения опыта он слаб. Но мне понравился его подход, то, что он нашел в себе силы переработать себя в новую роль. Это очень важно, потому что вызовов на пути будет много, и люди, которые умеют справляться с обстоятельствами, — классные.
Я взял его как джуна, и буквально за пару лет он стал тимлидом. Не потому, что было какое-то особое отношение. Это был процесс. У нас он выстроен, я не имею к нему отношения. Все происходит только по результату.
Да, у тебя очень сложно, я знаю.
Ты видишь, как люди перфомят, и это только единственный способ, как вырасти и в финансах, в роли и так далее. И человек просто прошел этот путь в очень понятные сроки с очень понятным результатом.
Интересно, что для тебя это было плюсом. Мы часто думаем, что это минус, если человек работал на стартовых работах вроде курьера или официанта. А ты говоришь наоборот: человек получил образование, но жизнь так складывалась. Он принял решение, проинвестировал в себя, выделил время…
У него есть морально-волевые качества, это очень важно.
Если у человека сразу была профессиональная траектория, он может этим не обладать. Например, если у человека был маркетинговый опыт или опыт продаж, а он наложил на него IT — это круто. Потому что у него разная полярность, он может решать разные, более сложные вопросы.
100%.
И все же вернемся ко времени. Почему сейчас? Видно, что ты знаешь, что идут технологические изменения в мире. Но может что-то революционное произойдет через несколько лет, а может и через 20.
Сингулярность никто не отменял. Пандемия не отменила сингулярность, она ее ускорила. Идет процесс интенсивного технологического глобального развития. И на сегодняшний момент порог входа в индустрию достаточно невысокий, требования на роли джунов низкие за счет большого дефицита. Но любой дефицит рано или поздно насыщается, поэтому требования на начинающих позициях уже поднимаются. Если у тебя есть большой выбор, ты выбираешь лучших.
Пока порог входа в профессию невысокий — люди нужны. Например, какое-то количество лет назад я себе представить не мог, что возьму такого парня.
Да, когда мы заканчивали, это невозможно было.
Да, но сошлись несколько факторов. Во-первых, меня впечатлила история. Я протестировал его навыки, они были на достойном уровне. Понятно, что всегда есть нюансы. Но здесь тоже есть очень хороший способ проверить.
В рамках собеседования мы понимаем, где у человека есть пробелы, даем небольшое задание, чтоб не тратил много времени, поскольку делает это бесплатно. Мы его просим написать кусок кода и знаем, что у него там пробел, а это очень показательно.
По сути, мы проверяем, сумел ли он за этот период разобраться. «Вот тебе небольшая задачка, нужно написать кусок кода, приходи завтра, покажешь, что получилось», — смотришь и понимаешь, что есть пробелы, но он сумел разобраться за отведенный период.
Я правильно услышал, что во время собеседования видно, что у человека есть пробел в теме, и ему дается задание, акцентированное на этот пробел?
Оно не акцентировано. Мы встраиваем определенные условия.
Да, и вы смотрите, как человек решил эту задачу, потому что понятно, что все знать невозможно.
Невозможно, есть ключевой принцип. Если мы будем ждать, пока человек обретет весь бэкграунд и получит хороший опыт, во-первых, он будет стоить как чугунный мост, а во-вторых, это уже будет человек достаточно инертный, потому что будет в возрасте.
Один мой товарищ-юрист сказал: «Юриспруденция — это искусство возможного». Затем я убедился, что так можно сказать про любую область, в том числе IT. У тебя есть предложение на рынке, специалисты с определенным уровнем и качествами. Из них ты выбираешь и делаешь ставку — вырастет/не вырастет.
Система отбора и эволюции сложная: кто-то быстро растет, кто-то медленно, кто-то отваливается. Все происходит в силу определенных навыков, которые нужны компании, чтобы устойчиво расти, развиваться и поддерживать конкурентный уровень. Потому что мы конкурируем с мировыми лидерами в IT и нам надо держать марку. Потому что к нам требования всегда выше, ведь мы маленькие. IBM могут какие-то вещи простить — это корпорация, они за всем не могут усмотреть. А нам говорят: «Ну, вы хотите стать большими? У вас есть претензии, так что будьте добры». Мы это принимаем, поэтому изначально ставим высокие требования к нашим сотрудникам. Но для них это инструмент, чтобы расти.
Вернемся к Data Science. Какие есть траектории у человека для попадания в эту индустрию? Можешь привести 2-3 траектории с точкой входа из разных мест?
В процессе построения алгоритмов машинного обучения и сервисов с их использованием задействовано несколько ролей. Одна из них — дата-инженер. Это специалист по базам данных, который умеет извлекать данные из чего угодно и преображать их в нужный вид, чтобы со сверхбольшими массивами можно было работать быстро.
Дальше на этих данных будут строить модель машинного обучения, готовить исходный дата-сет для обучения, чистить его, убирать артефакты и дефекты.
Хороший пример. И там очень разные по уровню люди могут быть.
Поскольку разные задачи и разные источники. Допустим, в пуле наших клиентов есть медицинское учреждение со специфической базой данных — Caché. Это боль и слезы. Специалистов по Caché в стране ноль, да и таких баз у нас очень мало, поэтому кому-то приходится разбираться.
А есть обычные базы данных, в которые можно быстро погрузиться. Поэтому достаточно большой разброс того, как можно войти.
А вот дата-инженер?
Да, дата-инженер. Это довольно таки, распространенный пример в нашей компании, когда ребята, которые приходят как дата-инженеры, через несколько лет эволюционируют в дата-сайентистов.
Хороший ход.
Подготовка данных — рутинная работа, но ты хорошо понимаешь источники, природу, как они хранятся… Они всегда работают в связке с дата-сайентистами, чтобы понимать дискретность данных. Там целый спектр вопросов. Эти ребята — частый пример карьерной эволюции, если у них есть определенные морально-волевые качества и желание развиваться. Они иногда даже говорят: «Михаил, дайте нам паузу в полгода мы хотим пройти определенное дообразование».
Что знает дата-инженер?
Это человек, который умеет работать с широким спектром баз данных. По сути, его задача — извлечь данные из информационных систем заказчика, очистить от артефактов, привести их в нормальный вид, описать и передать Data Science-специалисту, который на них будет строить модель. Он, по сути, готовит дата-сет набор данных, на которых обучается модель.
Дата-инженер — звучит сложно. Но я хочу сказать, что сегодня в мире десятки тысяч задач. Ребята, которые их выполняют, не всегда профи, но выступают в роли дата-инженера. Туда можно войти с полным интер-левелом, а можно и с серьезным объемом знаний. Все зависит от того, с каким объемом данных ты работаешь, насколько сложная информационная система.
На самом деле, все сложнее. Есть небольшие компании, у которых мало систем, эти системы простые и под ними лежат простые базы. А есть гиганты, у которых архитектура пилилась десятилетиями разными подрядчиками. Там с данными все очень-очень непросто. Поэтому небольшие компании — это хороший порог входа.
А что такое аналитическое мышление? Я пропагандирую, что появилось много возможностей для входа в аналитику коммерческих данных, продаж, в маркетинг в HR, игровую аналитику. Сейчас десятки тысяч вакансий — можно попасть дальше, понять, как работать с базами данных, как делать запросы, писать микропрограммы, перейти уже в сложные системы или устроиться в большую компанию, в которой огромное количество информационных систем, выполнять функцию и развиваться шире-шире-шире, увидеть, как работают те же дата-сайентисты, как ты сейчас только что пример привел.
Ну если говорить про вход в профессию Data Science — это хороший вход. Потому что он дает представление о природе появления этих данных и так далее. Это хорошая возможность дать обратную связь IT-департаменту компании, в каком направлении им двигаться. Для них это очень ценная информация, поскольку их основная задача — сделать так, чтобы хранить нужное, а ненужные не хранить. Поэтому весь блок IT — от базовых задач до задач, связанных с машинным обучением, работает в тесной связке. Не всегда это происходит одномоментно. Иногда это разрывы — кто-то что-то сделал, но потом, когда переходит передача из простой инфраструктуры, тебе надо на основе на этих данных отстроить алгоритмический комплекс, начинается тесный диалог. Он важен тем, что ты должен дать понимание, в каком виде, какие данные, как, с какой дискретностью хранить, с какой глубиной, какие нюансы учесть и так далее. Это исследовательский процесс.
А по поводу аналитичности мышления смотрите: когда нам надо осознать некий процесс, когда нам надо взять его под управление, построить модель, основанную на этом процессе, нам надо просто понять, что здесь, собственно говоря, происходит. То есть те события, которые произошли, какие решения были приняты, к чему это привело — нужно осознавать набор вещей, влияющих на систему. Надо в голове эту картину представить.
У нас есть цепочка событий, которая привела к какому-то результату. Аналитическое мышление — это про то, что ты можешь, проанализировав эту цепочку событий какое-то количество раз, какое-то количество вариантов таких событий понять, разобраться, какие группы события для тебя важны, а какие не важны.
Вот к тебе пришел человек, как ты проверишь, есть ли у него аналитическое мышление?
Не хочется раскрывать все секреты хантинга людей.
Надо рассказать пару секретов.
Первый секрет уже был — история про сотрудника. Второй расскажу потом. Потому что ребята и девушки должны понимать, что неважно, когда вы меняете профессию. Вектор развития — не недостаток, он может быть вашим плюсом. Этот инсайт я хотел бы подчеркнуть, чтобы его понимали. Потому что для меня, как для человека, который каждый месяц подписывает зарплатную ведомость на большие суммы, самое важное — это 50% профессиональных навыков и 50% морально-волевых качеств, того, как человек будет перфомить.
Одно без другого не существует, иначе это будет «я все знаю, но делать не хочу» или «делаю плохо, потому что так настроение и звезды сложились». Поэтому оценивается все в совокупности. Это ваше конкурентное преимущество.
Есть специалисты из топовых вузов с топовым бэкграундом — это их конкурентное преимущество. Ваше — в том, что у вас есть морально-волевые качества, вы сумели совладать с собой, с рутиной, выйти из нее и переформатировать свой путь.
Я часто сталкиваюсь с тем, что приходят люди, которые сменили профессию. У них есть нерешительность, неуверенность. Но для работодателя это показатель. Это не говорит о том, что просто «я сменил профессию, теперь берите меня работу» — нет. Нужны еще навыки и знания. Я, как работодатель, зарабатываю на вашем результате. Не на ваших морально-волевых качествах, а на вашем результате. А результат вы можете создать за счет ваших знаний в связке с морально-волевыми качествами. По сути, поэтому мне и то, и то очень важно.
Второй секрет?
В рамках процедур, которые мы выставляем для соискателей, в рамках нашей компании процесс устроен так, что есть часть собеседования с разными специалистами. Эти собеседования нужны, чтобы выявить зоны знаний/незнаний. То, что присутствует зона незнания не является стоп-фактором. Ты просто смотришь, понимаешь, оцениваешь реальный уровень человека: где он находится, достаточно ли этого для входа в компанию, насколько это соответствует его зарплатными ожиданиями. Мы часто сталкиваемся с тем, что ребята переучились или научились, посмотрели сайты, поняли, что нужны специалисты и говорят: «Я джун, хочу зарплату космос».
Космос — это сколько?
Много разных профессий, поэтому я не берусь. От тестировщика до Data Science-уровня.
Ну сколько?
Разные компании, разные регионы. Я, как человек, который находится по другую сторону баррикад, к этому вопросу точно не готов.
100% выявили зоны знаний/незнаний…
Да, и что это не является стоп-фактором. Мы просто пытаемся найти соответствие достаточности знаний для входа в компанию и соответствие зарплатным ожиданиям.
Следующий этап — выявить основные факторы, связанные с личным проявлением: какой путь прошел человек, это очень важно. Мы всегда смотрим, какие решения и где он принимал, откуда переходил, в чем был его поиск, в чем был его внутренний запрос. Это нужно, чтобы создать некий психологический процесс.
Дальше, когда человек проходит на следующий уровень, он попадает на тестирование. Для разных специалистов это разный набор задач. Формируются 1-2, у кого-то больше в зависимости от того, как состоялся прошлый этап. Задачи помогают оценить аналитичность мышления, обучаемость и набор факторов, которые я не готов озвучить публично. По сути, специфику мышления, реакцию на задачи.
Здесь мы достаточно быстро видим, что у человека в голове с точки зрения этих задач, с точки зрения подхода, как он реагирует, насколько он гибкий. Потому что для нас, как и для любой компании, важен не только уровень, где вы находитесь, но и соотношение цена/качество. Достаточно ли этих качеств, чтобы зайти, и насколько это соотносится с деньгами.
Дальше нам важно оценить обучаемость. Есть специалисты, которые у нас вырастают до следующего уровня буквально за несколько месяцев — из джуна в мидлов. А есть те, кому для этого надо два года. Эта скорость обучаемости — один из основных факторов, если ты уже попал внутрь. А на входе проверяется, есть ли обучаемость. Ситуация немного изолированная: человек хочет устроиться на работу, он может сделать сверхусилия. Оценить скорость обучаемости мы можем на испытательном сроке.
Смена ролей — важный фактор в работе с сотрудниками. Они видят, что коллега как-то быстро меняет роль, приходят и спрашивают: «Как же так? Я тоже хочу стать мидлом». «Вопросов нет, надо переоформить, где результат?». Кого-то это стимулирует, а кого-то нет. Мы часто расстаемся с людьми из-за скорости, с которой они эволюционируют. Мы находимся в высококонкурентной среде, нам нужно двигаться быстро, давать топовое качество. Скорость очень важна.
Причем эволюционировать естественно способом, я хочу заметить.
Да, это не про то, что мы его пинаем. Это невозможно.
Да, часто люди думают, что чтобы они росли, им должны дать какой-то план. Это касается не только IT.
Кстати, тебе большой комплимент, это очень большой инсайт. Современная IT-индустрия устроена так, что сейчас большая часть людей работает на удаленке. Какое-то время или большую часть времени в зависимости от компании. Это приводит к тому, что люди начинают заниматься прокрастинацией, их перфоманс начинает снижаться. Но в IT это легко проверить, потому что, если мы говорим о классических IT-профессиях, когда ты тестировщик, разработчик, фронт-, бэкэнд, архитектор, у тебя есть определенная задачи на периоды, и ты видишь этот перформанс.
Это как строительство дома — этажи растут или не растут. Ты начинаешь понимать, что люди эффективны или не эффективны. И это тоже фактор, из-за которого у людей возникают проблемы с работодателем, потому что они думают, что если они на удаленке, то работодатель не поймет, что они фигней страдают. Это не так. Работодатель всегда знает, кто, сколько и чему уделил внимание, мы видим выход.
Когда мы говорим об исследовательских проектах, в которых занимаемся Data Science на грани науки, там, конечно, сложнее. Туда попадают люди, которые прошли весь путь, у которых большая степень осознанности. Здесь это очень важный термин.
И доверие к человеку тоже.
Дело даже не в доверии, это его профессионализм. Ему самому будет перед собой стыдно, если он так себя будет ввести. Здесь есть нюанс, есть две стратегии личностного развития. Я могу сказать: 15 лет я являюсь работодателем в высокотехнологичных индустриях, где у меня работают очень талантливые и умные ребята. И всех плюс-минус можно разделить на две подгруппы.
Есть те, у которых есть осознанность и собственное целеполагание. Они — саморегулируемые единицы, которые просто знают, развиваются, перфомят не для того, чтобы ты оценил, а для себя. Это внутренний стандарт качества. Эти люди очень сильно выросли. Многие переросли не только компанию, но и страну — участвуют в глобальных проектах. У таких ребят, которые со мной в свое время проходили этот путь, выбрали такой подход, мышление, стратегию, которых не надо было сидеть, пинать, контролировать, тыкать носом. Многие из них сейчас руководят командами больше, чем у меня. У некоторых по 300-500 человек в команде. Они не предприниматели, они специалисты. Они занимаются Data Science в определенной сфере и возглавляют большие команды. Это жутко талантливые люди. По сути, возможность раскрыться, — это то, что я им даю. Дальше — внутренняя постановка. И это, важный инсайт — выбрать правильную стратегию.
Те, кто выбирают стратегию «сделать вид, что я работаю а на самом деле, сделать это не качественно, не на 100%, а на 60-50%» — все эти люди очень стагнировали. Мы быстро с ними расстаемся, потому что это противоречит философии компании. Затем эти люди идут на перегретый рынок, их там собирает Сбербанк («Вы же из «Алгомоста», там серьезные ребята»). И затем становится понятно: «А, вот почему вы ушли. Извините, до свидания». Потому что даже если в этом месте вы не захотите перформить, будет продолжаться то же самое. Ты либо даешь результат кампании, либо покидаешь ее.
Это очень важно — занять правильную внутреннюю позицию. Не для работодателя, а для себя, потому что это то, что сделает тебя лучше. И я горжусь тем, что бывшие мои сотрудники руководят командами больше, у меня. Считаю, что я сумел помочь раскрыться ребятам, создать им условия и в то же время не помешать. Они перфомилии в свое время со мной, для меня, для компании, мы сделали много интересных проектов вместе, у них прошел трек дальше развиваться, кто-то из них в науку пошел заниматься методами машинного обучения.
У меня был потрясающий парень, который получал высокую зарплату, имея хороший перформанс. Талантливейший человек. Он сказал: «Мне неинтересно это. Я накопил денег. Я сейчас на 2 года, пока мне хватит этих денег, хочу создать новую библиотеку машинного обучения. Немножко подход поменять. У меня есть видение. Никто его не делает. Мне это больно. Я хочу реализоваться сам». И человек 2 года сидел и писал.
Классно, что есть такие люди.
Да. Я к тому, что задача работодателя — помочь раскрыться, создать экосистему, в которой человек раскроет потенциал. Задачи сотрудника — иметь необходимые навыки, правильный подход и понимать, что его перформанс — это прежде всего для него самого, а не для работодателя.
Многие думают: «Что мы будем убиваться?». Но это же не та работа, на которой надо таскать кирпичи. Здесь нужно освоить новые знания, новые методики и технологии. Это возможность самому вырасти, за что я очень полюбил IT и, по сути, сфокусировался на этом сегменте. Здесь залог высокого перформанса — это эволюция. Когда ты обучаешься и эволюционируешь, тогда показываешь хороший результат. В этой ситуации сотрудник выигрывает: хочет быть лучше рынка — умней и учись. Не делай больше, а делай лучше, становись более профессиональным. И это классно.
Есть люди, у которых была профессия, не связанная с IT, и сейчас они хотят в IT. Как бы ты посоветовал им войти в профессию или, наоборот, отговорил их? Представим образ человека, которому 30, и который никогда не работал в IT, но рассматривает такую карьерную траекторию.
История человечества доказывают, что нет ничего невозможного. Любой путь, любой подвиг можно осилить, просто вы заплатите временем. IT-индустрия прекрасна тем, что в нее можно зайти с разных сторон. Можно зайти с рабочих профессий. Например, базовая рабочая профессия — тестировщик. В ней мало интересного, но есть эволюция, тестирование сложных систем, с алгоритмами весело бывает.
Другой подход — зайти в процесс как бизнес-аналитик. Подходит, если вы чувствуете в себе способность к анализу, хорошо понимаете, как работает процесс.
Нужно идти от себя. Обычно в 30 лет люди уже понимают, какие у них сильные и слабые стороны. По сути, мы сейчас пытаемся описать несколько входных ролей, чтобы каждый мог на себя их примерить.
Есть подход проджект-менеджмента — это руководители проекта. Есть технические писатели. Бизнес-аналитики. Это лишь набор ролей, которые позволяют войти в процесс, изучить его, понять, как он устроен, при этом не становиться разработчиками и не писать код.
Вам надо будет изучить, как этот код устроен, как архитектура работает и так далее. Но, по сути, у вас другие качества должны быть. Например, если вы бизнес-аналитик, важен аналитический склад ума, умение выстроить понимание цепочки событий, описать и предложить оптимизационное решение. Если вы руководитель проекта, нужно освоить навыки по эффективному ведению проектов, чтобы показывать перформанс у команды и быстро достигать результата. Должны быть хорошие организационные навыки и лидерские качества. Ужасный пример проджект-менеджера — сидеть с утра до вечера и говорить всем: «Давайте, давайте быстрее». Важно уметь задавать и держать правильный темп. Технический писатель — это другой набор навыков. Вы должны изучить все, что было создано, и описать это. Если ваша личность более гуманитарная, и вы можете простым понятным языком описать, как устроена система, вы будете очень полезны людям, которые в будущем будут с этой системой взаимодействовать.
Вот 3 точки входа, через которые можно зайти в IT-индустрию.
Если человек никогда не был связан с математикой, есть ли какие-то ограничения? Может ли он выучить большой объем данных или нет? Надо ли ему годы погружаться или нет? От чего зависит их развитие?
Мы обозначили три точки входа, где математический бэкграунд не нужен. С другой стороны, есть вход, который тоже позволяет не иметь особых математических навыков, сверхъестественного бэкграунда в математике. Но он более технический, здесь мы уже будем писать код и станем разработчиком.
Если мы хотим пойти в эту сторону, нужны определенные свойства, чтобы хорошо изучать языки программирования, запоминать их логическую конструкцию, синтаксис и так далее.
Понятно, что есть профессия тестировщик, немного обособленная, которая в основном требует хорошего внимания и умения его удержать на долгое время. А дальше мы начинаем говорить про тех, кто пишет код: разработчики фронтенда и бэкенда. Здесь тоже глубокой роли математики нет. Она есть в каком-то виде, суперфундаментальные знания не нужны.
Сложнее со специалистами по Data Science. Здесь несколько форматов. Если вы хотите в верхнеуровневую аналитику — работать с простыми методами аналитики и машинного обучения, еще можно обойтись. Но если вы хотите создавать систему поддержки принятия решений, алгоритмические комплексы, здесь это необходимо.
Мы говорим про человека, который является профессионалом в своей области. Если он решил развиваться, он должен добавить математические знания.
Есть такая роль, как маркетолог. Ему надо составить представление о клиенте так, чтобы на него сфокусировать маркетинговую активность компании. Чтобы проанализировать поведение клиентов, он анализирует данные, которые собирает методами математической статистики и так далее. И здесь какие-то базовые методы машинного обучения он может использовать, не углубляясь. Вообще сейчас есть тренд — создается все больше профессий, которые не требуют углубления каких-то фундаментальных знаний. Но это следующий этап эволюции профессий, пока надо отработать текущий.
Текущий этап говорит о том, что есть высокий спрос в IT, его надо утилизировать, и это хорошая точка входа. Пока есть высокий спрос и кадровый дефицит, лояльность повышена. Соответственно, можно зайти и там же развиваться. В любом случае, все зависит от того, как будете развиваться.
Data Science — профессия потрясающая и финансово обоснованная. Здесь есть куда расти на глобальном уровне, в мире большой дефицит. Представьте, глобальную экономику вообще весь мир — какое количество компаний, сколько у них процессов. И все эти процессы требуют оцифровки, чтобы мы могли строить алгоритмизированную систему поддержки решений.
Работы огромное количество, поэтому идет два вектора развития. Первый — выучиться, зайти и уже там эволюционировать, но все будет зависеть от собственной установки. Второй — в эволюции систем. То есть в том, что появляются, допустим, маркетолог, у которого есть набор цифровых аналитических инструментов, и ему не надо иметь глубокий бэкграунд, ему надо понимать, как с этим работать. Но он остается маркетологом он не становится IT-специалистом.
Это тоже классный тренд, когда люди добавляют себе хорошую базу знаний.
Да, ты просто становишься более современным специалистам, но в своей области.
Да. Скажи, пожалуйста, ты говорил про мужчин и добавил «женщина». В IT есть женщины и мужчины?
Есть и те, и те. Здесь очень репрезентативно. У нас достаточно молодая команда, на мой взгляд, — есть и парни, и девушки. Но в принципе современный тренд — много девушек в IT. В Data Science девушек еще больше, чем в IT-профессиях, поскольку это работа на внимательность, где важно все осознать. А женщинам это свойственно. Хотя сейчас некрасиво разделять, но женская психология так устроена, что они въедливы и хотят понять. Мужчина мыслит крупными мазками: «А, вот так, погнали дальше». А женщина — так: «А почему? А зачем? А как это?».
Про IT-предпринимательство. Мы часто говорим с моим коллегой Сашей Сагуном, что если у человека есть в хорошее IT-образование, или он получил такую IT-шную базу, то это крутой плюс, если он в предпринимательство идет. Можем поговорить про предпринимательство и IT?
Разносторонний человек гораздо более эффективен.
Предпринимательство — это работа в широком спектре компетенций. Потому что предприниматель на ранних стадиях один за все отвечает, потом начинает обрастать специалистами, которые тоже отвечают за достаточно широкий спектр. И по мере роста компании, этот спектр сужается, появляются специалисты более высокого уровня, но по очень узкой задаче.
Почему на сегодняшний день для предпринимателя, особенно который претендует на построение большой компании, крайне необходимо понимание хотя бы на средне-высоком уровне IT-индустрии? Потому что любая компания потребует больших инвестиций.
Сегодня невозможно представить среднюю или крупную компанию, у которой нет полноценной IT-инфраструктуры. Это невозможно. Сотни сотрудников, большое количество клиентов, документооборот, множество процессов — над всем этим легко потерять контроль без информационных систем.
С этим сталкиваются все, поэтому, не имея этот бэкграунд, вы потеряете момент, когда вы могли бы сделать свой рост более интенсивным. Потому чем раньше, чем более правильно и осознанно вы станете внедрять IT-инфраструктуру в свой бизнес, тем более эффективно будете расти.
Условно говоря, одно дело, когда у вас 10 клиентов — вы можете каждого знать поименно. А когда у вас 100 клиентов, вы начинаете их забывать. Когда клиентов тысячи, вы уже не можете контролировать все процессы. То же самое при масштабировании любой компаниям — это просто необходимость, иначе вы теряете контроль.
Если вы не понимаете, как это делать, расскажу хороший пример. Есть обувная компания, довольно успешная, все у них хорошо, есть IT-департамент. Мы встретились, поговорили, думали какие-то совместные проекты поделать для них в рамках наших технологического стека. И тут нам на встрече IT-директор рассказывает, что у него штат 800 человек, что они чуть ли не блокчейн-платформы разрабатывают для продажи обуви. И я понимаю, что в небольшой российской обувной компании с неплохим, но все равно не очень большим оборотом, IT-директор очень качественно защитил себе бюджет на то, чтобы раздуть штат и заниматься какой-то непонятной историей. Это ничем хорошим не закончилось.
Главное — это соблюсти целевые функции, чтобы мы четко понимали, куда и зачем идем.
И еще раз: IT-бэкграунд помогает принимать решения более осознанно, если вы руководитель или предприниматель.
Если у вас нет понимания инструментов, которые с точки зрения IT вам нужны на каждом этапе эволюции — финита ля комедия. Вы просто будете терять в динамике роста.
Я привел пример — он, наверное, очень частный и очень извращен. Владельцы компании совсем далеки от этого, но какой контраст: оборот 11 миллиардов рублей, и 800 человек занимается этим, серьезно?
Надо понимать главное — ваши знания о существующих инструментах, подходах, технологиях и понимание, где и как вы можете в своем бизнесе, в своей бизнес-модели применить это. Для предпринимателя важна возможность расставить приоритеты в рамках своей дорожной карты эволюции таким образом, чтобы всегда перфомить на максимум. Всегда иметь возможность показать максимум, достичь результата, контролировать процесс, чтоб компания не рассыпалась.
Когда в 2020 году мы перешли на удаленку и большая команда оказалась дома, а надо было сделать так, чтоб компания продолжала показывать результат, качество не падало. И, если бы не наш современная инфраструктура, мы бы потеряли контроль над процессами. А параллельно там идут десятки проектов с крупнейшими компаниями в своих индустриях.
Это был большой вызов. Единственный способ справиться с этим вызовом — хорошие системы, которые позволяли трекать утилизацию мощностей, кто что делает. Там есть определенный подходы.
Дай совет ребятам, которые у нас учатся, по движению к цели в рамках получения профессии?
Есть несколько тезисов. Я понимаю, что наш диалог был отчасти не очень структурированным, много чего попытались затронуть. Надеюсь, вы найдете для себя какие-то ценности в этом разговоре. Из ключевых вопросов, на которые бы я обратил внимание, первое — это при выборе точки входа попробуйте пообщаться в сообществе. Я понимаю, с пандемией это не просто сделать на каких-нибудь тусовках в живом формате. Но нужно пообщаться в рамках индустрии — с дата-сайентистами, разрабами, проджектами, техническими писателями — смотря какая сторона вам ближе. Важно понять, с каким менталитетом вы столкнетесь. Среда должна быть для вас комфортной, а люди — понятными. Потому что в этом процессе вам придется провести достаточно много времени.
Второе — попробуйте оценить свои внутренние качества, что вам ближе по душе. Я могу сказать: найдя свой вид деятельности — технологическое предпринимательство — я не работал ни дня. Было легко, было тяжело, было успешно и неуспешно, но это чистый фан, каждый день мне интересно. Поэтому четко смотрите на свой фокус: что вам ближе, что вам хочется, ищите свою страсть. Когда есть страсть, будет стопроцентный результат.
Третье я уже упоминал, но хочу акцентировать внимание — вашей установкой должно быть не «максимум денег с минимумом усилий», а собственная эволюция, собственный результат, собственные достижения. Вы должны делать результат не для начальника, не для компании, не для того, чтобы получить зарплату, а для себя, чтобы стать лучше, узнать больше, стать более ценным специалистом. Тогда любая компания будет за вас держаться, а в IT это основной драйвер роста зарплат.
Крутая тема — это учиться для собственного развития, а не чтобы собеседование пройти.
Да, надо выбрать так, чтобы это было страсть, а страсть не должна конфликтовать с внутренними социальными устоями. И вы должны пообщаться с теми людьми, чтобы понять, что они вам близки. Поэтому вот 3 компонента, которые в совокупности дают качество жизни.
Правильная, хорошая, крутая установка. Какие ты посоветуешь книги? Есть люди, которые все время хотят чуть-чуть сложнее — что-то изучить, почитать на тему глубокой аналитики.
Культура книгоиздания в этой индустрии слишком отстает: пока книга будет издана, технологии уже убегут дальше.
Подкасты, авторы?
Точно могу рекомендовать Александра Дьяконова, профессора ВМК МГУ, профессора РАН, нашего директора по науке и сооснователя компании «Алгомост», моего друга, партнера и наставника. У него много публикаций по машинному обучению, много вещей мы с ним раскрыли, и он сам раскрыл с научной точки зрения. Он дико популярен в индустрии, один из талантливейших людей в области машинного обучения. У него мышление другого уровня, когда я с ним познакомился, я был очарован. У нас интересная история знакомства: я увидел публикацию про него в американской прессе, на платформе, где соревнуются специалисты по машинному обучению — Data Science Kaggle. Там была статья про то, что российский профессор за год стал грандмастером №1, выиграл конкурсы, сделал хорошую экономику. Там призовой фонд есть, и он взял хороший фонд.
Меня зацепило не то, что он грандмастер №1 на Kaggle, а то, что у него еще была выбрана стратегия, чтобы показать хорошую экономику по результатам. Я сказал, что мне нужно познакомиться с этим человеком. Это произошло в 2012 году, в 2013 мы создали компанию и занимались исследованиями. Сейчас продолжаем строить уже технологическую компанию.
Спасибо за структурированную информацию с множеством ключевых точек. Мы стараемся делать эти точки, показывая: здесь вы получили вот эти знания, здесь было вот так, в будущем будет так. То есть сейчас хорошо собрана информация для ребят в рамках их обучения на IT-шных программах.
Я надеюсь, мы смогли раскрыть необходимые нюансы, чтобы у ребят сформировалось представление, как правильно подойти к обучению.
У нас есть мероприятие «путь в IT» — там мы много рассказываем про точки входа. Люди слушают разных экспертов, лекторов и преподавателей. Я все время говорю, что хорошо слышать одну информацию от разных людей с разным опытом, мировоззрением, ощущением, уровнем жизни. Есть много сформированных на рынке убеждений, что можно только так, а не иначе, и наша задача — показать, что бывает по-разному.
Точно. Хорошо получилось, что мы сумели подвести к трем ключевым тезисам. Представьте, что вы покупаете одежду и приходите примерить, например, рубашку. 3 фактора, которые мы описали, — это способ примерить профессию. Почему это важно? Чтобы вам было комфортно в профессии. Чтобы она подходила вам ментально, чтобы вам было приятно общество, ваши внутренние сильные стороны работали.
Есть несколько точек входа, которые помогут раскрыть ваш потенциал. А когда вы раскроетесь, добьетесь результата и будете проживать очень комфортную, интересную и насыщенную жизнь с хорошим финансовым результатом.
Почему сейчас? Технологический стек уйдет еще дальше, эволюционирует. Боюсь, там ситуация сильно поменяется. Поэтому стартуйте, добивайтесь результатов и приходите — будем вас собеседовать.
