"Data Science ist wie Mathematik und Physik ein weiterer Weg, um die Welt um sie herum zu lernen."

Habr, hallo! Wir führen eine Reihe von Interviews mit Newprolab-Alumni fort, in denen sie über ihre Geschichte des Übergangs zum Arbeitsbereich mit Big Data berichten. Die Geschichten sind unterschiedlich und werden für diejenigen interessant sein, die darüber nachdenken, ihren Karriereweg zu ändern oder wie neues Wissen dazu beitragen kann, aktuelle Aufgaben zu lösen. Treffen Sie Oleg Homyuk, Leiter der Forschung und Entwicklung in Lamoda.

Oleg berichtete über seinen Karriereweg, seine Werte, warum er sich für Lamoda und nicht für das Unternehmen im Valley entschieden hatte, über aktuelle Projekte, sein Team, über die erfolgreichsten und erfolglosesten Projekte, über die Einstellung zur Datenwissenschaft und vieles mehr.

Bild

- Oleg, wie war Ihr beruflicher Weg zum Leiter der Forschung und Entwicklung in Lamoda?

- Es scheint mir, dass jeder professionelle Weg das Ergebnis mehrerer Gründe und manchmal von Unfällen ist. Unter diesen Gründen gibt es mehrere grundlegende Gründe: die Besonderheiten des Denkens, die Werte des Lebens und im Allgemeinen, wenn ein Mensch versteht, was Erfolg ist. Dieses Verständnis von Erfolg ist genau der Vektor, den wir als Kompass verwenden und einen professionellen Weg wählen.

In diesem Sinne hat alles für mich einfach funktioniert: Die Schule zeigte eindeutig Fähigkeiten in den exakten Wissenschaften, nahm ständig an Olympiaden teil und schaffte es sogar, den 3. Platz in der 9. Klasse der regionalen Mathematikolympiade unter Schulkindern zu belegen. Im Großen und Ganzen war es immer sehr interessant, Rätsel zu lösen, nach Mustern zu suchen, und ich mag es immer noch, klug zu sein.

Ich habe auch gerne an der Universität studiert: Ich habe an der Staatlichen Technischen Universität Moskau studiert. N.E. Mit einem roten Diplom in Spezialität "Optoelektronisches Instrumenten-Engineering" wurde Bauman gelehrt, aus Physik- und Mikroelektronik-Sicht eine ziemlich komplexe Konstruktion zu entwerfen: Wärmebildkameras, Digitalkameras, Teleskope, sogar Scharfschützenvisiere, Zielsuchsysteme und Nachtsichtgeräte. Ich muss sagen, dass dies ein unglaublich interessanter Beruf ist und unser Lehrpersonal ein Star war. Ein solches reales Engineering an der Schnittstelle verschiedener Wissensbereiche. Manchmal ein bisschen schade, dass es bei diesem Thema nicht geklappt hat.

- Warum ist es nicht passiert?

- Bei den letzten Kursen war ich etwas enttäuscht von dem, was ich tat. Es stellte sich heraus, dass die Nachfrage nach einem Beruf im Land gering ist, alles sehr lokal ist, die besten der besten Ingenieure hauptsächlich in den Institutslabors arbeiten, seltene Fabriken sind in der Lage, die Projekte der Ingenieure zu realisieren, die Ausrüstung ist veraltet und so weiter. Es gab natürlich einige Erfolge, aber der Umfang war nicht der, den ich mir zu Beginn meines Studiums vorstellte. Zu diesem Faktor kamen niedrige Preise für Forscher hinzu, es war möglich, privat zu handeln und mehr zu verdienen. Es gab natürlich andere Möglichkeiten, um Geld zu verdienen, die für japanische Unternehmen nicht ganz offiziell arbeiteten, natürlich ohne Rechte des geistigen Eigentums.

Irgendwann riefen mich meine Freunde an, bei einem ziemlich großen Internetanbieter in der Region Moskau zu arbeiten, und ich stimmte zu. Er war bereit, Neues zu lernen, technische Ausbildung gibt in diesem Sinne viel Raum.

Dort habe ich mir neue technische Fähigkeiten angeeignet, das Thema Qualitätsmanagement kennengelernt und die Weltpraxis hier allgemein berührt. Es gibt einen solchen Standard für das Qualitätsmanagement, sogar eine Reihe von ISO-9000-Standards, die einige Vorgehensweisen bei der Organisation von Prozessen in einem Unternehmen bieten, wobei die Verbindung zwischen der Qualität des Endprodukts und der internen Prozessführung des Unternehmens als Axiom gilt. Die Grundidee ist, dass, wenn Sie alles im Rahmen eines Standards tun, die Qualität Ihrer Produkte ständig verbessert wird, da Sie jeden Prozess messen, den Sie denken, planen, durchführen und erneut messen, der diese Qualität beeinflussen kann. Diese zyklische ständige Verbesserungsaktivität hat sogar einen Namen - den Deming-Zyklus. Dieses Thema wie das Management hat mich irgendwie gefesselt, aber es ist sehr mathematisch.

Infolgedessen arbeitete ich dort etwa zwei Jahre lang, machte verschiedene Dinge, einschließlich der Leitung einer kleinen Abteilung, der Erstellung von Prozessen und der Kommunikation mit der Qualitätsabteilung.

Als nächstes kam Yandex. Irgendwann habe ich gesehen, dass sie Projektmanager in der Suchqualitätsabteilung eingestellt haben. Die Vakanz selbst ist nicht mehr so ​​sehr an der Testaufgabe interessiert: Beschreiben Sie das bestehende Problem der Yandex-Suche und finden Sie heraus, wie Sie diese lösen können. Nun, der Auslöser im Kopf auf das Wort "Qualität" hat wahrscheinlich funktioniert. Ich habe 10 Stunden in Folge an der Aufgabe gearbeitet, es stellte sich heraus, dass es mehrere Seiten waren. Daraufhin kontaktierten sie mich, riefen mich zu einem Interview an und machten ein Angebot, das ich gerne annahm.

Während ich bei Yandex speziell für mich arbeitete, passte alles zusammen, ich sah, wie große Datenmengen, Mathematik, Algorithmen, den Benutzer in den Mittelpunkt stellen, seine Bedürfnisse als ein einziger Mechanismus zusammenarbeiten und die Entwicklung bahnbrechender Produkte einerseits und das Erzielen von Geld ermöglichen auf der anderen Es scheint mir, dass ich von Yandex diesen gebildeten Wunsch übernahm, auf Daten basierende Produkte herzustellen und maschinelles Lernen zu betreiben. Seitdem begann sich aktiv in diese Richtung zu entwickeln.

- Es war 2011, das Thema Big Data war noch nicht sehr beliebt, es gab keine speziellen Programme. Wo hast du studiert, gelesen?

- Die Inhalte waren sicherlich nicht genug, aber wir waren alle so wissbegierig. Aber Coursera war schon und übrigens auch der SCH. Ich habe 15 mal Vorontsows Vorlesungen gehört und habe nichts verstanden. Viele haben diese interessante Ära durchgemacht.

Im Allgemeinen entfernte ich mich allmählich vom Thema Information Retrieval, ich arbeitete gern mit Daten, zog mich zu einem neuen Bereich des maschinellen Lernens an und verließ das Unternehmen im Jahr 2012.

- Und was nach Yandex?

Nach Yandex wurde "Consultant Plus". Die Richtung der Datenanalyse wurde bereits bewusster gewählt. Nur die Daten von Benutzeraktionen wurden gerade erst ausgiebig erfasst, also nahm ich an dieser Aktivität teil und begann mit Projekten.

Im Allgemeinen war es eine interessante Zeit, jetzt gibt es viele Bibliotheken für maschinelles Lernen, z. B. xgboost, und wir haben unsere Steigungssteigerung auf C ++ - Bäumen geschrieben. Jetzt kann sich dies natürlich nicht jedes Team leisten, und es besteht keine Notwendigkeit - alles ist bereits implementiert. Eine solche Geschichte.

- Haben Sie mit Ihren eigenen Truppen geschrieben oder hatten Sie bereits ein Team?

- Das Team war schon neben den Talenten. Im zweiten Jahr meiner Arbeit bei Consultant Plus kam ein talentierter Student des VMC hinzu, der in ein paar Monaten seine Implementierung von Boosting schrieb und mit dem Unterrichten von Modellen begann.

Zu diesem Zeitpunkt hatten wir bereits das Ziel, ein ganzes Team von Datenwissenschaftlern zu bilden. Wir hatten das Gefühl, dass die Daten viele neue Möglichkeiten bieten. Die Gelegenheit, das Team von zwei ShAD-Absolventen, die wahrscheinlich ein bisschen mehr als ich wussten, und die Entwickler für den Bau von Repositories zu nutzen, erwies sich als sehr gut. Jeder versuchte es, arbeitete hauptsächlich am Hadoop-Cluster, obwohl nach heutigen Maßstäben nicht sehr viele Daten vorhanden waren.
Auf dem Höhepunkt von uns waren wahrscheinlich nur 9 Leute da, sie lösten gute Probleme. Zum Beispiel suchten wir nach Ausbrüchen des Benutzerinteresses an verschiedenen Themen. Dies half den Autoren, die Auswahl der Themen, für die es Sinn macht, neues Material zu schreiben, optimaler zu gestalten.

Danach arbeitete ich bei Ezhome, einem Startup in Palo Alto. Dort wurde übrigens von Mitya Kataev empfohlen, mit der ich das Programm "Big Data Specialist" studierte.. Sein Bekannter Kirill Klokov, der als Entwicklungsleiter bei Ezhome arbeitete, suchte gerade nach einem Datenwissenschaftler im Team. Die Hauptidee des Unternehmens ist die Schaffung der Uber-Erfahrung für Heimdienste. Als Ausgangspunkt wurde der Pflegedienst für die Region ausgewählt - vom Rasenmähen bis zum Reinigen, Pflanzen und Bäumen. Daher begann ich dort als Data Scientist zu arbeiten, ich wollte mich wirklich an einem Startup versuchen und wollte mit meinen Händen arbeiten. Ich habe diesen analytischen Juckreiz in regelmäßigen Abständen, ich möchte selbst etwas Sinnvolles tun, auch wenn ich mich lange Zeit hauptsächlich auf organisatorische Prozesse konzentriert habe. Ich habe immer gehofft, dass der Juckreiz eines Tages nachlässt, aber nein, ich versuche immer noch, "auf zwei Stühlen zu sitzen", das heißt, sowohl als Manager als auch als Spezialist zu entwickeln.

- Schon jetzt?

Sogar jetzt. Auch wenn im Moment natürlich nicht viel Zeit bleibt: ein großes Team, viele Managementaufgaben, ich zögere am Wochenende, dafür gibt es jetzt viele Möglichkeiten - zum Beispiel kaggle. Ich möchte auch etwas mit meinen eigenen Händen machen, aber ich habe Jungs im Team, die eindeutig besser sind als alle anderen in ihrem Bereich. Meines Erachtens muss jedoch für ein effektives Projektmanagement im Bereich der Datenanalyse der Manager über harte Fähigkeiten verfügen. Ich lerne ständig. Im Moment entschied ich mich zum Beispiel für eine Programmierspezialisierung, nur um mich daran zu erinnern, was passiert.

- Zurück zu Ezhome: Warum brauchten sie einen Datenwissenschaftler? Welche Aufgaben hatten Sie?

- Das ist eine gute Frage. Ganz am Anfang habe ich gefragt, welches Ergebnis sie von mir erwartet haben. Die Antwort war im Geiste: "Wir selbst verstehen es noch nicht genau, versuchen wir es." Es wurde jedoch schnell eine gute Aufgabe gefunden: Zu dieser Zeit gab es einen Engpass bei der Neukundengewinnung, da jede neue Anwendung von einer Person verarbeitet wurde, die den Standort anhand eines Satellitenbildes ausmachte, und versuchte zu verstehen, wie viel Wartung einen solchen Standort kosten sollte. Es gab ein lineares Expertenmodell, das sich mit dieser Bewertung befasste. Es ist klar, dass die Qualität der Prognose, die verbessert werden soll, und wie die größere Anzahl von Parametern fachgerecht berücksichtigt werden muss, nicht mehr sicher ist. Hier hat sich maschinelles Lernen als nützlich erwiesen. Wir haben begonnen, die Zeit, die der Gärtner aufwenden wird, anhand der Parameter des Standortes vorherzusagen. Parameter der Standorte wurden aus offenen Quellen und "Lehrern" - aus historischen Daten entnommen.

Infolgedessen wurde die Aufgabe ausgelöst, da für die meisten eingehenden Anrufe Daten verfügbar waren, war es möglich, individuelle Preise im Handumdrehen zu bilden. Klassische Automatisierung - Roboter arbeiten, Menschen entspannen sich. Dann wurde ich eingeladen, für etwa eineinhalb Monate in die Zentrale im Valley zu kommen.

Vorher habe ich aus der Ferne gearbeitet, dort war fast das gesamte Remote-Team dort: USA, Indien, Griechenland, Polen, Russland. Das Team war sehr cool und es hat Spaß gemacht zu arbeiten. Es gelang mir, viele coole Aufgaben zu erledigen. Am Ende wurde mir die Position des Teamleiters der Analysten angeboten. Wir haben einige Verbesserungen an der Infrastruktur vorgenommen, wodurch wir die Anzahl der Projekte, die wir durchgeführt haben, um ein Vielfaches steigern konnten. Dann boten sie an, sich mit einem anderen Team zusammenzuschließen, das sich mit der Entwicklung von Software für den Bau von Routen für Arbeiter beschäftigte: fünftausend Kunden und 150 Gärtner. Es war sehr aufregend und jetzt scheint mir, dass die Aufgaben, die sich mehr mit Informatik als mit Daten beschäftigen, auch sehr interessant sind.

- Parallel zu Lamoda haben Sie mehrere Vorschläge in Betracht gezogen, warum wurde die Entscheidung für Lamoda getroffen? Was war für Sie entscheidend?

- Ja, es gab mehrere Vorschläge. Was hat mich in Lamoda süchtig gemacht? Eine klare Strategie, verständliche Erwartungen von mir, Vertrauen und ein realistischer Ressourcenplan im Finanzbereich, das heißt, ich habe eine klare Aufgabe: "Wir sind jetzt hier, wir brauchen hier, wir wollen F & E entwickeln, wir sind bereit, X zu investieren, wir erwarten einen solchen wirtschaftlichen Effekt." . Alle Keine Argumente darüber, wie ein Raumschiff im Universum surfen wird oder dass alle durch Roboter ersetzt werden. Außerdem eine ehrliche Geschichte darüber, wie es dem Unternehmen geht. Alles war transparent und klar, und dies wurde im Allgemeinen bestochen, weil ich das Gefühl hatte, zu dem Team von Menschen zu gehören, die wirklich ergebnisorientiert sind und verstehen, was sie wollen. Außerdem erhielt ich einen Blankoscheck über die Entwicklung dieses Bereichs. Für mich war es eine Art persönliche Herausforderung, Ich hatte noch nie die Gelegenheit, ein so großes Team zusammenzustellen. Jetzt sind es 17 Leute und wir wachsen weiter.

- Dies ist nicht das erste Unternehmen, in dem Sie eine F & E-Abteilung von Grund auf aufbauen, sondern ein Team. Was sind die ersten 5 Schritte, die Sie unternehmen, wenn Sie ins Unternehmen kommen?

- Die Forschungs- und Entwicklungsabteilung befand sich in Lamoda und vor mir haben sich in 7 Jahren sogar einige Teams und Manager geändert. Darüber hinaus haben wir etwa die Hälfte des derzeitigen Teams in sich versammelt. Also nicht ganz von vorne.

Die ersten fünf Schritte in einem neuen Unternehmen? Ich denke, der Algorithmus ist nicht spezifisch für F & E; im Prinzip kann es auch so sein, wenn Sie wegen einer Managementposition zu einem neuen Unternehmen kommen.

Zunächst müssen Sie die aktuelle Strategie des Unternehmens verstehen, verstehen, welche Ziele das Unternehmen hat, welche KPIs für Erfolge gemessen werden.

Zweitens beschreiben Sie genau, wie Sie diese KPIs beeinflussen können. In Anbetracht Ihrer Kompetenz oder Ihrer Rolle im Unternehmen sollten einige Tools und Ideen zur Verfügung stehen. Beschreiben Sie die Anforderungen des Unternehmens und den Zielzustand, dh, was wir im Allgemeinen erreichen möchten, und bewerten Sie dann die verfügbaren Tools. Maschinelles Lernen ist nur eine davon, und nicht jede Aufgabe ist optimal.

Der dritte Punkt - Sie müssen eine Prüfung des aktuellen Zustands durchführen - Personen, Kompetenzen, Prozesse, Daten, Produkte, Infrastruktur, insbesondere Infrastruktur.
Im Allgemeinen wird es erst im vierten Schritt nach der Prüfung des aktuellen Zustands möglich, die weitere Strategie des Übergangs vom aktuellen Zustand zum Zielzustand zu beschreiben. In der Tat ist viel Arbeit erforderlich, einschließlich vieler Konsultationen mit interessierten Kreisen und Interessengruppen, deren Ergebnisse mehrere mögliche Entwicklungsszenarien entwickeln müssen. In meiner Praxis war es sinnvoll, mindestens 3 konservativ, realistisch und aggressiv im Sinne von Ressourcenkosten zu machen. Dann ist alles einfacher: Nachdem wir eine Strategie ausgewählt haben, erstellen wir eine Roadmap, klären die Bewertung der Ressourcen und machen uns an die Arbeit.

- Was ist Datenwissenschaft für Sie?

- Data Science ist mein Lieblingswerkzeug. Dies ist ein äußerst spannendes Feld, es ist wie Mathematik und Physik, eine andere Möglichkeit, die Welt um Sie herum zu erkunden. Ich habe das zum ersten Mal in Yandex zum ersten Mal deutlich gespürt, als wir mit der Analyse von Suchanfragen beschäftigt waren und verstanden haben, was die Nutzer brauchen, wie sie diese lösen und was allgemein in der Welt passiert. Das heißt, Sie können die Welt durch einen kleinen Riss der Daten, mit denen Sie arbeiten, betrachten. Das ist interessant und unterscheidet sich meiner Meinung nach nicht von anderen Erkenntnismethoden, nur einem anderen "Kanal". Dies ist der 7. Sinn. Das Gleiche geschah in „Consultant Plus“: Wir haben untersucht, welche Nutzer Probleme gelöst haben, als sie nach Gerichtsentscheidungen suchten, was genau besorgt war, welche Streitigkeiten sie hatten und welche Streitigkeiten vor Gericht gelöst werden mussten. Wenn wir über die Daten sprechen was wir bei Lamoda analysieren, das ist nicht weniger aufregend. Vor allem, wenn Sie feststellen, dass Blusen und Röcke in verschiedenen Farben und nicht in derselben Farbe gekauft werden. Eine neugierige Beobachtung, mit der Sie im Leben weiter gehen können. Viele Dinge können Sie durch die Daten über die Welt um Sie herum lernen. Deshalb sage ich, dass dies mein Lieblingswerkzeug ist. Und hier ist er einerseits ein kognitives Werkzeug und andererseits ein aktives Werkzeug, mit dessen Hilfe man etwas Neues schaffen kann.

- Wenn Sie ein Unternehmen annehmen, welche Rolle übernehmen Sie den Daten?

- Hier ist es das Wichtigste, HYIP nicht zu erliegen. Wenn wir über das Geschäft sprechen, sollten die Daten auf jeden Fall funktionieren. Die Ergebnisse der Datenanalyse sollten rentabel sein oder Kosten reduzieren. Wenn nicht, dann ist irgendwo etwas schiefgegangen. Gleichzeitig muss eine datengetriebene Kultur nicht wörtlich verstanden werden, wir können Entscheidungen treffen, ohne auf Daten angewiesen zu sein. Dies ist normal. In manchen Fällen ist dies auch die einzige Möglichkeit, dies zu tun.

- Sag mal, welche Projekte machst du in Lamoda? Was ist das erfolgreichste Projekt, das Ihr Team umgesetzt hat?

- Das erste, was erwähnenswert ist, ist wahrscheinlich eine Plattform für A / B-Tests - ein Dienst, der Benutzer in Gruppen einteilt und das Ein- und Ausschalten experimenteller Funktionen steuert. Warum ist uns das wichtig? Denn im Allgemeinen kann dieses Gebiet des maschinellen Lernens nicht ohne ständiges Testen verschiedener Hypothesen und Ideen existieren. Wir können nicht im Voraus wissen, dass es unseren Benutzern mehr oder weniger gefällt. Jede neue Idee muss getestet werden. Amazon zitiert interessante Statistiken und sagt, dass 70% der Ideen, die sie testen, den Test verlieren. Dies sollte ruhig behandelt werden, auch wenn die Rate höher ist. Dies bedeutet, dass für die Veröffentlichung von 5 erfolgreichen Projekten pro Quartal ± 17 erforderlich sind. Daher ist eine zuverlässige Plattform für kontrollierte Experimente die Basis, ohne die es absolut unmöglich ist, in der Produktentwicklung voranzukommen. In Anbetracht unserer ehrgeizigen Pläne war es notwendig, ein Upgrade an diesem System vorzunehmen. Bevor die erste Version von mir erstellt wurde, haben wir sie erheblich aktualisiert: Jetzt können Sie mehrere Experimente gleichzeitig ausführen, bevor es in diesem Sinne einige Einschränkungen gab.

- Und welche anderen Richtungen?

- Suche, und es gibt Unterschiede zwischen den wichtigsten Anbietern wie Yandex und Google, da wir mit unserem Themenbereich sehr gut arbeiten können, verglichen mit der "universellen Suche im Internet", die recht eng ist. Es ist nicht möglich, eine Ontologie von allem zu erstellen, alle Zusammenhänge zu beschreiben, aber in einem kleinen spezifischen Bereich können Sie sehr gute Entscheidungen treffen, die funktionieren werden. Wir machen unsere Linguistik für die Suchmaschine, die einige implizite Beziehungen zwischen verschiedenen Entitäten berücksichtigen kann. Zum Beispiel gibt es einige Marken, die in Gruppen zusammengefasst sind. Wenn Sie nach einer Marke suchen, können Sie die Sache mit derselben Marke oder nur einer anderen Marke zeigen. Zum Beispiel handelt es sich bei Tommy Hilfiger und Tommy Jeans um eine Marke. Oder verstehen Sie, dass ein Gestüt auch eine formale Ferse ist, und Müßiggänger sind im Allgemeinen Schuhe. Im Allgemeinen,

Natürlich ist eines der besten Beispiele für Projekte, an denen wir beteiligt sind, die Einstufung der Produkte im Katalog. Dies ist das gleiche Ranking in der Beliebtheit. Wir versuchen sicherzustellen, dass der Benutzer, der auf die Website kommt, so schnell wie möglich das gefunden hat, was ihm gefällt.
Es gibt auch Projekte mit Empfehlungssystemen, Preisoptimierung, Personalisierung und vielen anderen Dingen.

- Oleg, erzähl uns von deinem erfolgreichsten Projekt.

- Das erfolgreichste Projekt ist jetzt nur die Einführung eines neuen Rankings im Katalog. Es ist ein wenig intelligenter geworden, und es werden zunehmend interessantere Daten berücksichtigt. Zum Beispiel haben wir das Kontextproblem für Unisex-Produkte gelöst, d. H. Im Zusammenhang mit dem Schuhkatalog für Männer, ein Verkaufsprodukt, und nicht im Zusammenhang mit dem von Frauen. Entsprechend dem Verhalten der Nutzer stellt sich heraus, dass es sich hierbei eher um Herrenschuhe handelt, obgleich formal und unisex. Viele solcher Nuancen, die ich berücksichtigen möchte. Wir hören also nicht auf, testen neue Hypothesen, versuchen aktiv mit der kaufmännischen Abteilung zusammenzuarbeiten und so weiter.

- Wie arbeiten Sie an Projekten? Wie wählst du aus? Wie lange brauchst du für die Produktion?

- Die Statistiken wurden bisher zu diesem Thema gesammelt, aber im Allgemeinen ist unsere Arbeit so strukturiert: Obwohl die Organisation bereits ziemlich groß ist, gibt es mehr Projekte als Personen, daher sammeln wir für jede Richtung ein Mikroteam. Zum Beispiel habe ich ein eigenes Mikroteam, das sich mit Empfehlungssystemen beschäftigt. Die gleichen Leute können an anderen Projekten beteiligt sein, das ist normal. Alles wird hauptsächlich innerhalb des Mikroteams gelöst. Regelmäßige Meetings und Brainstorms, Planung und Rückblicke sowie interne Meetings und Demos werden abgehalten. Keine Demo irgendwo.

In diesem Jahr dauert es 4-6 Wochen, bis das Projekt von der Idee zur Veröffentlichung geht. Es ist jedoch klar, dass solche Projekte nicht alle sind. Einige erfordern viel größere Ressourceninvestitionen, insbesondere wenn Sie in Architektur investieren müssen oder etwas völlig Neues oder Langes und Kostbares für die Integration in andere Systeme tun müssen. Die Höchstdauer beträgt mehrere Monate. Wenn Sie etwas verbessern müssen, was bereits funktioniert, können Sie dies sehr schnell tun, wenn das Erstellen von Grund auf eine andere Aufgabe ist.

- Sie haben Amazon mit 70% fehlgeschlagenen Experimenten erwähnt, und wie viel Prozent in Lamoda?

- Ich würde sie lieber als erfolglos bezeichnen als scheitern. Diese haben wir natürlich. Wir glauben jedoch, dass es bei jedem Experiment nur zwei Wege gibt - entweder Erfolg oder Lernen. Fehlgeschlagene Experimente nennen wir nicht als Fehlschlag. Ein echter Fehlschlag ist, wenn wir aus einem Projekt keine Lehren gezogen haben, die keinen wirtschaftlichen Nutzen gebracht haben. Wenn eine neue Idee die aktuelle Idee verloren hat oder zumindest nicht gewonnen hat, müssen Sie genau wissen, warum sie passiert ist, die Aufgabe überdenken und möglicherweise eine weitere Iteration durchführen. Sie brauchen nur etwas Wissen, um auszuhalten.

- Können Sie über ein Projekt in Ihrer Karriere sprechen, das nicht abhebt? Über die größte Enttäuschung und das Lernen, das Sie erdulden mussten.

- Ja, es gibt sogar einige davon. Zum Beispiel wollte ich wirklich maschinelles Lernen in ein Suchmaschinenranking in einem der Unternehmen einführen. Wir haben viel Zeit für dieses Projekt aufgewendet, und es stellte sich heraus, dass es keine Ressourcen für die Implementierung einer solchen Lösung gab und das Projekt geschlossen werden musste. Für mich als Manager war es sehr gut zu lernen, es tut mir leid, mein Lieber. Das Festlegen der Grenzen des Zulässigen (was wir tun können, welche Ressourcen wir haben) wird am Anfang benötigt, bevor mindestens eine Codezeile geschrieben wird. Andernfalls könnte sich eine ähnliche Situation ergeben. Darüber hinaus hat das Team seriöse Arbeit geleistet, und beim Modellieren auf dem Stand funktionierte sogar gute Qualität, aber für die Implementierung waren architektonische Änderungen in der Anwendung erforderlich, und im Interesse einer einzelnen Suche hat das Unternehmen dies nicht getan.

- Was bedeutet das Team für dich? In diesem Jahr haben Sie Ihr Team mehr als verdoppelt, und Sie wachsen weiter. Wie wählen Sie Menschen aus, die Ihnen wichtig sind?

- Ich halte es für eine meiner wichtigsten Erfolge des Jahres in diesem Unternehmen, dass wir eine wirklich tolle Teamatmosphäre haben: Es ist freundlich, basiert auf gegenseitiger Unterstützung und Respekt, es ist wichtig, dass es beim Ausbau des Teams erhalten bleibt. Deshalb versuchen wir neben den beruflichen Qualitäten insbesondere zu verstehen, ob wir mit einer Person zusammenarbeiten oder nicht. Alle erfolgreichen Kandidaten lernen das Team kennen, das ist wichtig, ich höre die Meinung des Teams.

- Die Hälfte Ihres Teams, wie Sie selbst, hat entweder die Programme bei Newprolab mitgemacht, bevor Sie zu Lamoda kamen, oder Sie haben sie zum Studium geschickt. Ist das ein Zufall oder haben Sie Leute aus der Alumni-Community ausgewählt, von denen, mit denen Sie studiert haben, sich bei unseren Veranstaltungen kreuzen?

- Ich möchte sagen, dass ich natürlich ausgewählt habe, aber ich denke, dass dies Zufälle sind, obwohl Zufälligkeit nicht zufällig ist. Ich möchte hier gerne Grisha Sapunov (Lehrer Newprolab - ca. Ed.) Zitieren, dass die Korrelation keine Kausalität bedeutet, dh das Vorhandensein von Ursache-Wirkungs-Beziehungen nicht garantiert. Nun von den Texten zur Problematik. Es scheint mir, dass alle Absolventen von Newprolab durch Eigenschaften vereint sind, die, auch ich, in einem Team nützlich erscheinen. Es gibt einen dritten Grund, der die Attraktivität des Programms für den Hörer und den Kandidaten für mich bedingt beeinflusst. Zum Beispiel Informationsgier und eine hohe intrinsische Motivation. Bei einem dreimonatigen Kurs mit drei Vorlesungen von drei Stunden pro Woche und zehn Stunden selbständiger Arbeit muss der Mensch ein gewisses Temperament haben, und das gefällt mir besonders in der Atmosphäre. was Sie in den Kursen erscheinen. Weil es einem normalen Workflow ziemlich ähnlich ist. Und Menschen, die dieser Belastung standhalten, haben einen Vorsprung vor denjenigen, die sich nicht auf ein solches Regime vorbereitet haben, im Allgemeinen gibt es einen Unterschied.

- Viele mögen hier argumentieren, dass es schwieriger ist, ein Zertifikat für Online-Programme zu erhalten, es braucht Motivation, vielleicht höher, niemand drängt Sie, es gibt oft niemanden, den Sie fragen können, Sie wissen alles.

- Wir sind also ein Team, wir haben nicht das Ziel, dass eine Person 4 Monate lang in sich selbst geht, zum Beispiel, weil in der Spezialisierung auf Coursera und bei der Arbeit mit sich selbst die Aufgabe besteht, im Team zu arbeiten. Wir haben uns gegenseitig beim Programm geholfen, wir hatten Chats, wir haben gesprochen, alle haben ihre Lösungen miteinander geteilt. Es ist dem Workflow sehr ähnlich, wir arbeiten auch, wir leisten jeweils ihren Teil, für den er die Verantwortung übernommen hat, aber gleichzeitig konsultiert jeder, kommuniziert ständig, das ist Teamarbeit.

Bild

- Sie und Petya Yermakov unterrichten beim "Big Data Specialist" , andere Mitglieder Ihres Teams unterrichten auch auf Konferenzen. Warum ist es notwendig, was gibt es Ihnen speziell?

- Für mich persönlich ist eine Performance eine Möglichkeit, mit der Community zu kommunizieren und einige Ihrer Gedanken einem breiten Publikum zu vermitteln. Es scheint mir, dass dies nützlich ist, weil wir alle ein wenig anders verstehen, was wir tun. Eine eigene Individualität zu zeigen und Gleichgesinnte zu finden, ist sehr nützlich. Wenn wir über das Unterrichten sprechen, ist das für mich eine ganz neue Erfahrung. Was motiviert mich dazu? Ich sehe soziale Verantwortung darin: Ich habe gelernt, etwas selbst zu tun, ein anderes zu unterrichten. Es scheint mir genau so, wie es sein sollte. Natürlich wird dies unter anderem durch das Vorhandensein einiger Probleme im Bildungssystem angeregt, da die Lehrenden oft keine Experten auf diesem Gebiet sind. Daher scheint es notwendig zu sein. Und ich brauche es auch, denn wenn ich mein Wissen teile, Ich bin also zumindest für einen kleinen Anteil, aber ich werde die Gemeinschaft und die Industrie immer noch dazu anspornen, sich zu entwickeln. Ich arbeite später mit diesen Leuten zusammen, es gibt jetzt einen klaren Mangel an Fachwissen auf dem Markt, wir müssen den Menschen helfen.

- Sie haben anderthalb Jahre in einem amerikanischen Startup gearbeitet, Sie haben in San Francisco gelebt. Warum nicht dort weiter in den USA Karriere machen? Warum hast du dich entschieden, hier zu bleiben?

- Das hört sich jetzt ziemlich seltsam an, aber ich mache keinen großen Unterschied zwischen "dort" und "hier", das heißt, für mich ist der territoriale Standort nicht so wichtig, ich verstehe die Leute nicht wirklich, die sagen, dass Sie irgendwo hingehen müssen. Als ich ins Tal ging, habe ich von der Erfahrung und dem Niveau der Spezialisten, die dort arbeiten, etwas Wow-Effekt erwartet. Ich habe es nicht gesehen Ich kann ehrlich sagen, dass Sie in Moskau ein Team von Ingenieuren zusammenstellen können, das sich im abstrakten Startteam im Valley nichts ergeben wird, und das ist auch normal. Ich habe das Projekt verfolgt, Lamoda war interessanter. Wenn es in meiner Karriere einen Vorschlag für ein sehr interessantes Projekt in den Staaten gibt, schließe ich die Teilnahme nicht aus.

- Was sind die Profil-Blogs, tg Kanäle, die Sie in Ruhe lesen?

- Ich lese Slack ODS, Artikel über Habré, schaue mir Videos von allen Arten von Meetings an, Samstags-Schulungen zum maschinellen Lernen von Yandex. Ja, im Prinzip wahrscheinlich alles, es ist so ein Durcheinander, ich habe einfach nicht genug Zeit, ich arbeite viel und ich habe immer noch ein persönliches Leben.

- Sie haben ganz am Anfang von Werten gesprochen, von persönlichen und öffentlichen Erfolgen, von besonderem Denken. Können Sie sagen, was Ihnen wichtig ist, was Ihre Werte sind und was für Sie persönlicher und öffentlicher Erfolg ist?

- Kurz gesagt, ich sehe das so: soziale, soziale Bedeutung ist für mich wertvoll. Ich glaube, wenn ich keine Datenwissenschaft studiert habe, würde ich Medizin machen. Und vielleicht werde ich eines Tages diese beiden Gestalten kombinieren können.

- Sie schließen bereits einen, es scheint mir gut zu sein.

- Es scheint so. Die Geschichte der Analyse medizinischer Daten ist jedoch sehr attraktiv. Nichts ist wertvoller als das menschliche Leben, nein. Es scheint mir, wenn ich eines Tages einen kleinen Schritt nach vorne mache, wird es sehr cool. Nun ist die große Anwendbarkeit des maschinellen Lernens in der Medizin immer noch fraglich - die medizinischen Daten sind verstreut, unstrukturiert, es gibt keine einheitlichen Standards, sie werden klassifiziert, es gibt viele Probleme mit ihnen. Darüber hinaus benötigen Sie eine Vielzahl von Akkreditierungen, um mehr oder weniger gute Produkte herzustellen. Und ich denke, es wird cool sein, uns auf diese Zeit vorzubereiten, wenn sich in diesem Zusammenhang alles normalisiert, Erfahrungen und Fähigkeiten zu sammeln, und vielleicht werde ich eines Tages auch damit arbeiten, die Idee davon kommt mir regelmäßig in den Kopf.

Wenn wir über persönlichen Erfolg, zufriedene Benutzer und Gewinne für ein Unternehmen sprechen, sind dies wahrscheinlich zwei wichtige Erfolgsfaktoren. Ich denke, dass Sie selbst als Teil des persönlichen Erfolgs Ihre Ressource mit maximalem Nutzen ausgeben müssen. Was ich hier vorhabe, ist: Wo immer ich herkomme, versuche ich immer, diese Rollenposition einzunehmen, in der ich maximalen Nutzen erzielen kann. Ich versuche, enge Orte und Wachstumszonen zu sehen. Ezhome ist ein gutes Beispiel: Ich kam als Datenwissenschaftler dorthin, weil es für mich interessant war, etwas mit meinen Händen zu tun. Dann sah ich, dass ich mich anderen Aufgaben widmen konnte. Es gibt Menschen, die sich im Voraus stark auf etwas Bestimmtes konzentrieren. In dieser Hinsicht bin ich etwas offener für das Neue, wenn es für das Gemeinwohl notwendig ist. Ich bin grundsätzlich ein Fan von Optimierung, was auch immer das bedeutet.

Das ist wahrscheinlich der Grund, warum ich meinen Job so sehr liebe, dass ich meine Stärken einsetzen kann, um Ziele zu erreichen, die sowohl für Unternehmen als auch für mich persönlich wertvoll sind.

Jetzt auch beliebt: