досвід
За кафедрою Олександр Руппельт: як будують лінійку Data Science в Projector
Лінійка Data Science у Проджекторі одна з наймолодших, проте вже активно розвивається. За кафедрою стоїть Олександр Руппельт — тімлід Data Science команди в Data Robot та спеціаліст у сфері аналізу з 15-річним досвідом. «Наразі початкова ідея лінійки — так звана матриця Data Science. Де по рядках є рівень: початковий, середній, просунутий. А в колонках напрямки: традиційний ML, NLP, Computer Vision і DS для менеджерів і аналітиків», — розповів нам Олександр.
Ми ж на цьому не зупинилися й детальніше розпитали в завкафа про те, як формувалися лінійка та професіуми, як відбувається пошук кураторів та розробка програм, яких саме спеціалістів шукають компанії та як це враховується при побудові Data Science напрямку в Проджі.
Ми ж на цьому не зупинилися й детальніше розпитали в завкафа про те, як формувалися лінійка та професіуми, як відбувається пошук кураторів та розробка програм, яких саме спеціалістів шукають компанії та як це враховується при побудові Data Science напрямку в Проджі.
З чого все почалось
У мене завжди була жага ділитися знаннями. Коли ще Data Science був в Україні не сильно розвинений, ми з моїм другом Віталієм Радченком робили освітні курси. Запрошували людей, давали їм задачу й разом з ними цю задачу проходили від початку до кінця. Ми гуртували людей навколо себе, створювали ком'юніті. У мене була віра, що безкоштовні знання для людей дуже потрібні й треба бути провайдерами знань, особливо в цій сфері. Пізніше я ще викладав у Львові.
Коли до мене звернулися з Проджа, я ще не знав, що з цього вийде. Ми просто складали лінійку для нового напрямку. Це вже потім я зрозумів, що потрібно стежити за всіма курсами, підбирати викладачів. Це важко, але дуже цікаво.
Коли до мене звернулися з Проджа, я ще не знав, що з цього вийде. Ми просто складали лінійку для нового напрямку. Це вже потім я зрозумів, що потрібно стежити за всіма курсами, підбирати викладачів. Це важко, але дуже цікаво.
Зараз у світі трохи проходить бум на дата саєнтистів. Компанії почали більше співпрацювати з цими спеціалістами й не наймають їх невідомо звідки, як свого часу мене. Коли я починав працювати, то мав математичний профіль й мене просто запитали: «Хочеш бути дата саєнтистом?» Я сказав: «Ну хочу». От і все. Сьогодні до підбору ставляться більш скрупульозно, бездумний найм пройшов. Тепер компанії розуміють, коли їм більше підійде інженер, коли математик.
Крім того, в Україні наразі достатньо вакансій. Багатьом компаніям потрібні спеціалісти. Правда в нас є специфіка локального ринку, що не завжди навіть великі продуктові компанії можуть собі дозволити дата саєнтиста високого рівня. Оскільки з точки зору зарплати українські продуктові компанії не можуть конкурувати з ІТ компаніями які працюють не на внутрішній ринок, а на ринок Європи та США. Тому дуже часто вони намагаються обходитися своїми ресурсами або ж брати студентів, початківців тощо.
Відповідно, у нас мета така: ми беремо людей без особливого досвіду, інженера або математика, і намагаємося або першого навчити математики, або другого інженерії. Та дати їм необхідний бекграунд для роботи в сфері Data Science.
Великої кількості вакансій ще не існує, але місця для цих людей вже є. Тому я дуже сподіваюся, що далі ми будемо розвиватися. Оскільки є попит в грамотних людях, які зможуть обробити ті масиви даних, які компанії накопичують, і витягнути звідки необхідні шматки інформації, які допоможуть бізнесу.
Крім того, в Україні наразі достатньо вакансій. Багатьом компаніям потрібні спеціалісти. Правда в нас є специфіка локального ринку, що не завжди навіть великі продуктові компанії можуть собі дозволити дата саєнтиста високого рівня. Оскільки з точки зору зарплати українські продуктові компанії не можуть конкурувати з ІТ компаніями які працюють не на внутрішній ринок, а на ринок Європи та США. Тому дуже часто вони намагаються обходитися своїми ресурсами або ж брати студентів, початківців тощо.
Відповідно, у нас мета така: ми беремо людей без особливого досвіду, інженера або математика, і намагаємося або першого навчити математики, або другого інженерії. Та дати їм необхідний бекграунд для роботи в сфері Data Science.
Великої кількості вакансій ще не існує, але місця для цих людей вже є. Тому я дуже сподіваюся, що далі ми будемо розвиватися. Оскільки є попит в грамотних людях, які зможуть обробити ті масиви даних, які компанії накопичують, і витягнути звідки необхідні шматки інформації, які допоможуть бізнесу.
Як будували лінійку Data Science у Проджекторі
Коли я створював лінійку, більше дивився на тренди закордоном, оскільки в Україні трохи відрізняється специфіка: і в ІТ, і країни вцілому в цій сфері. Навіть передові українські продуктові компанії все-таки на кілька років позаду передових компаній з США та Китаю. І тут немає чого соромитися.
У нас трошки гірший доступ якраз до хороших кадрів, зокрема через відсутність ефективної й правильної стратегії в освіті. Проте ми можемо зрозуміти де зараз Україна, і де вона цілить бути через кілька років. І виходячи з цього, вибудовуємо лінійку. Крім іншого вона базується на багатьох курсах, які вже близько десяти років викладають в Стенфорді та МІТ.
Також ми маємо ще одну перевагу — гнучкість. У нас немає складних процесів всередині організації для того, щоб зробити курс. У нас є завкаф і куратор, які мають спільне бачення і повністю генерують курс. І його програма може легко змінюватися рік через рік, для того, щоб йти в ногу з трендами.
У нас трошки гірший доступ якраз до хороших кадрів, зокрема через відсутність ефективної й правильної стратегії в освіті. Проте ми можемо зрозуміти де зараз Україна, і де вона цілить бути через кілька років. І виходячи з цього, вибудовуємо лінійку. Крім іншого вона базується на багатьох курсах, які вже близько десяти років викладають в Стенфорді та МІТ.
Також ми маємо ще одну перевагу — гнучкість. У нас немає складних процесів всередині організації для того, щоб зробити курс. У нас є завкаф і куратор, які мають спільне бачення і повністю генерують курс. І його програма може легко змінюватися рік через рік, для того, щоб йти в ногу з трендами.
Наразі початкова ідея — так звана матриця Data Science. Де по рядках є рівень: початковий, середній, просунутий. А в колонках напрямки: традиційний ML, NLP, Computer Vision і DS для менеджерів і аналітиків. Останній менш технічний, але покриває досить фундаментальні речі — як взагалі роботи DS проєкти; що робити людині, яка не хоче йти в технічні тонкощі, але хоче робити проєкти в цій сфері.
У NLP та Computer Vision плануються beginning, medium та advanced курси. У традиційному ж ML, окрім базового буде ще два важливі курси — Time Series і ML in Production. ML in Production — надважливий прошарок в цьому всьому, оскільки саме модель, яка працює в продакшені, приносить гроші бізнесу.
Коли всі курси будуть готові, то ми зможемо їх розбивати по потоках та професіумах. Професіуми, які вже є, Data Science & Machine Learning та Natural Language Processing, ми ще будемо переглядати. Як тільки у нас з'являться більш периферійні й advanced курси — формуватимемо нові лінійки. Скоріш за все, буде лінійка виключно NLP та традиційний ML. Будуть професіуми для більш просунутих.
Якщо говорити про advanced курси, то ми хочемо, щоб вони були дуже сильно сфокусовані на практиці. І зараз розмова навіть не про практичні проєкти, які обов'язково будуть. Ми хочемо показати студентам найкращі практики роботи дата сайнтиста в конкретних сферах, адже насправді DS в різних сферах може кардинально відрізнятися. В рітейлі один, в машинобудівництві чи банківській сфері — інший. Ми хочемо, щоб студенти відчули специфіку конкретних професійних доменів. А також дати найкращі юзкейси від відомих компаній Netflix, Google, Facebook.
У NLP та Computer Vision плануються beginning, medium та advanced курси. У традиційному ж ML, окрім базового буде ще два важливі курси — Time Series і ML in Production. ML in Production — надважливий прошарок в цьому всьому, оскільки саме модель, яка працює в продакшені, приносить гроші бізнесу.
Коли всі курси будуть готові, то ми зможемо їх розбивати по потоках та професіумах. Професіуми, які вже є, Data Science & Machine Learning та Natural Language Processing, ми ще будемо переглядати. Як тільки у нас з'являться більш периферійні й advanced курси — формуватимемо нові лінійки. Скоріш за все, буде лінійка виключно NLP та традиційний ML. Будуть професіуми для більш просунутих.
Якщо говорити про advanced курси, то ми хочемо, щоб вони були дуже сильно сфокусовані на практиці. І зараз розмова навіть не про практичні проєкти, які обов'язково будуть. Ми хочемо показати студентам найкращі практики роботи дата сайнтиста в конкретних сферах, адже насправді DS в різних сферах може кардинально відрізнятися. В рітейлі один, в машинобудівництві чи банківській сфері — інший. Ми хочемо, щоб студенти відчули специфіку конкретних професійних доменів. А також дати найкращі юзкейси від відомих компаній Netflix, Google, Facebook.
Класична Data Science освіта: сильні сторони та підводні камені
Коли я закінчував університет близько десяти років тому, вже були курси, які зараз є частиною Data Science. Ще до того, як це словосполучення стало чимось звичним і базовим. Однак освіта рухається дуже й дуже повільно. Університетів які давали такі знання раніше майже не було. Зараз їх трошки більше, як мінімум в Києві, Львові, Харкові. Та й зараз вже є люди, які відпрацювали в сфері 5-7 років і хочуть ділитися знаннями. Проте університети як осередки освіти в Україні страждають від інших проблем.
Я хочу, щоб наша програма була концентрованою масою знань в сфері Data Science, яку ми розділимо на шматки й люди будуть їх обирати відносно своїх вподобань. Великий плюс Проджа — ним керують люди з іншим мисленням, ніж декани, які вже 50 років на позиціях і не мають стимулу щось змінювати, якось розвиватися. Я вірю в те, що досвід в розвитку освіти, який Projector вже має в інших галузях, на кшталт дизайну чи проджект-менеджменту, ми зможемо перекласти на Data Science. І так само готувати ефективні кадри для внутрішнього і зовнішнього ринків.
Я хочу, щоб наша програма була концентрованою масою знань в сфері Data Science, яку ми розділимо на шматки й люди будуть їх обирати відносно своїх вподобань. Великий плюс Проджа — ним керують люди з іншим мисленням, ніж декани, які вже 50 років на позиціях і не мають стимулу щось змінювати, якось розвиватися. Я вірю в те, що досвід в розвитку освіти, який Projector вже має в інших галузях, на кшталт дизайну чи проджект-менеджменту, ми зможемо перекласти на Data Science. І так само готувати ефективні кадри для внутрішнього і зовнішнього ринків.
Відбір та робота з кураторами
З частиною кураторів допомагає Продж, з мого боку це знайомі або люди, які їх порекомендували. Інколи є професіонали в певних конкретних сферах, з якими хочеться поспілкуватися і попрацювати. Вони, правда, зараз менш мотивовані. Їм цікавіше щось робити самостійно або в командах замість того, щоб ділитися знаннями. Проте ми намагаємося потроху привертати їхню увагу й пояснювати, чим це корисно для них і як нові кадри допоможуть їм ставати краще.
При підготовці курсу тісно співпрацюємо з кураторами: обговорюємо загальну стратегію, фіксуємо моє бачення з їхнім баченням, намагаємося знайти спільну мову. Здебільшого все збігається, якщо ні — домовляємося. Загалом, куратори мають свободу. Єдина вимога — після курсу студент повинен чітко розуміти, що він отримав. Тому в нас є проєкти, які студенти обов'язково мають зробити по закінченню курсу.
При підготовці курсу тісно співпрацюємо з кураторами: обговорюємо загальну стратегію, фіксуємо моє бачення з їхнім баченням, намагаємося знайти спільну мову. Здебільшого все збігається, якщо ні — домовляємося. Загалом, куратори мають свободу. Єдина вимога — після курсу студент повинен чітко розуміти, що він отримав. Тому в нас є проєкти, які студенти обов'язково мають зробити по закінченню курсу.
Що повинні отримати студенти
Наша фінальна мета — щоб на виході після курсу чи професіуму, людина мала достатні знання та власне портфоліо. Щоб це було не просто навчання, а реальний досвід, реальний проєкт чи проєкти, що допоможуть випускнику знайти хорошу роботу.
Ми хочемо, щоб в Продж могли приходити люди без великого досвіду, а по закінченню — ці ж люди могли розв'язувати конкретні проблеми. Щоб вони могли прийти в компанію, стати її частиною й генерувати цінність своїми вміннями та знаннями.
Ми хочемо, щоб в Продж могли приходити люди без великого досвіду, а по закінченню — ці ж люди могли розв'язувати конкретні проблеми. Щоб вони могли прийти в компанію, стати її частиною й генерувати цінність своїми вміннями та знаннями.
Досвід
Сподобалась стаття?
