Про успіх, технології та цінність гнучкості в професії майбутнього
Data scientist — одна з найперспективніших і найцікавіших професій сьогодні. Це людина, яка працює з величезними масивами даних, створює моделі машинного навчання і допомагає компаніям приймати рішення, базуючись на цифрах і фактах.
Ми поспілкувалися з Дмитром Левашовим — senior data scientist, який свого часу закінчив національний університет «Запорізька політехніка» (раніше - ЗНТУ) і вже понад 15 років працює у сфері.
За цей час Дмитро пройшов цікавий шлях: починав як статистик у місцевій компанії, а тепер понад 10 років живе і працює в Нідерландах, де займається розробкою складних моделей машинного навчання.
У нашій розмові він не тільки розкрив професійні нюанси, а й дав поради тим, хто лише починає свій шлях у світі data science і пояснив, чому важливі не тільки знання, а й готовність вчитися і відкриватися новому.
- Розкажіть, будь ласка, з чого ви починали свій професійний шлях, і як ви досягли сьогоднішнього рівня.
- Я закінчив Запорізький політех, тоді ще ЗНТУ, 15 років тому. І з того часу працюю з різними аспектами машинного навчання, математикою, даними. Коли я вступав, ця спеціальність була новою. Мені подобалась математика і програмування — це було цікаво. Спеціальність поєднувала ці напрямки. Ніяких далекосяжних планів не було — просто особисті вподобання.
Після закінчення вишу я працював статистиком у одній із компаній Запоріжжя. Моя робота полягала у завантаженні даних з бази і підготовці звітів, на основі яких приймали управлінські рішення. Я пропрацював там 4 роки і виріс до аналітика — тобто не просто збирав статистику, а й аналізував її. Але все одно це була робота з даними, не зовсім ті методи, які ми вчили у виші — там ми більше працювали з машинним навчанням і математичними моделями.
Протягом цього часу я намагався автоматизувати якомога більше. Хоч моя зона відповідальності була вузькою, я писав системи для управління трафіком, оптимізував звітність — взагалі, намагався застосувати знання якомога ширше. Через 4 роки один з колег переїхав до Нідерландів і сказав, що там потрібен data scientist. Він запропонував приєднатися, адже сфера його роботи дуже співзвучна з моєю.
Мій переїзд до Нідерландів — це була воля випадку. У мене на той момент була не така вже й добра англійська. І по суті, саме рекомендація колеги дозволила мені переїхати до Нідерландів, отримати роботу, і вже тут, останні 10 років, розвиватися як спеціаліст.
- Чим ви займались спочатку і як змінилися ваші проєкти?
- Починав у сфері онлайн-маркетингу, потім перейшов до систем рекомендацій та ціноутворення. Зараз відповідаю за методи аналізу, цінову політику і впровадження різних LLM-систем.
- Розкажіть про один з перших успішних проєктів, пов’язаних з вашою спеціальністю, з чого ви починали?
- Один з перших проєктів — система управління трафіком всередині компанії. Компанія володіла кількома схожими продуктами і розподіляла користувачів між ними, щоб ті не платили лише за один продукт, а за кілька.
Я створив систему, яка змінює і розподіляє ці потоки, оптимізуючи їх. Це було зроблено на Excel з Visual Basic — зараз розумію, що дизайн був далекий від ідеалу, ефективність не дуже висока і так далі. Але в підсумку навіть ця автоматизація додала 10% до доходу від тієї справи, в якій я працював, що для невеликого проєкту досить непогано.
- Звідки беруться ідеї для таких проєктів?
- Часто це починається просто з думки «а чому б і ні». Багато прибуткових ідей народжуються, коли стоїш біля кавомашини і спілкуєшся з колегами, або ж з якихось «поломок», які треба «полагодити». І виявляється, що не завжди варто їх лагодити традиційним способом.
- Якими якостями та навичками, на вашу думку, потрібно володіти, щоб досягти успіху у вашій сфері?
- Хочу сказати, що випадок грає важливу роль у будь-якій сфері розвитку, у бізнесі зокрема. Особисті якості — це, звісно, важливо. Щоб вирішувати завдання і доводити ідею до робочого прототипу, потрібні і знання, і «софт скіли», і «хард скіли». Але сам процес генерації ідей дуже випадковий.
Я б порадив — пробувати якнайбільше. Бо неможливо сидячи в закритій кімнаті придумати щось кардинально нове, щось, що справді покращить життя мільйонів. А маленькі проєкти, які ти тестуєш, дають шанс вибрати кілька справді перспективних, які потім можуть дати значний результат.
- Як ви оцінюєте складність програмування? Чи багато хто може це опанувати?
- Програмування — це як вивчення мови. Чи складно вивчити нову мову? Так, це непросто. Але набагато складніше — структуровано висловити думку.
Мови програмування самі по собі прості, там усе зрозуміло. Вся суть у тому, щоб перенести ідею про те, як має працювати система, у код, який зможе прочитати комп’ютер.
Чи складно цьому навчитися? Ні, бо мова проста, написати «щось» легко. Але написати «щось потрібне», що відповідатиме цілям компанії — це зовсім інше. Фахівців ділять на три рівні: джуніор (початківець), мідл (спеціаліст середнього рівня) і сеньйор (досвідчений професіонал). Різниця між ними — не лише в обсязі знань, а й у тому, наскільки добре вони можуть взяти бізнес-ідею і розробити рішення, які працюватимуть саме в конкретній компанії.
- Чи займаєтеся ви чимось зараз окрім роботи? Можливо, науковою діяльністю?
- Зараз я повністю зосереджений на роботі, на більш глибокому вивченні LLM, також мене цікавить глибше розпізнавання образів, відеоряду. Але минулої весни прочитав кілька лекцій на своїй кафедрі, і з осені, якщо запросять, із задоволенням продовжу, бо це цікаво.
- Які поради дали б студентам та початківцям, які хочуть отримати досвід і почати кар’єру у вашій сфері?
- Головне, про що хочу попередити: робота в IT вимагає величезного обсягу нових знань. Треба бути готовим читати літературу, освоювати нові технології. Машинне навчання — це ще й дуже швидко змінна сфера.
Ми спостерігали появу чат-ботів, зараз — різноманітних генеративних систем. Якщо людина не готова витрачати хоча б 10 годин поза роботою на вивчення нових навичок, вона відставатиме. Це треба прийняти, коли приходиш у цю сферу.
Також багато матеріалів доступні лише англійською — знання мови критично важливе.
Якщо поставити собі за мету отримати практичні навички, варто брати участь у міжнародних проєктах, волонтерити — адже вільні руки потрібні всюди. Спілкуватися з колегами — багато хто відкритий до спілкування, можна написати, дізнатися думку.
Важливо читати статті, дивитися лекції експертів з міжнародним досвідом - навіть в інтернеті можна знайти експертів, які із задоволенням діляться своїми знаннями. Все залежить від того, як студент організує своє навчання.
- Чи є якась різниця між навчанням в Україні і за кордоном?
- Я спілкувався з багатьма колегами, які закінчували виші в Європі. Не можу сказати, що їхній фундамент сильно відрізняється від того, що отримав я на своїй кафедрі — це ті ж математичні принципи і більш-менш стандартний набір проєктів за 5 років навчання. Але що відрізняє, так це те, що людина, яка приходить джуніором з європейського вишу, вже працювала в 2-3 компаніях і знає, як там працює професія.
Проте все одно кожен інтерн, який приходив з європейського вишу і працював зі мною в команді, щось таки «ламав». Тобто, прийшовши на 3 місяці в компанію, якщо він щось робить — він щось «зламає». Але це теж цінний досвід: такі помилки і їхнє виправлення — частина навчання.
- Як змінилася конкуренція на ринку праці за час вашої роботи?
- Я займався рекрутингом і можу сказати, що нині інтерни мають набагато сильніші резюме, ніж я, коли починав. Вони беруть участь у розробці open source — відкритих програмних проєктів, змагаються у конкурсах з програмування та машинного навчання. Конкуренція дуже висока. Незабаром до цього додасться широке поширення LLM-систем. Величезну перевагу матимуть ті, хто зможе використовувати їх як асистента.
- Яке майбутнє LLM-систем ви бачите?
- Зараз у суспільстві точаться дискусії: одні вірять, що LLM вирішать усі проблеми, інші — що їм не можна довіряти. Я вважаю, ми прийдемо до чогось середнього. Найімовірніше, LLM будуть асистентами, як зараз експертні системи допомагають лікарям приймати рішення. Ті, хто зможе ефективно використовувати ці системи, будуть у виграші.
- Є така думка, що незабаром штучний інтелект залишить багато людей без роботи.
- Я не став би так песимістично стверджувати, що всі втратять роботу через штучний інтелект. Частина професій справді може зникнути. Водночас існують сфери, де LLM не здатні повністю замінити людину. Хороший приклад — експеримент, нещодавно проведений одним із університетів, де створили повністю компанію з LLM-агентів. Вони виконували близько 20% завдань.
Там траплялися кумедні випадки, коли завдання випадково призначалися не тому агенту. Загалом їхня поведінка дуже нагадувала те, що відбувається в реальній компанії, але це була далеко не та ефективна компанія, яку хочеться мати.
Водночас треба враховувати, що дуже багато науковців працюють над тим, щоб зробити ці системи кращими. І це не варто недооцінювати. Чи замінять вони повністю людей? Ні. Але точно витіснять із рутинних завдань і операцій.
Я дивлюся на це скоріше як на можливість — інструмент, що може підвищити ефективність нашої праці. Якщо людина бачить, що її роботу можна автоматизувати за допомогою LLM, то, можливо, варто подумати про цю автоматизацію самостійно.
- У чому ж головна проблема LLM? Чому їм не можна повністю довіряти?
- По суті, це система, яка оперує великою кількістю знань і може виконувати практично будь-яку роботу через зрозумілий інтерфейс: ти їй кажеш — вона робить.
Якщо поглянути в історію, колись дуже активно говорили про так звані експертні системи. Це були програми, які нібито мали накопичувати знання від фахівців і допомагати приймати правильні рішення в різних ситуаціях. Люди вірили, що ці системи зможуть замінити експертів і працювати автономно. Проте на практиці такі системи виявилися неефективними і не виконували поставлених завдань так, як очікували.
Можливо, нас чекає те саме з LLM-системами — хоча вони стають точнішими, при відхиленні від шаблону починають помилятися.
Головна проблема в тому, що їм можна довіряти, але ти не знаєш, коли вони почнуть видавати неправильні дані, бо правильний і неправильний результат подається однаково переконливо.
- Як ви бачите розвиток цієї сфери загалом?
- Ми працюємо у світі чисел, і я бачу цю сферу як таку, що має величезний потенціал. Особисто я розглядаю LLM більше як «просунуту бібліотеку», а не як повну заміну фахівцям.
- Яка зараз ситуація на ринку праці для data scientist і суміжних спеціалістів?
- На ринку зараз спостерігається незначний спад, і люди, які підуть шукати роботу, зіткнуться з великою конкуренцією. Після скорочень у великих компаніях складно пояснити роботодавцю, чому він має взяти саме тебе, а не людину, яка два місяці тому працювала в умовному Гуглі. Але загалом кількість вакансій стабільна, з’являються нові, і шанс знайти роботу є.
Що стосується критеріїв відбору, безумовно, коли кандидатів багато, намагаються відсіяти по найменшому критерію. Якщо приходить людина без досвіду в цій сфері і з досвідом — перевага буде за досвідченим.
Але в підсумку всі роботодавці розуміють: важливі два моменти. Перший — щоб з людиною було приємно працювати. Другий — щоб вона могла навчатися.
Будь-яка людина, прийшовши в нову компанію, вчиться з нуля. Так, у неї є якісь знання, але як застосувати їх у цій конкретній компанії — доведеться вчитися з початку. І важливо, щоб це проходило гладко, без конфліктів із командою. Це дійсно важливо — і багато роботодавців підкреслюють: поточні технічні навички не так важливі, як здатність швидко їх здобувати і як людина вписується в колектив.
- Що включає ваша спеціальність і які напрямки розвитку в ній існують?
- Моя спеціальність об’єднує кілька напрямків: аналітика і статистика, машинне навчання та інженерія. Це про роботу з даними, а зараз майже всі компанії працюють із даними.
Аналітики беруть дані і намагаються отримати додаткові знання для прийняття рішень. Data scientist, які займаються машинним навчанням, автоматизують процеси, будують моделі і оцінюють їхню ефективність. Інженери безпосередньо пишуть ефективні моделі і впроваджують їх.
Якщо говорити про домени, де це застосовується — практично весь бізнес генерує дані і потребує їхнього аналізу. Чи це роблять менеджери, аналітики чи data scientist — майже в усіх компаніях є вакансії.
Є також спеціалізовані домени: обробка зображень, звуків, LLM-системи. Це дуже широка сфера, і спеціалізація залежить від досвіду — з чим людина працювала раніше, в яку компанію потрапила. Це багато визначає.
- Чи є різниця у роботі в Україні і за кордоном?
- Відрізняється від компанії до компанії. Є поняття «культура прийняття рішень».
Багато компаній заявляють, що вони «data driven». Це означає, що всі рішення приймаються на основі даних. Більшість компаній такими не є. Є ті, хто дотримуються цього, є ті, хто хочуть дотримуватися, і є ті, хто про це навіть не думають.
Це складна концепція — коли менеджеру потрібно відмовитися від свого рішення лише тому, що цифри показують збитковість. Від цього залежить усе інше. А загалом я не бачу суттєвої різниці між тим, як працюють в Україні і за кордоном — саме у ставленні до даних і роботі з ними.
- Які особливості роботи в Нідерландах порівняно з Україною?
- Справжня відмінність у тому, що тут цінують особистий час. В Україні я працював по 50-55 годин на тиждень — це складно. Виходиш із роботи, уже темно, і немає сил чи бажання ні на хобі, ні на що інше.
В Нідерландах є чіткий час закінчення роботи. Тут важливий саме продукт, який я виробляю, а не час, витрачений на це. Вони оцінюють результат. Тому зараз у мене достатньо вільного часу, щоб навчатися, займатися спортом і кататися на велосипеді з сином.
Тож, професія data scientist - це не лише робота з цифрами і алгоритмами. Це постійний розвиток, пошук нових ідей і адаптація до швидкоплинних змін технологій. Історія Дмитра Левашова - це приклад того, що наполегливість, відкритість до нового і готовність вчитися - саме те, що веде до справжнього успіху.
