Баннер мобильный (1) Пройти тест

Привет, я Data Scientist в «Тинькофф»

Честный отзыв о профессии Data Scientist, рассказ о карьерном пути и советы для новичков

Личный опыт

28 февраля 2024

Поделиться

Скопировано
Привет, я Data Scientist в «Тинькофф»

Содержание

    Глеб Синяков закончил МФТИ и пошел на работу аналитиком-разработчиком в «Тинькофф». Уже имея академическое образование, он продолжает учиться и берет курсы по математике и другим фундаментальным дисциплинам. Войти в профессию не сложно, уверен Глеб, но нужно интересоваться данными и быть усидчивым.

    Глеб Синяков, 26 лет

    ОбразованиеМФТИ

    Место работыаналитик-разработчик в «Тинькофф»

    Skillfactoryготовил кейсы по временным рядам для курса Data Science

    Кто такой Data Scientist?

    В Data Science несколько разных профессий. Есть собственно Data Scientist: те, кто хорошо понимают математику, модели данных и руководят аналитикой. А есть ML-инженеры: их задача — писать код для моделей машинного обучения. ML-инженерами становятся бывшие программисты: им надоедает заниматься каким-нибудь Java и они идут в Data Science. Среди профессионалов есть и те, к кому ML приходит сам. Например, специалисты по биоинформатике начинают учить науку о данных, чтобы решать задачи в своем деле.

    Мне повезло попасть на работу в Data Scienсe после специальных кафедр технического вуза. На самом деле наука о данных — еще слишком новая для российского высшего образования область. В профессию попадают люди с самым разным бэкграундом. Есть те, кто переучиваются после технических вузов или работы программистом в других областях.

    Кто такой аналитик-разработчик?

    Я работаю аналитиком-разработчиком, занимаюсь системой автоматического мониторинга данных компании «Тинькофф» с помощью машинного обучения. Банковские продукты компании генерируют много данных: они помогают отслеживать эффективность бизнес-процессов, например изменения доходности по вкладам или продаж страховок. Обычно за каждым из процессов следят аналитики. Моя задача — помочь им автоматизировать этот процесс, чтобы они могли получать своевременные оповещения, если в их данных что-то пошло не так. Так аналитики могут увидеть нестандартное поведение своих параметров и изменить свои процессы.

    Моя специализация — временные ряды. По сути, это зависимости разных величин во времени. Эти данные можно анализировать с помощью математических моделей, чтобы спрогнозировать будущие значения. Например, так прогнозируют спрос на товары в супермаркетах. Если знать статистику продаж творога в прошлые годы, этой весной можно выложить на полки нужное покупателям количество пачек с высокой точностью. В «Тинькофф» по тому же принципу мы предсказываем продажи продуктов экосистемы.

    Почему я пошел в Data Science

    Я закончил МФТИ: сначала учился на факультете физической и квантовой электроники. После бакалавриата я попал в научную организацию, которая занимается фотоприемниками, приборами для регистрации оптических сигналов. Там я не видел больших перспектив, поэтому решил сменить направление. Это довольно стандартная история для Data Scientist из российских технических вузов, вроде МФТИ. В российской науке, к сожалению, нет больших перспектив, а работать простым кодером для многих скучно. Поэтому я пошел в Data Science: в этой области есть баланс интереса и перспектив.

    В магистратуре я перешел на факультет инноваций и высоких технологий. На этом факультете «Тинькофф» открыл первый набор на кафедру финансовых технологий. После конкурса я попал туда на работу. Я выбирал между разными крупными IT-компаниями: в «Тинькофф» к тому моменту уже была полноценная работа с технологиями.

    Какие ошибки делают новички

    Когда я только пришел на работу, мне хотелось применять как можно больше новых технологий и подходов. На самом деле это не всегда полезно. Например, мне нужно было смоделировать поведение данных по одному из банковских продуктов. У разных методов прогнозирования разная точность: среди моделей нужно выбирать наиболее быструю и точную. По неопытности я потратил много времени, чтобы создать сложную модель, а в итоге получил то же качество, что и у тривиальных (самых простых).

    Это достаточно стандартная ошибка новичков: многие сразу хотят сделать что-то сложное и интересное там, где это не нужно. Так я понял, что лучше вести разработку от простого к сложному. Не усложняйте свои задачи до тех пор, пока работают быстрые проверенные методы.

    Мой рабочий день

    Обычно я встаю где-то с 7 до 10 утра, делаю завтрак и кофе в любимой гейзерной кофеварке. Если встаю рано, то использую утро для задач с максимальной концентрацией: например, чтения статьи на Хабре или Archive. До 10:30 я разбираю рабочую и личную почту и обдумываю задачи на день.

    В 10:30 у нас ежедневный созвон с командой — после него начинается работа. В зависимости от загрузки я работаю до 5-8 вечера. Например, сейчас я работаю над классификатором временных рядов — это поможет выявить сезонность в банковских данных.

    Вечером я преподаю Python по Zoom, а если занятий нет, езжу на тренировки по сноуборду в комплекс Снеж.ком — он всего в пяти минутах от моего дома. Если хватает времени, то сам прохожу разные курсы или читаю что-нибудь актуальное по работе, чтобы не отставать от жизни. С самодисциплиной по вечерам не очень, поэтому, к сожалению, на учебу время есть редко. Перед сном обычно залипаю в интернете или доделываю какие-то задачи. В выходные четкого расписания нет. C утра катаюсь, а днем и вечером могу делать что угодно: работать, учиться, гулять или кодить что-нибудь для себя.

    В нашей индустрии нужно постоянно учиться новому и освежать в голове старые знания

    В нашей индустрии все постоянно занимаются самообразованием. Новые технологии и фреймворки (наборы инструментов для быстрой разработки) проще освоить самому на практике, а вот фундаментальные вещи со временем забываются. Например, недавно я взял курс по теории вероятностей, чтобы освежить знания из института.

    К тому же после нескольких лет работы в Data Science нужно выбирать специализацию. На этом этапе ты уже понимаешь основные подходы к данным и углубляешься в какую-то область, например, обработку естественного языка (NLP) или компьютерное зрение.

    Также я преподаю сам: уже 2,5 обучаю студентов Python, веду семинары по временным рядам для сотрудников «Сбербанка», помогал с кейсами для курса SkillFactory по Data Science. Мне нравится учить и понимать, как думают другие люди и какими вопросами задаются. К тому же многие приходят в IT после больших успехов в своих профессиональных областях. Мне очень интересно помочь им применить программирование для решения их задач.

    Например, один ученик работает аналитиком в известном интернет-магазине. У них была проблема с работниками склада — они часто увольнялись после нескольких месяцев работы. На курсах мы взяли его данные и построили модель, которая предсказывает вероятность увольнения соискателя в течении полугода по его социально-демографическим характеристикам.

    Как войти в профессию с нуля

    В профессию можно попасть и с нулевыми знаниями. Для этого нужно обладать двумя вещами: по-настоящему интересоваться данными и иметь высокую самодисциплину. Если с этим все в порядке, нужно просто брать курсы и учиться. Для классического пути в Data Science нужно знать несколько вещей: Python, математику (линейная алгебра, теория вероятности и статистика, матанализ) и пройти курс по ML.

    Мало кто знает все это на отлично, да и не во всех компаниях это требуется. Хорошее освоение трех вещей если не гарантирует, то сильно увеличивает шансы найти первую работу. По времени это занимает минимум полгода для тех, кто пришел из технических областей. Совсем с нуля все можно выучить минимум за год. После этого уже можно подаваться на позиции стажера или джуниора.

    Что мне нравится в моей работе

    Я работаю в «Тинькофф» уже три с половиной года. В нашей компании много задач для сайентистов и почти нет ограничений по развитию. Наука о данных — достаточно универсальная область. По сути тебе не важно какими данными ты занимаешься: о торговле продуктами или о поведении пользователей в интернете. Для всех задач есть одинаковая база: математика и программирование. Зная базовые вещи уже можно углубляться в конкретные области, например, компьютерное зрение или обработку естественного языка.

    Большинство задач в индустрии довольно стандартные, они ориентированы прежде всего на бизнес-результат. Поэтому в какой-то момент каждому специалисту хочется начать делать что-то свое параллельно основной работе. Я, например, хотел бы привнести что-то новое в open-source (программы и технологии для разработчиков), но пока своих значимых кейсов нет.

    Мне нравится создавать технологии, которые автоматизируют ручную работу. Например, известная в машинном обучении библиотека scikit-learn поделила профессию на «до» и «после»: у разработчиков появились инструменты для быстрой работы с алгоритмами ML.

    Еще мне хотелось бы углубиться в другие области машинного обучения. Я занимаюсь временными рядами, обычно в этой специализации лучше работают классические модели. И хочу поглубже копнуть в Deep Learning — глубинное обучение, где нейросети способны решать очень сложные задачи. Именно в этой области сейчас происходят наиболее интересные в машинном обучении вещи.

    Личный опыт

    Поделиться

    Скопировано
    0 комментариев
    Комментарии