Именно во время обучения в НИУ ВШЭ я сделал дипломный проект, который сейчас превратился в большое направление в Сбере
.jpg "Андрей Бугаенко на защите дипломного проекта")
О предыдущем образовании и работе
После школы я поступил в вуз, которого сейчас уже нет: МГУИЭ, на специальность «Автоматизированные системы управления». Кафедра называлась «Техническая кибернетика и автоматика». Там я получил базовые навыки по машинному обучению ещё до того, как это стало мейнстримом. В 2008 году я вышел из вуза с твердым ощущением, что направление не очень перспективное, и пошел учиться снова. В этот раз — в Российскую экономическую школу на финансиста. При этом я уже работал, занимался оптимизацией и автоматизацией бизнес-процессов в одной из небольших консалтинговых компаний. После РЭШ закончил программу профпереподготовки в Высшей школе экономики по оптимизации бизнес-процессов. За это время успел поработать в Ernst&Young и перешел в Сбер заниматься аналитикой.
Путь к анализу данных
Первое время знаний и навыков для решения задач в Сбере хватало. Но в какой-то момент начали появляться бизнес-задачи, связанные с машинным обучением. Например: прогнозирование, поиск аномалий, классификации платежей. На тот момент специалистов, способных решить эти задачи, почти не было, а задач было много, их ценность была очень высокой. Я переключился на новую область и даже построил несколько моделей (обучение с учителем), которые были внедрены. Но быстро понял, что минимальных базовых знаний, которые были получены в первом университете, не хватает. К тому же, многое было уже забыто.
Об обучении и применении знаний в работе
Проанализировав, где можно пройти обучение, пришел к выводу, что программа «Современный анализ данных, глубокое обучение и приложения» (сейчас — «Специалист по Data Science») в НИУ ВШЭ – это практически единственная программа, которая мне подходит. Два года инвестировать в учебу в магистратуре или в ШАДе я был не готов, а краткосрочные курсы не дают необходимых и полноценных знаний. В тот момент другой годовой программы переподготовки по Data Science не существовало.
Во время обучения на программе мне удавалось сразу же применять на практике приобретаемые знания. Например, если мы изучали NLP (Natural Language Processing или обработка естественного языка), я добавлял к своему коду трансформеры, подгружая текстовые модальности. Когда проходили Reinforcement Learning (обучение с подкреплением), я пришёл на работу, установил несколько библиотек по RL и придумал, где это может найти применение.
О дипломном проекте и ML-достижениях в работе
Именно во время обучения в НИУ ВШЭ я сделал дипломный проект, который сейчас превратился в большое направление в Сбере. Тема диплома — «Применение машинного обучения для анализа бизнес-процессов банка». Последние пять лет в Сбере я занимался применением Machine Learning в Process Mining. Сейчас, как исполнительный директор по исследованию данных, лидирую это направление.
Как вы думаете, можно ли заменить управленческого консультанта, который занимается оптимизацией бизнес-процессов, ботом? Ответ: можно, и мы такой инструмент создали. Мы разработали ряд ML-моделей и специализированных AutoML и AutoRL. Аналитику нужно только загрузить набор данных с логом бизнес-процесса (ID экземпляра процесса, этап процесса, время процесса). ML-инструмент сам проведёт комплексный анализ бизнес-процесса и сделает презентацию с описанием найденных неэффективностей, их причин, расчётом потенциального финансового эффекта от их устранения и выводами по всему исследованию. Такого уровня задачи в консалтинговых компаниях выполняют сотрудники уровня Analyst и Associate (Junior, Middle). Данный инструмент принёс Сберу огромный финансовый эффект, который окупил применение технологии на годы вперёд.
Кстати, воспользоваться этим инструментом может любой желающий вне Сбера на платформе SberProcessMining или в Python-библиотеке SberPM, одна из модификаций которой доступна в open-source. Установить можно с помощью «pip install sberpm».
О собеседованиях
Сейчас я очень часто провожу собеседования. У многих кандидатов, с которыми я общаюсь на интервью, есть проблема: решения к ML-задачам, которые они где-то сами прочитали или изучили на онлайн-курсах, устаревают. Они правильные, но какие-то новые типы «моделей», модификации библиотек, архитектуры сеток появляются чуть ли не ежедневно. Кандидаты же про них не знают и решают задачи подходами, которые в реальности уже никто не использует. По моему опыту, после переподготовки в сфере Data Science в Вышке кандидаты хорошо проходят собеседования: предлагают интересные и актуальные решения задач.
А тем, кто уже обучается, советую не ждать, а после каждого занятия пытаться применить полученные знания для какой-то своей идеи.
Программа профессиональной переподготовки «Специалист по Data Science»
Познакомиться с современным анализом данных и машинным обучением можно на программе профессиональной переподготовки «Специалист по Data Science». Вы начнете с изучения программирования и базовых разделов математики, перейдете к прикладной статистике, классическим алгоритмам машинного обучения, глубинному обучению и работе с большими данными.