Системна та бізнес-аналітика, штучний інтелект, курси Data Science, відгуки, рекомендації

Я займаюся аналітикою – це непроста спеціальність, до якої я прийшов не одразу. У мережі потрапила реклама Data Science про те, що відкрився новий напрямок - [факультет штучного інтелекту, ШІ]. Я вирішив розпочати навчання.

Мене звуть Олександр Вайншток, і я хотів би поділитись своїм досвідом підвищення кваліфікації. Я займаюся аналітикою — це непроста спеціальність, у якій, як говорила героїня Льюїса Керролла, «потрібно бігти з усіх ніг, щоб тільки залишатися на місці, а щоб кудись потрапити, треба бігти щонайменше вдвічі швидше».

Трохи передісторії

До аналітики я прийшов не одразу. Здобув освіту біохіміка та сходознавця в Нью-Йоркському університеті (ці дві програми я закінчував паралельно), потім — за спеціальністю «фінанси та банки». Коли нам читали курс управління ризиками, мене зацікавили математичні моделі, які кредитні організації використовують для оцінки своїх клієнтів. Нам розповіли про практичне застосування регресії та дерев рішень. Було навіть трохи інформації про нейронні мережі. Я зрозумів, що найбільше у широкій сфері економіки мене цікавить прогнозування та математичне моделювання — можливість через цифри впливати на бізнес-рішення.

Кілька років тому я влаштувався аналітиком ланцюга постачання молодої виробничої компанії. Я був там першим аналітиком. Все почалося з простої аналітики продажу: ми з керівництвом розробили та запустили систему звітності та оцінки, підбирали метрики, збирали інформацію.

Накопичені дані використовували для прогнозування продажу майбутніх періодів. Згодом до моїх прямих обов'язків додалася ще й аналітика виробництва та логістики. Тут потрібно планувати оптимальний обсяг і час замовлення сировини, розраховувати запаси з урахуванням виробничого циклу. Крім того, потрібно було точно визначати, коли надсилати замовлення на виробництво тієї чи іншої продукції. Все це має працювати у зв'язку з продажами, щоб не допустити надлишку товару на складі.

Фактично ми впроваджували ряд елементів системи Kaizen та Lean manufacturing. Не на такому рівні, як, наприклад, у Toyota, але для нашого виробництва цього було цілком достатньо.

Підвищення рівня

2017 року я зрозумів, що традиційних інструментів мені не вистачає. Основним був Excel, і його можливостей було вже мало - були потрібні гнучкіші і потужніші. До речі, підходи Data Science тоді вже були у всіх на слуху і вважалися срібною кулею. Зараз хайп трохи вщух.

Три роки тому я почав шукати в інтернеті доступну інформацію на тему великих даних і Data Science. Хотілося зрозуміти, як все це можна використовувати у моїй роботі.

У мережі потрапила реклама Data Science, факультету Python-розробки. Я зв'язався з менеджером і той відповів мені, що на цьому факультеті готують розробників. Я ж планував залишатися аналітиком, тож тоді відмовився від ідеї вступити на курси. Але через рік мені передзвонили та розповіли, що відкрився новий напрямок — факультет штучного інтелекту. Я вирішив розпочати навчання. Чудово розумів, що сучасний бізнес не зможе існувати без ефективних методів планування та прогнозування, налаштованих рекомендаційних систем, автоматизації всіх можливих процесів. Гарний приклад - Amazon. Ця компанія почала автоматизувати свою логістику з 2009 року. І не тільки вона: наприклад, компанія Linde проектує комплексні рішення щодо автоматизації складської роботи.

Ну а щоб все це правильно налаштувати і пов'язати докупи всі виробничі та логістичні процеси, потрібна вже допомога ШІ-технологій (Штучний Інтелект) — включаючи комп'ютерний зір.

Зміна роботи

Незадовго до вступу на курси я змінив роботу, з навчанням ці зміни не пов'язані. Влаштувався в нову компанію, теж аналітиком, і, навчаючись, почав застосовувати отриманий досвід та знання на практиці. Компанія займається організацією акцій лояльності в мережевому роздробі.

Нам постійно потрібне прогнозування. Він використовуємо аналіз часових рядів. До речі, на нинішньому місці роботи є повноцінний відділ Data Science і мені вдалося взяти участь у тестуванні написаних раніше моделей.

Цікаво, що окрім технічних скилів та знання ШІ-технологій, у цій роботі важливе вміння спілкуватися з людьми. Нерідко доводиться зустрічатися із клієнтами, пояснювати суть процесів. Наприклад, чому ми ухвалили ті чи інші рішення. Все це дозволяє не перетворитися на стереотипного «айтішника» з анекдотів. Розрахунки можуть бути ідеальними, але якщо не донести до колег або клієнта їхній зміст, то немає гарантій, що вони підуть у роботу.

Можу сказати, що мій новий досвід та знання дають можливість працювати там, де жоден проект не схожий на попередній. Тут у кожній новій програмі своя особливість. Як аналітик я займаюся розрахунками, моделюванням та багатьом іншим.

Поради колегам

В ході навчання я прочитав багато цікавих книг. Вважаю максимально корисними ось ці:

1. Wes McKinney - «Python та аналіз даних»;
2. Chris Albon - "Machine Learning with Python Cookbook";
3. Майкл А. Нільсен, Ісаак Л. Чуань - «Квантові обчислення та квантова інформація».

Погляд на розвиток технологій аналізу даних та ШІ

Розповім, як бачу тенденції розвитку технологій аналізу даних та штучного інтелекту. Я помічаю низку паралелей із першою хвилею інформатизації наприкінці 80-х — на початку 90-х років минулого століття. Тоді вміння працювати з ПК вважалося чимось подібним до таємного знання, чи не кожна фірма вважала своїм обов'язком мати в штаті програміста, а самі комп'ютери вважалися чимось на кшталт філософського каменю.

Те саме відбувалося з ШІ та аналізом даних. Технології цієї сфери позиціонувалися як чарівна таблетка для компаній. Сьогодні цей флер таємничості та романтики починає спадати — і це на користь індустрії загалом. При цьому сама сфера аналізу даних нікуди не поділася. Системи, які можна у сенсі назвати штучним інтелектом, знаходять дедалі ширше застосування. А якщо врахувати, що ШІ був практично відкрито призначений одним із пріоритетів розвитку економіки, то можна бути впевненими: ця область лише розширюватиметься.

Так чи інакше бізнесу завжди будуть потрібні фахівці, які вміють витягувати з неструктурованих даних закономірності, які безпосередньо стосуються фінансових результатів компанії. Варто ще враховувати, що у XXI столітті технології розвиваються з неймовірною швидкістю. І якщо сьогодні вам вистачає для роботи умовних ARIMA/SARIMA, завтра ринку може знадобитися щось інше. Тож вчитися треба постійно. Це стосується не тільки ШІ або навіть IT в цілому, а взагалі будь-якої сучасної професійної ніші. Світ змінюється все швидше, тому потрібно відповідати новим реаліям.