Чему можно научиться в Академии больших данных MADE

Три истории выпускников, которые теперь работают в VK.

В Академии больших данных MADE — образовательном проекте компании VK — обещают прокачать навыки в Data Science и Machine Learning. Отбор на этот поток уже окончен, но попробовать свои силы можно в следующем году. К чему готовиться весь этот год — узнали у тех, кто уже прошёл программу.

Я окончил механико-математический факультет МГУ — и устроился на работу в крупный банк, где занимался разработкой ML-моделей для страховых продуктов. Если коротко, они предсказывали риски возникновения страхового случая и размер ущерба в течение года действия договора клиента.

Я собирал датасеты для моделей и обучал их. После этого модели отправлялись к разработчикам и дата-инженерам, которые встраивали их в продукт. Мне не хватало знаний для вывода моделей в продакшен, и я решил прокачаться в этой области. А заодно улучшить навыки написания кода и укрепить фундаментальные знания о том, какие существуют модели, подходы и задачи в машинном обучении.

Я выбрал Академию больших данных MADE в VK по нескольким причинам.

Чтобы пройти отбор, я освежил в памяти высшую математику: математический анализ, линейную алгебру, теорию вероятностей и математическую статистику. Участие в ML-соревновании далось мне довольно легко, поскольку я работал в сфере машинного обучения. Это позволило получить дополнительные баллы.

А вот обучение было гораздо сложнее вступительных испытаний. Я тратил на него от 15 до 20 часов в неделю. Больше всего времени отнимали домашние задания. Удобно, что все лекции доступны в записи и их можно посмотреть в выходные. Если понимаешь тему, можно это делать в ускоренном режиме. Важно расставить приоритеты. Приходится от чего-то отказываться, но результат того стоит.

Когда закончился первый семестр, я понял, что перерос свою должность, и начал искать новое место. Мне хотелось быть более вовлеченным в продакшен, работать над инфраструктурой вокруг моих моделей.

Еще во время учебы я присоединился к команде VK, и теперь работаю в проекте PREDICT. Наши ML-решения используются, например, для повышения эффективности рассылок по CRM-базе, когда нужно выделить сегмент клиентов, для которых предложение компании наиболее релевантно. Девелоперам они позволяют оптимизировать процесс застройки, помогая определить, какие квартиры в каком районе за сколько продавать. А поставщики электроэнергии с помощью наших ML-моделей могут бороться с убытками из-за вышедших из строя или измененных с целью уменьшения энергопотребления счетчиков.

Чтобы быстрее освоиться, мне пришлось взять академический отпуск — и второй и третий семестр я доучивался после перерыва. В итоге проект, над которым работает моя команда, стал успешным, а я стал руководителем команды. И во многом это результат обучения в Академии MADE — я шагнул сразу на несколько ступеней вверх.

Я шесть лет в МГУ изучал математику, мое образование тесно связано с Data Science, и меня всегда интересовало это направление. В MADE я пришел, потому что хотел погрузиться в эту сферу и рассматривал вариант переквалифицироваться в ML-инженера.

Так получилось, что я параллельно поступал в Академию больших данных MADE и проходил собеседование в VK. В обоих случаях все прошло хорошо. Я получил должность инженера по рекламным технологиям и начал учиться.

Времени иногда катастрофически не хватало: работа занимала 40 часов в неделю, а учеба — 20—25 (при том, что лекции я обычно смотрел в ускоренном режиме). Но у нас на курсе были ребята, которые успевали даже участвовать и побеждать в соревнованиях по машинному обучению.

К моменту выпуска из Академии я вырос с уровня мидл-разработчика до старшего разработчика. Я решил не переходить в ML-инженеры, а применить полученные знания на текущей позиции. Обучение в Академии в любом случае много мне дало. Например, у нас был целый набор курсов о том, как устроена технология работы с большими данными. Ведь машинное обучение — это не только непосредственно обучение модели, но и предобработка больших данных, вся инфраструктура, которую используют не только ML-инженеры, но и бэкенд-разработчики, аналитики. Для меня эти знания были очень ценными, так как они пересекаются с моей работой.

Через несколько лет я стал руководить командой, и здесь тоже было очень полезно знание основ машинного обучения. Ведь большинство сегодня работает в кросс-командах. Например, моя состоит из бэкенд-инженера, ML-инженера и продакт-менеджера. Мы очень активно взаимодействуем, и, конечно, если я знаю специфику работы коллег, нам проще понимать друг друга, потому что мы говорим на одном языке. Руководителям понимание процессов помогает валидировать решения членов команды.

Важно еще, что Академия дает прикладные знания. В процессе обучения я освоил технологии хранения и обработки больших данных Hadoop и Spark, а потом они мне понадобились в работе.

Моя первая специальность — инженер по релейной защите и автоматизации электроэнергетических систем. Получил я ее в УрФУ в Екатеринбурге. После окончания учебы остался в аспирантуре и, когда начал работу над диссертацией, понял, что нужно подтянуть математику. Тогда я поступил в магистратуру по этому направлению. Там я познакомился с машинным обучением — оно в тот момент только набирало обороты: многие уже знали про нейронные сети, но что с ними делать, было еще не очень понятно.

Программированием я интересовался еще со школы, но реализовать этот интерес удавалось только через научные исследования. После знакомства с машинным обучением стало понятно, что это очень перспективное направление и нужно активно развиваться в этой сфере. В этот момент мне очень удачно попалась на глаза реклама Академии больших данных. Тогда я работал в университете и рассматривал эту возможность в первую очередь как хорошее подспорье для будущих исследований.

Первая попытка поступить в MADE оказалась неудачной «по техническим причинам». Я случайно пропустил экзамен по математике. Зато экзамен по программированию сдал успешно, хотя изучать синтаксис Python пришлось в буквальном смысле в процессе, ведь до этого моим основным инструментом разработки был matlab. А через год я справился со всеми отборочными испытаниями — и меня зачислили.

Учиться было непросто. Главная проблема заключалась в том, что я никогда не работал программистом. В первом семестре мне приходилось после каждой лекции тратить дополнительные два-три часа на освоение того минимума, который, по идее, должен быть у студента, а выполнение домашних заданий иногда растягивалось даже не на несколько часов, а на несколько дней. И мне очень повезло, что работа в университете позволяла мне быть гибким и уделять учебе много времени.

Знаю, что многие смотрят лекции в записи в ускоренном режиме. Я же старался смотреть вживую, потому что иначе просто не нашел бы на это времени. Благо начинались они в 21:00 по екатеринбургскому времени — раньше было бы неудобно.

В VK меня привел «Карьерный Тиндер» — небольшой аттракцион, который был частью выпускной недели Академии. Работал он так: в течение часа выпускники и представители команд могли провести несколько десятиминутных бесед, чтобы познакомиться друг с другом. В один из раундов меня соединили с тимлидом небольшой R&D-команды, мы пообщались, а через некоторое время со мной уже связался рекрутер. Я прошел несколько собеседований и присоединился к команде, в которой работаю уже больше полугода, совмещая эту деятельность с работой в университете, где я отвечаю за лабораторию цифрового моделирования.

Наша команда выстраивает и обучает систему продвижения; соответственно, наша задача — сделать так, чтобы система привлекала заинтересованных пользователей с минимальными для студии издержками. В своей работе я постоянно пользуюсь знаниями и навыками, которые получил во время обучения в Академии MADE.