Как мы придумываем задачи для обучения классных ML-специалистов

Нельзя просто взять и вставить в учебный курс рабочую задачу из жизни — слишком сложно, страшно, непонятно... Или всё-таки можно? Для программ karpov.courses мы перерабатываем реальный опыт практиков в обучающие задания. И вот для чего.

Привет! Меня зовут Даша, я лид продуктовой команды из karpov.courses.

Сегодня расскажу, откуда мы берём задачи для курсов:

• Как эксперты становятся преподавателями
  
• Как мы переносим реальные рабочие задачи в упражнения на курсе
  
• Пример: учим принимать решения
  
• Почему полезно учиться на симуляторах
  
• Обучение идёт по спирали
  
• Может быть сложно
  
• Заключение

Когда появляется идея определённого курса, мы изучаем, какая профессия на рынке сейчас востребована. Потом консультируемся с профессионалами, действительно ли так на практике.

На этапе разработки тщательно отбираем преподавателей. В каждой области компетенций появляются свои эксперты, и наша задача — найти их. На что мы смотрим:

• В какой компании работает эксперт. Дело не в бренде, а в том, чём сильна компания. Важно передавать знания от компаний, которые задают тренды в индустрии.
• Как подходит к своей работе. Для нас важно, чтобы эксперт не просто выполнял свои рабочие задачи, но и создавал новые идеи. Например, наш преподаватель Валерий Бабушкин — один из тех, кто закладывал тренды machine learning в России.

Иногда на опыте эксперта может строиться целый учебный курс, и мы помогаем таким ребятам с hard-скилами перенести их технические навыки в образовательный опыт.

Чтобы опыт эксперта хорошо лёг на обучение, у нас работает команда методистов. Например, методист приходит к эксперту и узнаёт, что конкретно он делал в свой первый рабочий день в банке. Эксперт перечисляет задачи и нужные для них навыки. Методист перекладывает это на образовательный материал.

Например, если ученик хочет стать аналитиком данных, он должен уметь работать с SQL, чтобы эффективно извлекать, анализировать и визуализировать данные из базы данных — это нужно для принятия стратегических решений.

Мы стремимся делать курсы максимально прикладными. Поэтому от реальных задач эксперта отталкивается весь образовательный процесс:

• теория
• небольшие квизы для отработки теории сразу после пройденного
• задания на виртуальных тренажёрах и симуляторах, чтобы отработать материал как следует
• промежуточный и финальный проекты

На курсе «Принятие решений на основе данных» мы учим тех, кто не погружается в данные глубоко и чья основная компетенция — это управление, начиная от команды и процессов и заканчивая финансами и бизнесом в целом. Мы обучаем, как внедрять подход data driven с помощью инструментов аналитики и data science, исходя из цели обучения студента и бизнес-целей компании.

Преподаватели на курсе делятся своим опытом. На примерах из ритейла и FMCG рассказываем, как понять, стоит ли масштабировать новый канал продаж и приносит ли он прибыль. Делимся секретами, как лаборатория машинного обучения помогла «Альфа-Банку» заработать 1 миллиард чистого операционного дохода.

Пример задачи с курса

Вы управляете контактным центром крупной компании. Компания активно растёт, с ростом клиентской базы растёт число входящих обращений.

Руководство поставило задачу: снизить издержки на обслуживание клиентов за счёт частичной автоматизации. Достоверно известно, что машинное обучение для оптимизации вашего подразделения не использовалось, при этом компания каждый день накапливает гигабайты качественных данных уже более 2 лет.

Сформулируйте 3 задачи анализа данных, которые помогут решить задачу.

Может показаться, что на симуляторах не получится отработать задачи бизнеса, но это не так. В Симуляторе ML есть подборка приближённых к реальности бизнес-задач по разным темам с частыми проблемами. Как это происходит:

• студент выбирает задачу,
• погружается в бизнес-контекст,
• изучает необходимую для решения задачи теорию,
• приступает к решению задачи,
• сдаёт код на проверку нашей проверяющей системе,
• получает подробную обратную связь.

Если у студента во время решения задачи есть трудности, он всегда может обратиться к AI-боту или экспертам. А ещё решение таких кейсов идеально впишется в портфолио junior-специалиста.

Поскольку большинство наших студентов — взрослые люди и последний раз учились достаточно давно, им бывает сложно влиться в процесс заново. Поэтому обучение начинается с чего-то простого.

Затем теория усложняется, количество практики увеличивается и иногда возвращает к тому, что проходили ранее. На протяжении всего процесса нужно развивать мелкие навыки и прорабатывать задачу с разных сторон. В итоге это помогает подступиться к технически сложной задаче.

Поэтому весь процесс похож на спираль: обучение закручивается от простого к сложному.

У нас есть бесплатные демоверсии: человек может попробовать свои силы и оценить, подходит ему обучение или нет. Ещё есть бесплатные курсы — круто, если студент пройдёт какой-то из них до старта основного обучения и придёт с базовыми знаниями.

Мы открыто говорим, что студента ждут сложные задачи и материи. Нужно будет делать много технических манипуляций: решать задачи на симуляторах, писать код, работать с обратной связью от преподавателя. Что получит студент взамен:

• Каждое задание основано на настоящей, рабочей задаче. То, что студент решает на обучении, будет в сфере его компетенций внутри профессии.
• Решённые задачи можно будет упаковать в портфолио и показать работодателю.

А ещё бывают ситуации, когда студент заходит в тупик — технически или психологически. Поэтому мы сопровождаем студентов на всей дистанции, чтобы помочь им решить любые проблемы, но при этом не давать прямых подсказок и позволить развиваться самостоятельность. Как это происходит, рассказали в статье «Страх и возмущение в Data Science: как мы помогаем будущим аналитикам успешно завершать обучение».

Мы выстраиваем процесс на основе реальных задач специалистов и развиваем прикладные компетенции.

Так после обучения студенты могут трудоустроиться, успешно работать и получать из своих навыков как можно больше практической пользы.