«Не учил — не мужик» или как управлять учёными

Михаил Степнов на мемах объясняет тонкости менеджмента AI- и ML-команд.

За всю историю человечества перед менеджерами никогда не стоял вопрос, как управлять учёными. Те всегда обособленно работали в тесном кругу в лабораториях. Даже в IBM в 80-е годы классический R&D был отдельной структурой, в которой происходила непонятная для основного бизнеса дичь.

Наука о данных — до сих пор единственная точка на планете, где так близко соприкасаются исследования и управление. У менеджеров, которые работают в этой точке, есть свои сложности.

В работе с искусственным интеллектом и машинным обучением есть три основных проблемы:

Учёным интересно не то, что интересно бизнесу. Им интересно модель, которая выдаёт точность 99,90%, прокачать до результата 99,95%. Для этого нужно подключить всё своё мастерство. А бизнес смотрит на это и спрашивает: «Хорошо, ты заработал нам дополнительные 500 тыс. рублей. А сколько ты над этим работал? И какая твоя зарплата?».

По-моему, дата-сайентисты, дата-инженеры и дата-аналитики — это уже не IT-, а бизнес-профессии. Ты можешь прекрасно писать код, но если не понимаешь, что происходит в бизнесе, не сможешь обучать модели.

Согласно науке о менеджменте, лучшая модель управления людьми — обычная жёсткая вертикальная иерархия. Проблема в том, что мы себе такого позволить не можем. В первую очередь, из-за того самого разнообразия ролей.

При выстраивании работы надо учитывать, кто менеджер. Здесь, в основном, два варианта:

✔ Бывший эксперт, который вырос до руководителя команды

Такому проще (вопреки всем правилам делегирования) делать всё самому.

Таким руководителям совет: примите менеджмент как науку. Изучите её так же, как вы до того в своих технических институтах учили физику, математику или матан. И если получится отстраниться от своего экспертного майндсета, всё получится.

✔ Менеджер из другой сферы, где он успешно руководил чем-то совсем не похожим на обучение моделей

Первым делом подчинённые заявляют ему: «Модель не учил — не мужик». Это проблема техноснобизма: люди из IT тяжело воспринимают того, кто не круче их в навыках.

Путь изучения ML с нуля отбросим. Разобраться, конечно, полезно, но для выполнения менеджерских задач есть и другой вариант. Начните общаться с людьми. Покажите им, что не претендуете на лавры великого начальника. И не дай бог включить жёсткость!

Важно показать, что вы делаете какую-то работу вместо них: обеспечиваете комфортом, ходите на рабочие встречи. Всё, чтобы они могли спокойно заниматься исследованиями. Станьте начальником детского сада. Строгим, но справедливым.

Я люблю структуру «Каждому тимлиду по проджект-менеджеру». Один отвечает за«что делать», а второй — за «как сделать».

Ни один умный эксперт не хочет заниматься ведением Jira. Ни один проджект-менеджер не сможет придумать, как ему реализовать сложный алгоритм. Но когда они работают в паре, получается красиво. В рекламном бизнесе такие связки как «копирайтер-креативный директор» даже хантят вместе.

Со временем менеджерские схемы меняются, но две из них универсальны — и работают для AI- и ML-команд тоже.

Не сотрудники нужны руководителю, а руководитель — сотрудникам. Чтобы помочь, подсказать, сделать работу комфортнее. И в ответ на это сотрудники выполнят задачи.

Всегда нужно оставаться человеком. Я не кричу на сотрудников. Благодаря этому, если я и поднимаю голос, всем становится предельно ясно, что ситуация критическая. Но чаще доверительный разговор эффективнее. Коллеги не хотят меня подвести.

И ещё немного из моей практики.

У нас посреди офиса стоит PlayStation. Сотрудники могут поиграть и отдохнуть, почти не выпадая из процесса.

Я отпускаю людей, если им надо уйти пораньше. В ответ они проработают дольше, когда надо будет мне.

Если есть возможность, мы повышаем зарплату специалистам до того, как они придут с этим запросом.

И я всегда разговариваю с людьми — это база.