Что общего между броском d20 и проверкой гипотезы? Между походом в таверну за информацией и сбором данных от заказчика? Оказывается, довольно много.
Хабр, привет! Меня зовут Вячеслав Демин, я больше пяти лет работаю в сфере Data Science. Сейчас я руководитель направления аналитики данных в Сбере и эксперт на курсе «Специалист по Data Science» в Яндекс Практикуме. Начинал с этого же курса в 2020 году, после чего работал в сфере страхования и нефтехимии.
А ещё я Dungeon Master в «Подземельях и драконах». В этой статье я расскажу, чем моя любимая игра похожа на мою работу и чем она может полюбиться дата-сайентистам.
Что это за игра
Dungeons & Dragons или «Подземелья и драконы» — настольная ролевая игра, игроки которой собираются в команды и отыгрывают роли своих персонажей, почти как в компьютерных RPG.
Один из участников играет роль рассказчика, его также называют Dungeon Master. Он определяет, как сюжет и мир игры будет меняться в результате действий игроков.
К этому добавляются вероятности, ведь каждый игрок кидает кубик, и это главным образом влияет на успешность его действий.
Cамая главная черта Dungeons & Dragons — это необходимость постоянно принимать решения в условиях неопределённости. У нас, игроков, всегда мало данных, мы не можем наблюдать за всеми внутриигровыми явлениями и процессами. Это роднит игру с Data Science, где нам тоже часто недостаёт информации для принятия решений. Но если присмотреться, можно найти и другие схожие черты.
Квест в Dungeons & Dragons как проект в Data Science
Между процессами в Data Science легко провести параллели с тем, что происходит в Dungeons & Dragons. Вот несколько примеров.
Игровой квест — это та же задача, где нам как дата-сайентистам предстоит решить проблему бизнеса. И в игре, и в работе нам необходимо тщательно спланировать свой путь и действия, чтобы достичь успеха.
Когда мы смотрим в данные, мы будто «спускаемся в подземелье». Мы ничего не знаем, пока не начинаем исследовать — проверять ловушки, смотреть, нет ли пауков и куда ведут следы бандитов (которые, кстати, могут оказаться ложными). Ловушки в работе дата-сайентиста — очевидные ошибки, пауки — баги, следы — данные, а ложные следы — шум в данных.
Когда мы понимаем, как идти к цели, мы продумываем последовательность действий, думая на несколько шагов вперёд. Допустим, мы хотим схватить злодея — тогда нам нужно решить, как сделать это, не причинив вреда и не вызвав гнев других разбойников, ведь они могут прийти за людьми из деревни. В Data Science мы также продумываем алгоритм заранее. И тоже заботимся о людях, в рабочих проектах это пользователи нашего продукта.
Каждый игрок знает, что любое действие имеет последствие. Даже одно попадание в ловушку или засаду может предрешить исход игры. В реальной жизни всё так же — выбирая между решениями, мы должны оценивать, к каким последствиям приведёт каждое из них.
Какие навыки нужны и игроку, и дата-сайентисту
Если вы опытный игрок в Dungeons & Dragons, то у вас есть склонность к работе с данными — и наоборот. Всё потому, что в обеих сферах задействуются похожие навыки.
Умение ф��рмулировать задачи
Представим, что в игре у нас несколько вариантов: убить атамана бандитов, договориться с ним или вовсе проигнорировать. Можно руководствоваться интуицией, а можно спросить у крестьян, что делать, и окажется, что перед нами стоит конкретная задача, у нас есть ограничения и даже критерии успеха. Прямо как в тщательно сформулированной задаче.
В работе дата-сайентиста, как и в игре, также важны все вводные данные — а некачественная постановка задачи приводит, в лучшем случае, к трате времени.
Навык работы с данными
Когда мы начинаем своё приключение, прохаживаясь по улицам, рынкам и тавернам, мы не просто гуляем, а ищем зацепки для прохождения квеста. Например, спрашиваем у прохожих, куда идти дальше. Но полагаться на их ответы можно не всегда — рассказчик может построить игру так, что прохожие будут нам врать и уводить от разгадки.
Так же и в работе с данными. Анализируя их, дата-сайентисту важно спрашивать себя: а это выброс или не выброс? Аномалия или не аномалия? Стоит ли доверять этому источнику? Опытный дата-сайентист встречает любые данные с предубеждением, что с ними что-то не так, — полезный подход и в игре, и в работе.
Умение анализировать вероятности
Каждый квест в Dungeons & Dragons связан с вероятностями, статистической логикой и математическим ожиданием с потенциальной дисперсией, что может пойти дальше. Например, когда мы размышляем, пойти ли по подозрительным следам. Или когда выбираем дорогу между длинным путём по красивому лугу и коротким, но через тёмный лес. Всё, что мы делаем, — это применяем байесовское мышление в попытках проанализировать вероятность бинарных выводов и понять, что сейчас будет.
В работе дата-сайентиста тоже есть такие выборы, причём необязательно в работе с данными. Например, когда мы решаем, дать заказчику быстрый и простой результат или выбить чуть больше времени, чтобы сделать что-то более глубокое и сложное.
Риск-ориентированное мышление
Самая главная опасность в Dungeons & Dragons — это смерть персонажа. Это всегда какое-то личное переживание, кроме того, на этом игра обычно заканчивается. Чаще всего к смерти приводит необдуманное нападение, поэтому в Dungeons & Dragons не принято атаковать в лоб — лучше обойти врага или сразиться с ним, имея какое-то преимущество. И даже это не даёт гарантий, поэтому при нападении важно понимать и взвешивать все риски.
В работе дата-сайентиста мы можем говорить о цене ошибки модели. Если мы утверждаем, что наша модель «качественно предсказывает на 90%», мы должны понимать, 90% на каких данных? Положительные ошибки или негативные? Сколько мы можем потерять в деньгах, времени, других ресурсах, если примем эту модель, допустим, на ближайшие три месяца?
Умение работать итерациями и адаптироваться
В Dungeons & Dragons есть много предсказуемых элементов. Мы знаем, как циклично пройти бой, пообщаться с персонажем или украсть предмет у злодея, и с каждой итерацией действуем чуть продуманнее, чем раньше. Например, на прошлом этапе я узнал, что соседний маг научился кастовать на меня невидимость. Значит, теперь не нужно заботиться о том, что меня обнаружат, главное не чихнуть под носом у врага.
В Data Science роль источников такой информации играют проверки, MVP и прототипы. Каждый тест даёт нам больше информации, из-за чего планы могут меняться от недели к неделе. Дата-сайентисту важно быстро перестраиваться.
Навык командной работы
Dungeons & Dragons — командная игра, где невыгодно быть одиночкой. Ситуации бывают разные, и где-то проявить инициативу может быть хорошим решением. Но в остальных случаях игра без учёта интересов команды может привести к гибели, да и просто не очень ценится за столом.
В работе IT-команды всё так же. Например, нельзя выйти к заказчику с предложением, не согласовав его с коллегами.
Абстрактное мышление
Некоторые рассказчики готовят поле битвы с подробными указаниями, где находятся стены, ловушки, враги и прочие элементы. Но обычно всё происходит проще, и игроки моделируют пространства у себя в голове, начиная с общих концепций и постепенно их усложняя. Дело касается не только локаций — играя, мы, например, пытаемся предсказать, а не поджидает ли нас монстр за очередной закрытой дверью?
В воображении дата-сайентиста также проходят баталии: мы продумываем планы, строим гипотезы, а потом будто ходим фишечкой по тем шагам, что наметили. И всегда загадываем: а что произойдёт дальше?
Дата-сайентисты и классы в Dungeons & Dragons
Класс в Dungeons & Dragons — это профессия персонажа, определяющая его способности, стиль игры, роль в команде и возможности развития. Например, волшебник, бард или изобретатель. В настоящей команде всё чуть сложнее, и вряд ли тот или иной дата-сайентист принадлежит только к о��ному классу, но об этом всегда можно пофантазировать.
В актуальной редакции игры есть 13 базовых классов, остановимся на трёх из них.
Волшебник опирается на свои знания, чтобы создавать магию из ничего. Он долго учился и теперь может разрушать материю, чтобы использовать её для заклинаний. В мире Data Science волшебник — это специалист, занятый в Research and Development. Он тоже много учится и анализирует, чтобы найти новые способы удивить мир.
Бард использует магию через музыку, поэзию или ораторское искусство, особенно эффективен в социальных взаимодействиях. Если к волшебнику добавить барда, мы получим продуктового дата-сайентиста — он достаточно коммуникабельный, чтобы объяснять заказчикам и команде, что нужно сделать, как и почему. Или лид-аналитика, который грамотно и аккуратно проходит путь.
Изобретатель добавляет щепотку магии, чтобы создавать оружие и броню и даже проектировать настоящих механоидов, которые станут его напарниками в ближайшем бою. Совместите черты волшебника и изобретателя — и получите ML-инженера, у которого много знаний и который может «наколдовать» продукт.
На эту тему можно размышлять долго. Например, аналитики — сочетают черты барда и вора (мастера скрытности и точных ударов). А фулстек — это специалист, сочетающий черты самых разных классов.
Зачем дата-сайентисту играть в Dungeons & Dragons
Проходя квест в Dungeons & Dragons, мы так или иначе задействуем все навыки и проходим цикл работы над проектом в Data Science.
Представьте, что мы пошли в лес и встретили оленя. Что будем делать? В стандартном средневековом сеттинге логично на него поохотиться, но вдруг олень и сам от кого-то убегает? Это новая неопределённость, которая усложняет принятие решения, — важно продумать все варианты и их последствия.
Затем мы проходим через череду персонажей, общаемся со стражником, горожанином или, например, лордом. Всё это похоже на защиту перед бизнес-заказчиком. И тут мы тоже встаём перед выбором: дать ли собеседнику всю информацию? Или не всю, а только то, что необходимо для выполнения задания?
Играя в команде, мы хорошо понимаем, за что отвечает каждый из нас. Воин умеет бить. Следопыт хорошо выслеживает и стреляет. Волшебник может творить магию. Жрец спасает жизни. Кажется, из такой команды можно сделать много интересного — прямо как в работе над проектом.
Принимая решения, мы сталкиваемся с последствиями. В игре мы можем потерять репутацию, получить раны и проклятия. В жизни — потерять NPS, оттянуть повышение и премирование. Но везде мы одинаково учимся на ошибках и сокращаем пространство неопределённости, чтобы получать лучшие результаты на следующих итерациях.
Так что, играя в Dungeons & Dragons, мы развиваем всесторонний подход к решению в сложных системах. Не просто выигрываем за счёт математических вычислений или удачи, а анализируем, планируем, взаимодействуем и получаем удовольствие. И, если всё сложится, побеждаем дракона.
