Советы от практиков, как вкатить в ML/DS, если вы еще этого не сделали.
Рынок труда в 2024 году
На связи команда курсов Data Science OTUS. В данной статье Product Manager Мария Кузьмина собрала аналитические выкладки c hh, бизнес-секреты от Tinkoff и комментарии профессионалов о том, что они думают о специфике рынка труда в Data Sciencе/ML, а также какой стек нужен для разных позиций.
Мария Кузьмина
Product Manager курсов Data Science в OTUS
Согласно прогнозу американской консалтинговой компании Gartner, мировые расходы на информационные технологии в 2024 году увеличатся на 8% и составят порядка 5,1 трлн долларов. Это говорит об очередном повышении спроса на ИТ-специалистов в мире и росте профильных вакансий на рынке труда. А среди языков программирования 1‑е место в области Data Science / ML Engineering занимает Python.
На российском рынке труда, есть хорошие новости для кандидатов из возрастной группы 35+. Ситуация в России в 2023 году характеризовалась значительным дефицитом кадров, который связывают в том числе с последствием демографического спада 90-ых годов. Уровень дефицита достиг максимальных значений за всю историю наблюдений, с hh.индексом опустившимся до 3,1 пункта. Количество вакансий увеличилось на 76% по сравнению с началом 2021 года, в то время как число резюме за этот же период выросло всего на 15%. Рекрутеры прогнозируют и рекомендуют компаниям расширять привычную воронку найма и смотреть на кандидатов вне определенных негласных стереотипов даже в ИТ сегменте.
Средняя зарплата российского специалиста по Data Science / ML enginer / Аналитика-разработчика варьируется от 115 до 180 тысяч рублей, причем джуниоры зарабатывают от 60 до 80 тыс. руб., миддлы — от 100 до 250 тыс. руб., а синьоры — от 250 тыс. руб. и выше. Ведущие специалисты с опытом около 5-6 лет могут зарабатывать до 400-500 тыс. рублей в месяц.
Что учесть при переходе в Data Science?
«При переходе в DS я бы посоветовал учесть несколько критериев:
1. Зачем вам нужен DS? Вас привлекает работа с данными, построение моделей, соприкосновение с ИИ, работа над бизнесовыми задачами или просто зарплата? Нужно понять, почему именно Data Science, а не смежные профессии Аналитик данных/Инженер данных/Бизнес аналитик и т.п. Это позволит вам сэкономить много времени и усилий.
2. Какой бэкграунд для DS / ML у вас уже имеется? Знания программирования, статистики и понимание бизнес-задач сильно упростят вам переход в новую область. Если таких знаний нет, то нужно для себя решить, есть ли у вас силы и желание на перекатку в DS.
3. Есть ли у вас знакомые из этой сферы? Если знакомые есть, то это сильно упростит ваш путь, если нет, то лучше их найти.»
Евгений Романов (Data Scientist, Газпромбанк)
«Менторинг очень помогает выбирать направления для образования и не буксовать, но, думаю, менторинг не замена обучению. Так, например, моя жена прошла курсы известной EdTech компании на питон бекендера, но по итогам оказалась не готова к поиску работы. Дело сдвинулось только когда мы нашли ей девушку-ментора, которая её теперь направляет (и хвалит).
Пообщаться с кучей людей и найти того, с кем есть совпадение
Если речь идет про DS, надо постоянно и много учиться. Мне кажется, у нас с этим сильно жестче, чем в обычном софте.»
Борис Цейтлин (Senior ML-специалист, Planet Farm, автор канала https://t.me/boris_again)
Как искать свою первую работу в Data Science?
«Зачастую под вакансией Data Scientist может скрываться очень много вариантов, всегда читайте какие задачи вам предстоит решать. Иногда чисто аналитические задачи рекрутеры оборачивают в позицию Data Scientist, и наоборот есть вакансии Аналитик-разработчик с задачами по ML.»
Мария Тихонова (PhD Computer Science, руководитель курса NLP, со-руководитель курса Machine Learning в Otus, Senior Data Scientist SberDevices, автор канала https://t.me/mashkka_ds)
«Я сделала переход из одной профессии (инженера и репетитора по математике) в Data Science в 30 лет. Самым сложным было перейти с начальных позиций на уровень миддл. Я начинала с более исследовательской работы, довольно легко поступила в аспирантуру. Когда стала проходить собеседования, почти всегда доходила до финала, но в итоге мне говорили, что нашли человека с более релевантным опытом. В общем не везде берут без опыта в продакшн, даже если направление DS твое.»
Вероника Иванова (Data Scientist, Домклик)
«Уровень прохождения интервью в российских компаниях значительно сложнее уровня в европе. И в России этапов в среднем больше.
Зато в России от подачи заявки до потенциального старта может пройти всего 2 недели, а в западных компаниях, если всё быстро, то 3 месяца.
Пример: я провёл первое собеседование в конце июля 2023, а начал работать с 1 декабря. (В своей оценке я не учитываю языковой барьер, т.к. у меня два родных языка (русский и немецкий) и английский C1.)»
Андрей Коняев (Data Scientist (NLP))
«Так уже вышло, что у меня нет профильного образования. Я закончил юрфак и DS-ом занимался на отдельных учебных курсах ФКН ВШЭ. Потому мой опыт получения первой работы не вполне «каноничный». Могу сказать, для того, чтобы получить первую работу, нужно иметь хоть какие то минимальные контакты с людьми, которые могут тебя порекомендовать, так хотя бы будет возможность проходить собесы, а не получать отказы еще на этапе рассылки резюме. Мой опыт самостоятельного поиска работы показывает, что дело это гиблое и неблагодарное при отсутствии образования и опыта работы.
Еще: легче сразу на джуна подаваться, чем на стажера. Стажером меня так никуда и не взяли даже после собесов нормальных, а джуном взяли)).»
Артем Червяков (Data Scientist, SberDevices)
Какая проблема у выпускников ВУЗов для поиска работы в Data Science / ML ?
«Выпускники обычно несут в голове набор того, что и где посмотреть. Но, почти во всех случаях, люди плохо понимают куда применять математику. Вообще, на мой взгляд, огромная проблема, что студентам дают неплохие теоретические знания в математике, но при этом не показывают как ее можно применять. В результате, математика кажется им скучной, неинтересной и непонятно зачем она нужна. И главное, они не понимают где и как ее применить. Вот этому и приходится учить студентов.
Люди приходят после ВУЗа — они слышали о математике и в принципе помнят (первые несколько лет) где можно уточнить. Если в период 2-3 года после ВУЗа человек не начинает ее применять — то все, считай надо заново учить, а такую роскошь, как учить человека полгода-год могут позволить только компании, которые не смотрят на эффективность — т.е это госсектор.
Зачастую проблема российских ВУЗов — очень теоретическая подготовка студентов. И очень устаревшая программа обучения. Преподаватели базируются на своем опыте, который чаще всего устарел еще 20 лет назад. Этому и учат студентов, потому что другому не умеют.
Нет связи программы обучения с актуальной практикой применения этих знаний в мире, поэтому огромное число людей не работает по специальности — потому что эта специальность есть сферический конь в вакууме — она не применима к реальным задачам.»
Игорь Стурейко (к.ф.-м.н, руководитель курса Reinforcement Learning, со-руководитель курса Machine Learning в Otus, ex-Senior Data Scientist, НИИ Газпром)
Что самое сложное и интересное в профессии Data Scientist?
«Самое интересное в DS сегодня, что это ключевая технология, которая приходит в мир вот здесь и сейчас, в последнее десятилетие. Как когда-то пионеры ИТ создавали интернет, смартфоны, операционные системы. Мы сейчас можем создавать новую экосистему на основе ИИ сервисов. Тут все меняется слишком быстро. Каждый день физически чувствуешь, что устареваешь. Появляются новые модели, подходы, статьи. С другой стороны круто, что есть фундаментальные и незыблемые вещи, модели которые навсегда с тобой и ты можешь их применить очень много куда.
Свободное поле — иди и улучшай мир ML-сервисами. Реальный бизнес, как динозавры бегают с тетрадкой и карандашом, в лучших случаях с экселем и 1С. Интересно, что всегда есть куда развиваться, что надо бежать быстро, чтобы не зарасти мхом. С другой стороны ты всегда защищен — работа есть и работы будет много, даже если в какой-то момент ты устанешь и отстанешь.
DS это круто, это интерес и драйв. Это как вызов, но ты знаешь, что у тебя всегда хватит сил его принять и преодолеть.
При этом всегда быть на острие новейших технологи сложно. Мы тратим 90% нашего времени на работу — то что надо бизнесу здесь и сейчас. Поэтому на острие будут ресерчеры, а ремесленники от индустрии будут клепать 125-ю модель в том, что уже исхожено сто раз, но надо улучшить метрики на 1%.
Чтобы быть на острие, надо или много свободного времени или работать в интересном месте, где это острие и есть часть бизнеса. Поэтому мой совет — идти работать в интересные места. Я сейчас работаю в Сбере и это как раз такое место.
С другой стороны — прямо успешных и фундаментальных вещей за год происходите не так уж много, ну в лучшем случае несколько десятков.
Это не сложно отследить. Можно следить за 2-3 отраслевыми блогами, например в NLP (языковом моделировании), CV (компьютерном зрении), генеративных технологиях. И тогда новинки не пройдут мимо вас.
Есть отраслевые конференции — от Сбера, Яндекса, ODS. Достаточно просматривать их, хотя бы знать терминологию, достижения, а вашу отрасль копать глубже — пробовать руками модели, фреймворки, подходы.
Надо чтобы это было вашим хобби, а не только работой.»
Александр Брут-Бруляко (к. э. н, Senior Data Scientist, SberDevices )
Этапы карьерного роста 2024
Стажер (Intern) и/или Junior Data Scientist / ML-инженер / Аналитик-разработчик:
Глубокое понимание теории вероятностей и математической статистики на основе которой построен Machine Learning.
Python-библиотеками для Machine Learning: pandas, numpy, matplotlib, seaborn, scipy, sklearn.
A/B тестирования.
Git (не коммитить сразу в master).
Основы ML: ансамбли моделей, метод ближайших соседей, линейной регрессии.
SQL (простые и оконные функции)
Опыт: без опыта, желательно иметь пет-проект, опубликованные статьи на тему ML, наполненный репозиторий на github.
Как готовиться к интервью: тренироваться на Leetcode, изучать специфику компании, проходить мок-интервью с менторами.
Как откликаться на вакансии: ищете контакты в Libkedin, развивайте net-work, ищите рефералов в крупных компаниях (кто готов вас порекомендовать), обращайтесь к менторам по поиску работу на getmentor или solvery.Junior + Data Scientist / ML-инженер / Аналитик-разработчик:
Знания основ ML, указанной выше.
Знание методов автоматической работы с текстом (One-Class SVM, Isolation Forest, ).
Знание методов построения рекомендательных систем (SVD, ALS, RecSys recap, Surprise).
Знание прогнозирования временных рядов (ARIMA-модель, Dynamic Time Warping).
Владение PyTorch.
Понимание методов градиентного спуска, задач классификации, методов опорных векторов, обучение с учителем и без учителя.
Опыт: опыт от 1 года и больше.
Как готовиться к интервью: тренироваться на Leetcode, тренировать самопрезентацию по проектам, повторять базу, изучать специфику компании, проходить мок-интервью с менторами.
Как откликаться на вакансии: ищете контакты в Linkedin, развивайте net-work, ищите рефералов (кто готов вас порекомендовать).Middle Data Scientist t / ML-инженер:
Знания основ ML, указанных выше.
Специализация в ML на Компьютерном зрении / NLP / RL / понимание MLOps.
Знание Docker, Kubernetes.
Опыт: опыт от 3 лет и больше.
Как готовиться к интервью: тренировать самопрезентацию по проектам, повторять базу, изучать специфику компании, проходить мок-интервью с менторами.
Как откликаться на вакансии: ищете контакты в Lnkedin, развивайте net-work, ищите рефералов (кто готов вас порекомендовать).Senior Data Scientist / MLOps engineer / ML Engineer:
Руководство проектами в области Data Science, разработка сложных моделей, внедрение инновационных решений. Сеньоры часто участвуют в стратегическом планировании, менторстве младших специалистов и представлении компании на профессиональных форумах.
Кроме глубоких технических знаний, требуются управленческие навыки, умение строить эффективные процессы и команды.
На этом этапе профессионал должен не только владеть техническими аспектами, но и обладать стратегическим видением, способностью вести за собой команду.
Опыт: от 6 лет.
Откликаться и готовиться аналогично.
Полезно преподавать, практиковаться в публичных выступлениях.
Up-skilling и re-skilling образование
Выбор профессии и рост в ней, как и смена карьерного пути — это серьезный и сложный путь и идти по нему стоит в классной компании под наставничеством неравнодушных преподавателей.
В линейке курсов Data Science от OTUS для действующих специалистов будет интересны курсы:
Natural Language Processing (парсинг, обработка текстовых данных и создание чат-ботов).
Reinforcement Learning (обучение с подкреплением с практикой на фондовом рынке, робототехнике и gamedev).
Computer Vision (все про нейросети и компьютерное зрение).
Для аналитиков и программистов:
Для тех, кто меняет или только выбирает профессию:
Machine Learning Специализация — годовой курс с 0 и до уверенного Junior+.
