В этом материале, переводом которого мы делимся к старту нашего курса по Data Science, автор делится ценными знаниями, полученными за 2,5 года, пока менял профессию. Он перешёл в Data Science из инженеров-автоматизаторов, но считает, что большинство идей в статье применимы к любым изменениям в карьере. Интересно, что во время перехода в Data Science он стал соавтором публикации на ArXiv. Его рекомендации и подробности о развитии карьеры читайте под катом.
Найдите свою страсть
«Стремитесь к своей страсти, и всё остальное встанет на свои места». (Габби Гиффордс)
Это не романтично. Это прагматизм высшего порядка. Я не всегда знал, что хочу стать специалистом в Data Science. На самом деле до начала работы в PayPal я вообще не задумывалась о планировании карьеры. В этом смысле мне очень помог наставник из компании, который побуждал меня задавать себе правильные вопросы и подталкивал к тому, чтобы я сам определял свой карьерный путь. Поэтому мой первый совет — не торопиться и задать себе несколько вопросов:
Что вас мотивирует?
Какие стороны работы доставляют вам самое большое удовольствие, а какие нравятся меньше всего?
Где вы видите себя через год, три года, пять лет?
Если вы сможете найти наставника, сопровождающего вас в самопознании, — будет здорово!
Первые шаги
«Лучше пройти много маленьких шагов на правильном пути, чем прыгнуть далеко вперёд, чтобы оступиться» (Древняя китайская пословица)
Предположим, что ответы на вопросы привели вас к пониманию, что вы хотите изменить карьеру. Теперь важно понять, что такие изменения не случаются мгновенно, они состоят из маленьких шагов. Мой переход занял более 2 лет.
Давайте начнём с самого начала (это лучшее место для начала). Впервые я познакомился с миром Data Science и Machine Learning, когда начал работать инженером автоматизации в Центре продуктов безопасности компании PayPal. У нас была сильная команда по машинному обучению, каждую неделю она проводила сессии, где один человек из команды представлял работу, либо имеющую отношение к его текущему проекту, либо просто интересующую его, вызывающую дискуссию.
Сначала я посещал эти сессии только как слушатель. От сессии к сессии я начал улавливать всё больше понятий. Через несколько месяцев мне предложили самому представить доклад. Я нашёл статью, которая показалась мне интересной, и показал её руководителю группы ML. Авторы статьи опубликовали свой код, поэтому он предложил мне попробовать повторить результаты.
Я быстро понял, что это не такая уж простая задача. Код оказался неполным и не очень хорошо документированным, но это был отличный опыт обучения для меня и первый опыт работы с кодом ML, и я получил возможность понять, как реализуются многие базовые концепции, такие как обратное распространение. Ещё один важный урок, который преподал мне этот опыт, — о важности воспроизводимости в академических исследованиях. Я понял: если что-то написано в статье, это не обязательно правда.
Следующий небольшой шаг, который я сделал, — я вызвался прочитать внутренний вводный доклад по обучению с подкреплением (помогло это). Не потому, что тогда я что-то знал о Reinforcement Learning, просто мне это показалось очень интересным: примерно в то же время выпустили AlphaGo Zero. Я считаю, нет лучшего способа учиться, чем учить, поэтому для меня доклад стал прекрасной возможностью узнать об этой теме.
Будьте настойчивы
«Успех — это сумма небольших усилий, повторяющихся изо дня в день» (Луис Сачар)
Тогда я уже понял, что это путь, по которому я хочу идти, и начал активно заниматься самообразованием. Прошёл замечательный курс Эндрю Ына Machine Learning, а затем специализацию глубокого обучения Deep Learning от deeplearning.ai, читал посты в блогах и статей, следил за влиятельными исследователями и практиками в Twitter и LinkedIn, подписался на [источники о] Machine Learning и Deep Learning DL, ходил на встречи и даже слушал ML-подкасты во время уборки дома.
Я был полон решимости сделать всё, что в моих силах, чтобы поставить себя в такое положение, когда я буду готов реализовать предоставленную возможность.
Каждый вечер, как только мои дети засыпали, я открывал ноутбук и занимался. Отдельное спасибо моей замечательной жене, которая терпела меня в это время.
Такие занятия стали привычкой примерно на 2 года. Но этого недостаточно. Чтобы изменить любую карьеру, лучше всего заручиться поддержкой руководителей, а это подводит к следующему пункту.
Будьте откровенны в своих карьерных устремлениях
«Мир сговорится с вами на вашем карьерном пути, если вы попросите» (Шри Шивананда, технический директор PayPal)
Мне повезло, что я работаю в компании, которая всячески поощряет развитие личности. Это не то, что разумеется само собой. Даже если к вам относится то же самое, не думайте, что окружающие догадаются о ваших стремлениях и что всё произойдёт само собой. Вы должны дать людям возможность помочь вам. Как только окружающие узнают о ваших стремлениях, возможности, вероятно, начнут появляться сами собой.
Используйте любую возможность
Особенно если чувствуете, что это вызов и вы ещё не готовы к нему. Это именно тот опыт, который больше всего поможет вам расти.
«Если кто-то предлагает вам удивительную возможность, но вы не уверены, что сможете всё сделать, скажите «да» — а потом научитесь делать это позже!» (Ричард Брэнсон)
Мне посчастливилось заручиться поддержкой моих руководителей, а также поддержкой и руководством лидера группы Machine Learning в то время, что позволило мне принять участие в нескольких проектах с этой группой помимо работы в качестве инженера по автоматизации. Мне предоставили возможность принять участие в исследовательском проекте в рамках сотрудничества между Университетом Бен-Гуриона и PayPal Security Product Center. Проект относился к сфере AI Planning.
Мне довелось участвовать в эмпирических экспериментах и даже стать соавтором статьи ArXiv.
Ещё одним значимым опытом за это время стало наставничество группы из 4 стипендиатов Israel Tech Challenge во время их 5-недельной стажировки в рамках проектной фазы программы. Целью проекта было использование ML для статического анализа сетевого трафика и определения происхождения трафика (физическая машина, виртуальная машина или контейнер Docker). Мы получили неплохие результаты и даже подали патент на эту идею. Не было никаких шансов, что я получил бы эти удивительные возможности, если бы не рассказал менеджерам о своих амбициях!
Засучите рукава
«Знаний недостаточно; мы должны применить их. Желания недостаточно; мы должны действовать» (Иоганн Вольфганг фон Гёте)
Как только вы почувствуете, что освоили основы, займитесь практикой. Настоящая экспертиза достигается через практику. Каждый раз, когда вы изучаете новую концепцию, постарайтесь действительно «запачкать руки» и поиграть с кодом. Kaggle — это отличная платформа, чтобы получить практический опыт, и я настоятельно рекомендую её. Для тех, кто не знает, Kaggle — это принадлежащее Google активное онлайн-сообщество специалистов Data Science и ML. Сообщество очень благосклонно относится к новичкам.
Совет в приобретении практического опыта: найдите сообщника — человека, который тоже увлечён предметом и может сопровождать вас в обучении. Если вы вместе определите цели или этапы обучения, то оба будете менее склонны к тому, чтобы срезать углы или пропустить практический аспект обучения. Также всегда полезно обрести соратника, с которым можно поделиться идеями или посоветоваться, если вы столкнулись с проблемой.
Для меня таким человеком стал коллега и друг, уже несколько лет работавший дата-сайентистом и исследователем безопасности в другой команде. Мы участвовали в соревнованиях Kaggle после рабочего дня.
Мы занимались прошлыми конкурсами, а через несколько месяцев перешли к реальным. Нам удалось получить 3 медали (2 бронзовых и 1 серебряную) на первых 5 реальных соревнованиях, это свидетельствует о том, что не стоит бояться вступить в игру и начать практиковать свои недавно полученные навыки. Самое приятное на Kaggle — там проводятся разнообразные конкурсы в различных областях, а это значит, что вы всегда сможете найти конкурс, который заинтересует вас или как-то связан с нынешней работой. Опираясь на опыт в своей области, вы сможете вырваться вперёд.
Не ждите идеального момента
«Если мы станем ожидать, пока будем готовы, ждать мы будем всю оставшуюся жизнь» (Дэниел Хэндлер, «Лиловый лифт»)
Всегда есть чему поучиться. Не ждите момента, когда почувствуете, что готовы к переходу, потому что этот момент может никогда не наступить. Всегда будут появляться новые алгоритмы, новые массовые открытые онлайн-курсы, которые вы можете пройти, новые библиотеки, которые нужно знать, и новые навыки, которые нужно приобрести. Мы живём в эпоху, когда технологии постоянно меняются и развиваются и когда природная любознательность и способность к самообучению важнее любых конкретных навыков. Прийти к этому мне помог наставник, во время одной из сессий просто спросивший меня:
«Чего ты ждёшь? Что удерживает тебя от отправки резюме на должности в области Data Science?»
Он был прав. Тогда я уже интенсивно учился около 2 лет и имел достаточный практический опыт, на который я мог положиться на любом техническом собеседовании. Я решил последовать совету и, при поддержке руководителя, начать проходить внутренние собеседования на связанные с наукой о данных должности. Вскоре после этого я присоединился к своей нынешней команде как Data Scientist и исследователь безопасности!
Заключительные замечания
Этот совет основан на моём личном опыте. Это то, что сработало для меня. Правильного или неправильного пути нет, когда речь идёт о карьерных переходах, и я считаю, что каждый человек должен попытаться найти собственный путь. Распространено представление о том, что когда вы круто меняете карьеру, то, по сути, начинаете с чистого листа. Я в это не верю.
Возможно, вы вступаете в новую сферу деятельности, но это не значит, что весь ваш прошлый опыт становится неактуальным, например, благодаря моему опыту в разработке ПО я хорошо разбираюсь в том, как писать модульный и переиспользуемый код, в системах контроля версий и непрерывной интеграции. Мой опыт автоматизации ПО также вносит большой вклад в повседневную работу и даёт мне уникальную точку зрения на работу, которой может не хватать «традиционному» специалисту Data Science. К примеру, я очень увлечён применением стандартов качества, присущих «традиционной» разработке ПО, в мире машинного обучения (модульное тестирование, валидация данных и т. д.) и выступал с речью об этом на PyconIL. Это означает, что вы должны осознавать свои сильные стороны, уникальные перспективы и возможности, которые привносите в работу. Разнообразная в команде — это её сила.
А когда вы приходите на любой наш курс, то получаете многие преимущества, что были у автора статьи, немного в другой форме. Например, курс по Data Science также занимает два года, все курсы созданы практикующими специалистами высокого класса и дают структурированные, системные теоретические знания, которые подкрепляются большим количеством практики: это 20 % процентов теории и 80 % реальной работы. Также на курсе мы поддерживаем мотивацию и не оставляем вас после него: у нас есть карьерный центр, где вы сможете поработать с HR. А если вы поняли, что конкретный курс не очень подходит именно вам, мы подберём другие варианты; здесь вы можете узнать, как освоить другие профессии, например аналитику данных, или прокачать ваши навыки:
Machine Learning, Data Science и Python
Веб-разработка
Мобильная разработка
Java и C#
От основ — в глубину
А также:
