«Курс по машинному обучению я доделывал в хижине на Эльбрусе». Дата-сайентист Анатолий Карпов — о работе в IT и современных методах образования

Дата-сай­ен­тист Ана­то­лий Кар­пов окон­чил пси­хо­ло­ги­че­ский фа­куль­тет СПб­ГУ, пре­по­да­вал ста­ти­сти­ку, ра­бо­тал ана­ли­ти­ком во «ВКон­так­те», а сей­час пе­ре­ехал в Моск­ву и за­ни­ма­ет­ся ана­ли­ти­кой в от­де­ле ре­кла­мы Mail.ru. Ана­то­лий — ав­тор несколь­ких по­пу­ляр­ных он­лайн-кур­сов по ма­те­ма­ти­че­ской ста­ти­сти­ке и ана­ли­зу дан­ных. Он рас­ска­зал «Цеху», как при­шел в про­фес­сию, где учил­ся и ка­кие пер­вые шаги се­го­дня сто­ит де­лать на­чи­на­ю­щим дата-сай­ен­ти­стам.

«Еще 20 лет на­зад невоз­мож­но было пред­ста­вить, что че­ло­век мог чему-то на­учить­ся вне уни­вер­си­те­та»

Я учил­ся на фа­куль­те­те пси­хо­ло­гии, и сна­ча­ла ни­что не пред­ве­ща­ло ра­бо­ты в IT-сфе­ре. Впро­чем, пси­хо­ло­гия бы­ва­ет раз­ная: есть на­прав­ле­ния, ко­то­рые ре­ша­ют при­клад­ные за­да­чи, — это пси­хо­ло­ги­че­ское кон­суль­ти­ро­ва­ние, а есть ака­де­ми­че­ская пси­хо­ло­гия, куда вхо­дит ста­ти­сти­ка, ана­лиз дан­ных и про­грам­ми­ро­ва­ние. В про­цес­се обу­че­ния меня все боль­ше ин­те­ре­со­ва­ли имен­но ака­де­ми­че­ские ис­сле­до­ва­ния. У нас на пси­х­фа­ке был слож­ный курс «Ме­то­ды ма­те­ма­ти­че­ской мо­де­ли», ко­то­рый силь­но всех на­пу­гал. Я же во всем разо­брал­ся, на­чал объ­яс­нять ма­те­ри­ал на­шим ре­бя­там и со вре­ме­нем по­нял, что мне это даже нра­вит­ся.

Мой хо­ро­ший друг в то вре­мя от­кры­вал для сту­ден­тов про­грам­му по обу­че­нию био­ин­фор­ма­ти­ке и ис­кал пре­по­да­ва­те­ля по ста­ти­сти­ке. Он мне по­зво­нил и спро­сил: «Толя, ты ста­ти­сти­ку зна­ешь?». Я от­ве­тил, что нет. То­гда он про­дол­жил: «Пе­ре­фор­му­ли­ру­ем во­прос: ты курс по ста­ти­сти­ке смо­жешь про­чи­тать?». Я со­гла­сил­ся, и в ито­ге этот опыт дал мне мно­гое. Са­мый пра­виль­ный спо­соб чему-то на­учить­ся — на­чать учить дру­гих. За­ня­тия в ин­сти­ту­те про­хо­ди­ли раз в неде­лю: пе­ред каж­дым уро­ком я го­то­вил­ся, пол­но­стью раз­би­рал темы, а по­том с непод­дель­ным вос­тор­гом рас­ска­зы­вал ре­бя­там ба­зо­вые вещи про ста­ти­сти­ку и ана­лиз дан­ных.

Спу­стя неко­то­рое вре­мя мне пред­ло­жи­ли прой­ти со­бе­се­до­ва­ние на по­зи­цию ана­ли­ти­ка «ВКон­так­те». Я дол­го не ре­шал­ся: в этой со­ци­аль­ной сети ра­бо­та­ют са­мые хард­кор­ные ре­бя­та, а я за­ни­мал­ся IT по­столь­ку-по­сколь­ку и чув­ство­вал себя са­мо­зван­цем. Со­бе­се­до­ва­ние про­шло до­воль­но ожи­да­е­мо: я хо­ро­шо от­ве­тил на все во­про­сы по ана­ли­зу дан­ных и ста­ти­сти­ке, но пла­вал в про­грам­ми­ро­ва­нии. Тем не ме­нее, ре­бя­та, ко­то­рые со мной раз­го­ва­ри­ва­ли, ре­ши­ли дать мне шанс. По­сле это­го я про­хо­дил еще несколь­ко эта­пов со­бе­се­до­ва­ния, де­лал те­сто­вые за­да­ния, не спал но­ча­ми (боль­ше от пе­ре­жи­ва­ний), но в ито­ге стал ана­ли­ти­ком в ко­ман­де биз­не­са и ре­кла­мы.

©

ВКонтакте

---

Пер­вые несколь­ко ме­ся­цев было очень тя­же­ло. Си­ту­а­ция, ко­гда все во­круг ум­нее тебя, по­лез­на для раз­ви­тия и при­об­ре­те­ния но­вых на­вы­ков, но эмо­ци­о­наль­но это нелег­ко. Моя ко­ман­да все­гда была го­то­ва по­мочь, но ино­гда я чув­ство­вал, что они не по­ни­ма­ли, в чем моя про­бле­ма, для них это были оче­вид­ные вещи. В то вре­мя, в 2017 году, нас было все­го пять че­ло­век, во «ВКон­так­те» ца­ри­ла ат­мо­сфе­ра стар­та­па. Мы все были и ана­ли­ти­ка­ми, и раз­ра­бот­чи­ка­ми — на эн­ту­зи­аз­ме вы­тас­ки­ва­ли та­кие за­да­чи, ко­то­рые ре­ша­ют обыч­но че­ло­век 50. За вре­мя ра­бо­ты в соц­се­ти я по­нял, как устро­е­ны мно­гие про­цес­сы в IT-ко­ман­дах, и в ка­кой-то мо­мент ре­шил боль­ше вре­ме­ни уде­лять сво­им про­ек­там. Недав­но я пе­ре­ехал в Моск­ву и на­чал ра­бо­тать ана­ли­ти­ком в от­де­ле ре­кла­мы Mail.ru.

Моя ис­то­рия — хо­ро­ший при­мер еще од­но­го ме­то­да обу­че­ния: сра­зу сфор­му­ли­ро­вать за­да­чу и на­чать дей­ство­вать. На­при­мер, твоя цель — на­учить­ся де­лать что-то в Python. За­прос уже сфор­ми­ро­ван, даль­ше мож­но взять несколь­ко кур­сов, где раз­би­ра­ют эту тему, но не про­хо­дить их пол­но­стью, а по­смот­реть толь­ко то, что тебе ин­те­рес­но и важ­но. Я, на­вер­ное, изу­чил все кур­сы по про­грам­ми­ро­ва­нию на Stepik, Cours­era и EdX, но ни один из них не про­шел до кон­ца.

Я сме­нил про­фес­сию бла­го­да­ря он­лайн-об­ра­зо­ва­нию. Еще 20 лет на­зад невоз­мож­но было пред­ста­вить, что че­ло­век мог чему-то на­учить­ся вне уни­вер­си­те­та. С по­яв­ле­ни­ем круп­ных про­ек­тов в он­лайн-об­ра­зо­ва­нии мож­но стать очень кру­тым спе­ци­а­ли­стом, не имея выс­ше­го. В IT-ин­ду­стрии этим уже ни­ко­го не уди­вишь: на­при­мер, Сева Жид­ков еще не окон­чил шко­лу, а уже воз­глав­лял ко­ман­ду раз­ра­бот­ки «ВКон­так­те».

«Ана­ли­тик — это и про­грам­мист, и мар­ке­то­лог, и немно­го дата-сай­ен­тист»

Тер­мин «ана­ли­тик» сфор­му­ли­ро­ван мак­си­маль­но ши­ро­ко, что от­лич­но ха­рак­те­ри­зу­ет те­ку­щее по­ло­же­ние дел на рын­ке. Са­мый пер­вый пласт за­дач ана­ли­ти­ка — ор­га­ни­за­ция про­цес­са ра­бо­ты с дан­ны­ми в ком­па­нии. Все долж­но ле­жать в од­ном ме­сте, к ко­то­ро­му бу­дет до­ступ у каж­до­го со­труд­ни­ка. Сле­ду­ю­щий пласт — за­да­чи на сты­ке ма­шин­но­го обу­че­ния и ста­ти­сти­ки, что уже ин­те­рес­нее. При­мер из моей ра­бо­ты: во «ВКон­так­те» поль­зо­ва­те­ли мо­гут раз­ме­щать ре­клам­ные объ­яв­ле­ния в лен­те но­во­стей. Ещё до того, как че­ло­век за­пу­стит объ­яв­ле­ние, мы мо­жем пред­ска­зать, на­сколь­ко оно бу­дет успеш­ным. Если на эта­пе со­зда­ния объ­яв­ле­ния мы уже по­ни­ма­ем, что оно не поз­во­лит до­стичь по­став­лен­ных це­лей, мож­но сра­зу под­ска­зать поль­зо­ва­те­лю, как сто­ит улуч­шить на­строй­ки объ­яв­ле­ния и убе­речь его от бес­по­лез­ной тра­ты де­нег. Та­кие пред­ска­за­ния на ос­но­ве име­ю­щих­ся дан­ных тоже мо­гут быть за­да­чей ана­ли­ти­ка.

Он так­же дол­жен раз­би­рать­ся в Data Sci­ence. Дата-сай­ен­тист — это тот, кто по­ни­ма­ет, как из дан­ных, ко­то­рые есть у биз­не­са, из­влечь по­лез­ные за­ко­но­мер­но­сти, опи­сать их ма­те­ма­ти­че­ски и ре­шить та­ким об­ра­зом опре­де­лен­ные за­да­чи. Са­мый ба­наль­ный при­мер: если у нас есть он­лайн-ма­га­зин, мож­но сде­лать си­сте­му ум­ной ре­ко­мен­да­ции. То­ва­ры бу­дут пред­ла­гать­ся с уче­том преды­ду­ще­го по­ве­де­ния кли­ен­та. Бо­лее слож­ный при­мер ма­шин­но­го обу­че­ния — на­учить бес­пи­лот­ные ав­то­мо­би­ли ав­то­ма­ти­че­ски рас­по­зна­вать, где на­хо­дит­ся пе­ше­ход, а где дру­гие транс­порт­ные сред­ства. Дата-сай­ен­ти­сты — это, в первую оче­редь, экс­пер­ты в ма­шин­ном обу­че­нии. Они при­ме­ня­ют слож­ные ма­те­ма­ти­че­ские мо­де­ли, ал­го­рит­мы и ней­рон­ные сети, ко­то­рые поз­во­ля­ют про­грам­мам са­мо­сто­я­тель­но обу­чать­ся слож­ным на­вы­кам. На­при­мер, если мы хо­тим на­учить ней­ро­сеть рас­по­зна­вать со­ба­чек и ко­ти­ков на фо­то­гра­фии, нуж­но соз­дать слож­ный ма­те­ма­ти­че­ский ал­го­ритм. Мы по­ка­жем ему де­сять ты­сяч фо­то­гра­фий ко­ти­ков и со­ба­чек, пред­ста­вим их в виде неко­е­го на­бо­ра цифр и до­бьем­ся от ал­го­рит­ма, что­бы он сам на­шел от­ли­чия меж­ду жи­вот­ны­ми и на­чал это при­ме­нять.

Каж­дый раз, ко­гда вы раз­бло­ки­ру­е­те те­ле­фон при по­мо­щи Face ID, вы ви­ди­те ре­зуль­тат ма­шин­но­го обу­че­ния. В те­ле­фоне есть хит­рый ал­го­ритм, ко­то­рый на­учи­ли по­ни­мать, что пе­ред ним имен­но лицо вла­дель­ца, а не рас­пе­ча­тан­ная фо­то­гра­фия или дру­гой че­ло­век. Ма­шин­ное обу­че­ние ис­поль­зу­ет­ся и в пер­со­на­ли­за­ции кон­тен­та: лен­ты со­ци­аль­ных се­тей, ре­ко­мен­да­ции се­ри­а­лов на Net­flix, даже внеш­нее оформ­ле­ние сай­та мо­жет от­ли­чать­ся в за­ви­си­мо­сти от пред­по­чте­ний поль­зо­ва­те­ля.

В биз­не­се се­го­дня всем нуж­ны дата-сай­ен­ти­сты, по­это­му зар­пла­ты до­воль­но вы­со­кие, хотя хайп по­сте­пен­но спа­да­ет. Глав­ное для на­чи­на­ю­ще­го спе­ци­а­ли­ста — иметь ост­рый ум и раз­ви­вать софт-скиллс. Осо­бен­но важ­но это для ана­ли­ти­ков: им чаще нуж­но с кем-то до­го­во­рить­ся, объ­яс­нить, сде­лать кра­си­вую пре­зен­та­цию.

Глав­ный на­вык дата-сай­ен­ти­ста и ана­ли­ти­ка — по­сто­ян­но все под­вер­гать со­мне­нию, не бо­ять­ся спо­рить и уточ­нять цель по­став­лен­ных пе­ред то­бой за­дач. Ко­гда при­хо­дят кол­ле­ги из дру­го­го от­де­ла и про­сят вы­гру­зить им топ-5 кли­ен­тов, сто­ит спро­сить, за­чем им это нуж­но. В про­цес­се раз­го­во­ра мо­жет вы­яс­нить­ся, что ну­жен не топ-5, а топ-10, и во­все не кли­ен­тов, а ме­не­дже­ров, и, мо­жет даже для дру­гих це­лей, чем они из­на­чаль­но ду­ма­ли. Уме­ние по­мочь лю­дям по­нять, что имен­но они хо­тят от дан­ных, — это, на­вер­ное, са­мый важ­ный софт-скилл ана­ли­ти­ка и в то же вре­мя тем­ная сто­ро­на его ра­бо­ты.

5 кур­сов от Ана­то­лия Кар­по­ва

Три бес­плат­ных кур­са на Stepik. Эти про­грам­мы не тре­бу­ют пред­ва­ри­тель­ной под­го­тов­ки в об­ла­сти ана­ли­за дан­ных:

• «Вве­де­ние в ста­ти­сти­ку». Курс от­лич­но по­дой­дет тем, кто хо­чет разо­брать­ся в том, как устро­е­на ста­ти­сти­ка. В рам­ках про­грам­мы мы по­дроб­но раз­би­ра­ем саму суть ста­ти­сти­че­ских ме­то­дов и под­хо­дов к ана­ли­зу дан­ных.
• «Ана­лиз дан­ных в R». В этом кур­се мы учим­ся ана­ли­зи­ро­вать дан­ные в R, ви­зу­а­ли­зи­ру­ем ре­зуль­та­ты, про­ве­ря­ем ста­ти­сти­че­ские ги­по­те­зы.
• «Вве­де­ние в Data Sci­ence». Мой лю­би­мый курс, в ко­то­ром мы на­чи­на­ем го­во­рить о пер­вых ка­рьер­ных ша­гах в об­ла­сти ма­шин­но­го обу­че­ния. Мно­го прак­ти­ки, ин­тер­вью с экс­пер­та­ми из ин­ду­стрии, а в кон­це — со­рев­но­ва­ние.

Две плат­ные про­грам­мы:

• «Ин­тен­сив по ра­бо­те с дан­ны­ми в Python». Три неде­ли учим­ся ос­но­вам ра­бо­ты с дан­ны­ми в Python, ав­то­ма­ти­зи­ру­ем ру­тин­ные за­да­чи, ко­то­рые рань­ше вы де­ла­ли в Ex­cel.
• «Big Data для Data Sci­ence». Он­лайн-про­грам­ма по ра­бо­те с боль­ши­ми дан­ны­ми. В первую оче­редь раз­ра­бо­та­на для тех, кто уже име­ет опыт в Data Sci­ence, но хо­чет осво­ить со­вре­мен­ные тех­но­ло­гии для ра­бо­ты с Big Data.

«Сна­ча­ла кур­сы по­мог­ли мне по­пасть в ин­ду­стрию, а по­том ин­ду­стрия по­мог­ла за­пи­сать курс»

Я по­нял, что пре­по­да­ва­ние да­ет­ся мне непло­хо, ко­гда на­чал ве­сти ста­ти­сти­ку в ин­сти­ту­те ин­фор­ма­ти­ки, — курс на­брал мак­си­маль­ный балл по от­зы­вам сту­ден­тов. В тот же пе­ри­од в Санкт-Пе­тер­бур­ге толь­ко за­пу­сти­лась неком­мер­че­ская об­ра­зо­ва­тель­ная плат­фор­ма Stepik, на ко­то­рой мы за­пи­са­ли пер­вый ба­зо­вый он­лайн-курс по ста­ти­сти­ке — «Вве­де­ние в ста­ти­сти­ку». За­пись кур­са да­лась мне непро­сто: я не по­ни­мал, как ра­бо­тать с он­лайн-фор­ма­том, ду­мал дня­ми и но­ча­ми, и в ито­ге чуть не от­чис­лил­ся из ас­пи­ран­ту­ры.

Мно­гие счи­та­ют, что ста­ти­сти­ка — это слож­ная ма­те­ма­ти­ка, в ко­то­рой они ни­ко­гда не раз­бе­рут­ся, по­это­му стра­да­ют в уни­вер­си­те­тах и не по­ни­ма­ют, как ее при­ме­нять в ра­бо­те. Мне хо­те­лось сде­лать курс мак­си­маль­но по­нят­ным и ин­те­рес­ным, что­бы ре­шить эти про­бле­мы. От­ча­сти это уда­лось: сей­час на курс за­пи­са­лись по­чти 100 ты­сяч че­ло­век и бо­лее 30% про­шли его до кон­ца. В 2015 году курс вы­иг­рал пре­мию Ed­Crunch Award как са­мый по­пу­ляр­ный курс в Ру­не­те.

Во «ВКон­так­те» я стал го­раз­до луч­ше по­ни­мать, как ра­бо­та­ют ста­ти­сти­ка и ма­шин­ное обу­че­ние в ре­аль­ных про­ек­тах. То­гда, ори­ен­ти­ру­ясь на по­лу­чен­ный опыт, я за­пи­сал но­вый курс «Вве­де­ние в Data Sci­ence и ма­шин­ное обу­че­ние». Та­ким об­ра­зом, сна­ча­ла кур­сы по­мог­ли мне по­пасть в ин­ду­стрию, а по­том ин­ду­стрия по­мог­ла мне за­пи­сать курс. Он, кста­ти, тоже до­воль­но по­пу­ля­рен: на него уже за­пи­са­но бо­лее 20 ты­сяч че­ло­век, и пре­мию Ed­Crunch он так же по­лу­чил.

©

Фото из личного архива

---

У по­пу­ляр­но­сти этих кур­сов есть несколь­ко при­чин. Сей­час Data Sci­ence, ана­ли­ти­ка, ана­лиз дан­ных и ма­шин­ное обу­че­ние — это мак­си­маль­но ин­те­рес­ная об­ласть, в ко­то­рой мож­но стре­ми­тель­но раз­ви­вать­ся, не имея спе­ци­аль­но­го об­ра­зо­ва­ния: в Data Sci­ence при­хо­дят быв­шие пси­хо­ло­ги, био­ло­ги, эко­но­ми­сты, со­цио­ло­ги. На кур­се я на­чи­наю объ­яс­не­ние с нуля, а в кон­це мы раз­би­ра­ем та­кие слож­ные вещи, ко­то­рые мо­гут спро­сить на со­бе­се­до­ва­нии в хо­ро­шую ком­па­нию. Плюс, курс на рус­ском язы­ке удоб­нее слу­шать, даже если хо­ро­шо зна­ешь ан­глий­ский. Кро­ме того, на по­пу­ляр­ность вли­я­ет про­па­ган­да здра­во­го смыс­ла: люди по­ни­ма­ют, что ста­ти­сти­ка и ма­те­ма­ти­ка по­мо­га­ют «пра­виль­но ду­мать» и адек­ват­нее смот­реть на мир. Мыс­лить ста­ти­сти­че­ски — зна­чит мыс­лить как уче­ный.

Упо­мя­ну­тые кур­сы не при­но­сят мне де­нег, эта ини­ци­а­ти­ва из­на­чаль­но за­ду­мы­ва­лась как мак­си­маль­но от­кры­тая. В то же вре­мя у нас есть про­ек­ты, на­прав­лен­ные на мо­не­ти­за­цию: недав­но за­пу­сти­ли трек по Big Data для ана­ли­ти­ков в фор­ма­те «Stepik Ака­де­мия». Обу­че­ние про­хо­дит в фор­ма­те неболь­ших групп с мен­то­ра­ми и пре­по­да­ва­те­ля­ми. Наша за­да­ча — по­мочь сту­ден­там, на­пра­вить их, от­ве­тить на все их во­про­сы в чате. Уча­стие плат­ное, но сто­и­мость от­но­си­тель­но неболь­шая и, кро­ме того, мен­тор­ская под­держ­ка очень важ­на для на­чи­на­ю­щих: с по­мо­щью на­став­ни­ков вы мо­же­те быст­рее по­лу­чить то, что вам нуж­но.

По­след­ний курс по ма­шин­но­му обу­че­нию я до­де­лы­вал с Эль­бру­са. Я дол­го со­би­рал­ся за­пи­сать эту про­грам­му, по­сто­ян­но от­кла­ды­вал, а по­том дал себе три ме­ся­ца на за­ве­ре­ше­ние. Я даже анон­си­ро­вал за­пуск в соц­се­тях, что­бы от­сту­пать было неку­да. Пер­вые два с по­ло­ви­ной ме­ся­ца я, ра­зу­ме­ет­ся, ду­мал, что ско­ро нач­ну, а по­след­ние две неде­ли бук­валь­но но­че­вал в сту­дии Stepik на пу­фи­ке. При этом я за­ра­нее спла­ни­ро­вал от­пуск с дру­гом, мы со­би­ра­лись под­ни­мать­ся на Эль­брус. По­след­ний урок я до­пи­сал в по­след­ний день пе­ред вы­ле­том, по­сле чего взял все свои ле­дору­бы, на­дел рюк­зак и уехал в аэро­порт. Тем не ме­нее, нуж­но было еще мно­гое до­де­лать: офор­мить курс, за­лить ви­део, до­ба­вить за­да­ния и до­пол­ни­тель­ные ма­те­ри­а­лы. Ко­ман­да сра­бо­та­ла от­лич­но, я толь­ко с те­ле­фо­на сле­дил за ра­бо­той, от­ве­чал на ком­мен­та­рии, вно­сил прав­ки. На удив­ле­ние, на Эль­бру­се иде­аль­но ло­вит ин­тер­нет — 4G на 3 ты­ся­чах мет­ров над уров­нем моря. Ле­жишь в пу­хо­ви­ке и двух шап­ках в де­ре­вян­ной хи­жине без го­ря­чей воды и за­пус­ка­ешь он­лайн-курс.

«Неко­то­рые ду­ма­ют, что мы толь­ко ле­жим на пу­фи­ках и пьем сму­зи»

Спра­вить­ся с вы­го­ра­ни­ем мне по­мо­га­ет по­ло­жи­тель­ный от­клик на мою ра­бо­ту. Од­на­жды я по­ку­пал кофе, по­сту­чал­ся в окош­ко, там си­де­ла де­вуш­ка и что-то де­ла­ла на план­ше­те. Уви­дев меня, она раз­вер­ну­ла экран и ска­за­ла: «Ого, это же вы!». Ока­за­лось, она как раз про­хо­ди­ла мой курс по ста­ти­сти­ке. Та­кие си­ту­а­ции по­ка­зы­ва­ют, что я все де­лаю пра­виль­но.

Ра­бо­та в IT — слож­ная шту­ка. Кто-то мо­жет по­ду­мать, что мы толь­ко ле­жим на пу­фи­ках и пьем сму­зи, но на са­мом деле мы це­лы­ми дня­ми про­во­дим за ком­пью­те­ром и пе­ре­жи­ва­ем из-за дед­лай­нов. Еще один по­пу­ляр­ный сте­рео­тип — каж­дый день мы де­ла­ем су­пер­слож­ные вещи, ко­то­рые по­мо­га­ют ком­па­нии за­ра­ба­ты­вать мил­ли­о­ны дол­ла­ров. На прак­ти­ке это не так: зна­чи­тель­ную часть вре­ме­ни ты за­ни­ма­ешь­ся ру­тин­ны­ми де­ла­ми и про­грам­мист­ской ра­бо­той.

Без зна­ний по про­грам­ми­ро­ва­нию на­чать что-то де­лать в этой сфе­ре до­воль­но труд­но. Хо­ро­шая но­вость в том, что кон­цеп­ция о про­цес­се со­зда­ния ком­пью­тер­ных про­грамм пре­тер­пе­ла зна­чи­тель­ные из­ме­не­ния. Что­бы хо­ро­шо ез­дить на ма­шине, необя­за­тель­но дос­ко­наль­но знать, как устро­ен дви­га­тель, — про­грам­ми­ро­ва­ние ра­бо­та­ет так же. Уро­вень зна­ний, необ­хо­ди­мый для ана­ли­за дан­ных, го­раз­до ниже, чем тот, что ну­жен раз­ра­бот­чи­кам. В од­ном из сво­их офлайн-про­ек­тов я рас­ска­зы­ваю, как за три неде­ли по­чув­ство­вать себя в про­грам­ми­ро­ва­нии уве­рен­нее, на­чи­ная с нуля.

Еще одно от­ли­чие на­шей об­ла­сти — воз­мож­ность быст­ро­го ка­рьер­но­го про­дви­же­ния. Ком­па­нии охот­но бе­рут ста­же­ров, и прак­ти­ка в IT чаще все­го опла­чи­ва­е­мая. Наша сфе­ра — одна из наи­бо­лее про­грес­сив­ных, по­это­му пред­рас­суд­ки от­но­си­тель­но пола и воз­рас­та лю­дей не вли­я­ют на их раз­ви­тие и ка­рье­ру. У нас в ко­ман­де есть де­вуш­ки-ана­ли­ти­ки, те­сти­ров­щи­цы, раз­ра­бот­чи­ки, мой ру­ко­во­ди­тель на­прав­ле­ния ре­кла­мы и биз­не­са в Mail.ru — де­вуш­ка. Эй­джиз­ма у нас тоже нет: тот же Сева Жид­ков на­чал ра­бо­тать в «ВК» в 15 лет. Ко­гда к нам на ра­бо­ту вы­хо­дит оче­ред­ной 18-лет­ний со­труд­ник, я уже не удив­ля­юсь — оче­вид­но, что в этом воз­расте че­ло­век мо­жет быть го­раз­до ум­нее меня.