Fremtidens erhverv: Big Data-analytiker, siger Sergei Boryslavskyi (Vodafone Ukraine)

Hvornår skal en mobiltelefonabonnent modtage en meddelelse om roamingmuligheden, så det ikke er for sent eller for tidligt? Hvordan ved en virksomhed, om en kunde har en bil eller en hund? Eller hvem af kunderne der er mænd, og hvem der er kvinder, og hvordan er machine learning involveret i alt dette? Big Data-analytikeren er ansvarlig for alt dette og meget mere - en person, der arbejder med massive mængder data og forvandler disse data til succesfulde produkter for deres virksomhed og nye nyttige muligheder for deres kunder. Han får også følgeskab af repræsentanter for andre banebrydende erhverv, som vil ændre vores verden i den nærmeste fremtid: produktforskeren og dataforskeren. Redaktionen på gg har talt med Serhiy Boryslavskyi, chef for digitale løsninger og platforme hos Vodafone Ukraine. Han fortalte om, hvilke programmeringssprog man skal kunne for at arbejde inden for dette felt, hvor man kan få professionel viden, og hvordan kunstig intelligens i fremtiden yderligere vil hjælpe med at arbejde med data til gavn for menneskeheden.

Sergiy Boryslavskyi, leder af afdelingen for digitale løsninger og platforme, Vodafone Ukraine

gg: Hvordan startede din karriere, og hvordan kom du til den stilling, du har?

Sergiy Boryslavskiy: Nu hedder min stilling Head of Digital Solutions and Platforms Department hos Vodafone. Vi skaber digitale produkter og implementerer platforme, hvor vi implementerer disse produkter internt. Men i det store hele har jeg arbejdet hos Vodafone i omkring 15 år. Jeg startede i "medarbejdernes smedje" - callcentret. Og der arbejdede jeg mellem to og to. Så gik jeg til IT-service - jeg hjalp medarbejderne med at håndtere problemer, de havde på deres arbejdsplads. Så var jeg finansiel risikoanalytiker, og så blev jeg dataanalytiker. Først oprettede jeg en big data-afdeling for B2B-segmentet (B2B er business to business, hvor salget foregår mellem virksomheder eller organisationer, red.) Og efter det var jeg allerede leder af den afdeling.

gg: Hvem studerede du for?

Sergiy Boryslavskiy: Jeg er leder af profession, og da jeg startede min karriere hos Vodafone, eksisterede dataanalytikerprofessionen endnu ikke. Men Vodafone har altid haft en hel del data, og der har altid været et stort antal tilfælde, hvor vi skulle arbejde med disse data: for intern effektivitet og for at skabe produkter.

Og jeg skulle have studeret erhvervet, da det først blev skabt. Jeg startede med programmeringssprog - det var SQL. Nu er der flere specialister, der lærer Python. Det er de to hovedsprog, som dataanalytikere oftest arbejder med.

gg: Er SQL og Python obligatoriske for en dataanalytiker eller ej?

Sergey Borislavsky: For et par år siden ville jeg have sagt: "ja". Nu er situationen ved at ændre sig en smule. Nu er der low-code-værktøjer (low-code-udviklingskoncept - red.) eller no-code (udvikling, der slet ikke kræver viden om kodning - red.). De gør det muligt at bruge dataene i et eksisterende bibliotek eller i en applikation, som analytikeren bruger færdiglavet.

Men du har brug for professionel træning for at forstå, hvordan det hele fungerer. For meget afhænger af dit arbejde. Det vil sige, ikke bare at vise grafer, der ser op eller ned, men at forstå, hvorfor de gør det, hvad dynamikken vil være i fremtiden, hvilke værktøjer der er blevet brugt til at gøre resultatet så effektivt som muligt.

gg: Hvad består din typiske dag af? Hvilke opgaver udfører du?

Sergey Boryslavsky: Til at begynde med har jeg omkring 25 mennesker i min afdeling lige nu, for det meste produktforskere, som leder nogle projekter og kommunikerer med dataforskere og dataanalytikere. Nogle af disse projekter er databaserede, andre er ikke. I det andet tilfælde er det platforme, som vi lige er ved at implementere.

Generelt består min arbejdsdag af flere grundlæggende produktmøder, hvor vi en gang om ugen eller hver fjortende dag diskuterer, hvor langt vi er nået med dette produkt eller projekt, hvilke forhindringer vi har, eller hvilke tidsplaner vi har, og hvor jeg kan være til nytte.

Fordi produktet (forskeren) er som en mini-CEO, der skal have en klar vision om, hvordan produktet kommer på markedet, og hvordan det kan forbedres. Og min rolle er at hjælpe min produktforsker med at få succes. Det vil sige, at hvis de har problemer, eller hvis de ikke forstår, hvordan de skal komme videre, så sætter vi os ned sammen og enten reviderer produktstrategien eller udvikler en ny. Men der er også tidspunkter, hvor alt er fint, og vi bare har brug for nogle ekstra ressourcer, som vi kan bede virksomheden om.

gg: Kan du forklare forskellen mellem data scientist og data analyst?

Sergey Borislavsky: Dataforskeren arbejder på det stadie, hvor vi har brug for at skabe en model, der kan give et overblik over produktet. Det vil sige, at produktet siger: "Mit produkt skal have sådanne målinger som målgruppesegmenter," og dataforskeren tager data fra vores lager og bruger dem ved hjælp af neurale netværk til at skabe de indikatorer, der vil være i produktet.

Med andre ord er det en person, der bruger ret sofistikerede elementer af kunstig læring til at se, hvilken løsning der er passende. Og det er ikke altid kun målgruppesegmentet. Det kan f.eks. være en forudsigelse: "Hvad vil der ske, hvis vi gør noget". For eksempel havde vi et tidligere projekt, hvor vi samarbejdede med en detailkæde, hvor det blev forudsagt, at hvis vi byggede en butik på dette sted, så ville salget være så og så. Vi brugte data fra mobiloperatøren og kunden, som leverede dem til os, og ved hjælp af kunstig intelligens lavede vi prognoserne.

En dataanalytiker er en person, der ved, hvordan man arbejder med data. Han forstår, hvor disse data kan være, hvordan man arbejder med servere, hvordan man arbejder med databehandlingsværktøjer. Han kan også skabe datavisualiseringer og arbejde med prognoser.

For at opsummere: Dataforskeren er arkitekten, der bygger strukturen og modellen for maskinlæring, og dataanalytikeren bruger det hele.

gg: Kan du fortælle os mere om, hvad en product owner gør?

Sergey Borislavsky: Med enkle ord er en produktejer direktør for en lille fabrik, der former produktet. Han har daglige møder med teamet. Derudover har product månedlige møder med mig, hvor han fortæller om sine succeser og fiaskoer. Han udvikler aktivt nye produkter, og det er interessant, at han har en fejlmargin. Hvis product lancerer et produkt, som ikke er 100% salgbart, vil han prøve det, se på fejlene og derefter lancere et mere succesfuldt produkt.

gg: Måske er der andre roller, der er værd at nævne?

Sergey Borislavsky: Der er også en dataingeniør, som assisterer dataforskeren og dataanalytikeren. Han sørger for servere, værktøjer og hastighed. Han optimerer arbejdspladsen, så alle gør deres arbejde i stedet for at tænke "hvorfor det ikke fungerer, som det skal". Traditionelt er det en systemadministrator, der optimerer alt.

gg: Hvilke kurser vil du anbefale til studerende, som også gerne vil være dataanalytikere?

Sergey Borislavsky: Vi har Big Data Lab-skolen, som uddanner fuldgyldige dataanalytikere på bare seks måneder. Det er rigtigt, at kurset er meget intensivt, ret kompliceret og kræver en vis grundtræning. Det omfatter ikke kun teori, men også arbejde med rigtige data i praksis. Efter endt uddannelse ved specialisterne derfor, hvordan de skal arbejde med data og udføre specifikke forretningsopgaver. For begyndere kan du starte med det fiktive Coursera.

Men der er så mange kurser nu, at det er svært at afgøre, hvilke der er de bedste, men på dette område er det vigtigste for mig, at en person skal være interesseret og nysgerrig. Han skal finde svar, hvor andre finder dem ret svære. Hvis en person virkelig ønsker at finde et kursus til sig selv, vil han gøre det. Der findes både gratis og betalte kurser. Jeg vil ikke sige, at betalte kurser er 100 gange bedre. Det kommer helt an på personen. Man kan få meget ud af gratis kurser. Jeg taler om min måde nu, for jeg har ikke altid haft mulighed for at købe kurser. Til at begynde med vil jeg anbefale at se videoer på YouTube og søge efter noget på Google. Og så vælge en vej for dig selv.

gg: Er der universiteter, der uddanner fremtidige dataanalytikere?

Sergiy Boryslavskyy: I verden er der mange af dem, og i Ukraine er det for eksempel National Technical Institute og Kyiv National Taras Shevchenko University. De giver faglig viden, som folk kan bruge. Vi har taget en hel del studerende fra netop disse universiteter, som arbejder med data hos Vodafone. Dybest set arbejder de med interne cases - for at se, hvad abonnenten har brug for nu, eller hvilken service der er værd at tilbyde. Så hjælper vi disse mennesker med at få ny viden og forbedre deres færdigheder.

gg: Hvordan hjælper Vodafone dig helt præcist med at få ny viden?

Serhiy Boryslavskiy: Jeg har allerede fortalt historien om Big Data Lab-skolen. Efter at have fået en uddannelse der, tog vi endda en hel del nye mennesker til vores team. Hvis du har evnerne og vil arbejde med data, er dette program lige noget for dem. Og selv krigen gjorde ikke den store forskel.

gg: Hvilke teknologier og værktøjer bruges til at arbejde med big data? ChatGPT måske?

Sergey Borislavsky: Vi bruger ikke ChatGPT endnu, men vi er ved at undersøge det. De cases, vi ser, kan bruges til vedligeholdelse. Denne kunstige intelligens kan blive mættet med data. Lad os sige, at du nu er en kontaktcenteroperatør, delvist integrerer det med fakturering, og så kan ChatGPT 24/7 bruge vores operatørdata, vores data og oplysninger om vores takster til at yde service til kunden. Jeg tror, at sådanne tilfælde vil opstå i den nærmeste fremtid.

Men der er stadig et sikkerhedsproblem her. Vi undersøger det for at se, om vi kan bruge en sådan løsning internt, så vores kunders data ikke lækker ud.

gg: Hvilke teknologier bruger Vodafone så?

Serhiy Boryslavskiy: Det er forskellige proprietære maskinlæringsmodeller afhængigt af sagerne. Når det er nødvendigt at forstå, hvem der bruger en bil - én model, når det er nødvendigt at opdele kunder i mænd og kvinder - en anden model. Vi ved, at i visse tilfælde fungerer en bestemt model bedre. Og en person, der arbejder med disse biler, er nødt til at forstå, i hvilke tilfælde hvilken model vil være mere succesfuld. Det er derfor, man ikke kan tage en færdig applikation med alle data og få 100% resultater. Indtil videre fungerer det ikke på den måde.

Og generelt vil kunstig intelligens i fremtiden sætte sig selv opgaver i henhold til efterspørgslen

gg: De machine learning-modeller, som I bruger, hvor lang tid tager det at træne dem?

Sergei Borislavsky: Det afhænger af, hvor kraftige dine servere er, og hvilke opgaver du har brug for. At træne et neuralt netværk til simple kommandoer med en kraftig server tager fra en time til flere dage. For eksempel giver vi et datasæt, som specificerer, hvilke af vores kunder der er mænd, og hvilke der er kvinder - lær. Så giver vi datasættet igen, men vi specificerer ikke, hvem der er hvem, og har allerede sat opgaven: opdel publikum i mænd og kvinder. Med vores erfaring kan det gøres på en time. Men hvis vi laver en stor mængde arbejde, hvor vi har brug for flere neurale netværk, hvor et af dem behandler resultatet, leverer data, og så behandler det næste resultatet, så kan træningen tage et par dage. Det neurale netværk skal også overvåges konstant for at sikre, at det hele tiden giver nye data og ikke nedbrydes, for så vil det give de dårligste data. Hvis dette (nedbrydning) allerede er sket, skal du træne det neurale netværk fra begyndelsen, så det producerer gode resultater.

gg: Hvilke eksempler på brug af big data-analyse kan man finde i det virkelige liv?

Sergey Boryslavskyy: Hvis vi tager Vodafones sager, er det sager, der gør det muligt for operatøren at se, hvad folk bruger, og om de er tilfredse med vores tjenester, og at tilbyde yderligere funktioner for at holde dem hos os så længe som muligt.

Der er også sagen om det mistænkelige nummer. Hvis en kunde aktiverer denne funktion, modtages der ingen beskeder eller opkald, når vores system vurderer, at det kan udgøre en potentiel trussel mod kunden. For eksempel hvis vi har en mistanke om, at denne person kan bruge dine personlige data.

gg: Hvilke andre perspektiver ser du i brugen af neurale netværk?

Sergei Borislavsky: De vil spare os for at skulle bruge tid på nogle af de opgaver, vi udfører nu. For eksempel at lave en præsentation for dig ved hjælp af de data, du har, eller at lave analyser på noget tekst. En person vil bruge sin tid mere effektivt: til at forme en tanke eller til at være opmærksom på, hvilken retning man skal gå i. Jeg kan se, at AI vil spare en masse tid på at finde svar. Hvis man for eksempel bruger Google, er man nødt til at gå til 10 sider for at finde et svar, mens ChatGPT kan gøre det hele på én gang.

gg: Den primære magi ved kunstig intelligens ligger i to ting: at forudsige og aflaste menneskeheden fra rutineopgaver?

Sergey Borislavsky: Ja, men det ville være ønskeligt, hvis AI kunne male billeder eller skrive musik, men indtil videre er mennesket en favorit til disse opgaver. Og en fuldstændig revolution vil komme, når AI ikke bare vil skabe et konventionelt møbeldesign, men også forklare, hvorfor det vil sælge.

gg: Vil AI være i stand til helt at erstatte nogle erhverv?

Sergey Borislavsky: Jeg ser to varianter af udvikling:

• Professioner som designer eller tekstforfatter vil forsvinde.
• Folk vil bruge AI til at forbedre resultaterne og blive mere effektive, fordi neurale netværk stadig har brug for at stille en ordentlig anmodning, og ingen vil stille en bedre anmodning end en designer om at skabe møbler.

Og i fremtiden vil AI overtage jobbet inden for de fleste erhverv. Det betyder ikke, at alle bliver fyret, bare at menneskeheden får en hjælper, der bliver andenpilot.

gg: For at vende tilbage til dit job, hvordan ændrede det sig under krigen?

Sergei Boryslavsky: Tilbage i 2019 skabte vi en infrastruktur, så alle i virksomheden kan arbejde hvor som helst i verden. Vi har alle bærbare computere og sikre kanaler til at få adgang til vores ressourcer. Kun internettet er nødvendigt. Og krigen har vist, at hvis der er internet, kan vi blive ved med at arbejde. Men det er både et plus og et minus. På plussiden er, at man kan arbejde hvor som helst og når som helst. Minus - der er mangel på live kommunikation med kolleger. Personligt stod jeg over for det eneste problem - der var nogle internet- og lysfejl, men det var tilfældet med de fleste ukrainere. Og der var ingen problemer fra virksomhedens side. Hele infrastrukturen er i skyen, så det er muligt at arbejde.

gg: Hvordan ville du fortælle et barn, hvad du laver?

Serhiy Boryslavskyy: Mit ældste barn er næsten 9 år, og for halvandet år siden tog jeg hende med på kontoret, og hun spurgte mig: "Far, hvad laver du? Og hvis vi taler om at analysere produktdata - det er ret kompliceret. Jeg forsøgte at forklare, at vi gør ting, der hjælper vores kunder med at blive bedre. Jeg tror, at der om et års tid vil være en anden diskussion med et barn, hvor der vil være eksempler, men lige nu er det sådan her. Jeg har også et andet barn, som er ved at blive voksen, og som også vil spørge, hvad jeg laver. Så jeg vil tænke over, hvilket svar der er mere passende for et 5-årigt lille barn.

Til dem, der gerne vil vide mere

• Kunstens uopnåelige højdepunkt: Hvorfor tegner Midjourneys kunstige intelligens 6 fingre på dine hænder, og hvordan kan det løses?
• Dmitry Yakovlev (MacPaw): Gratis VPN er ikke et tab af penge, men vores bidrag til Ukraines informationssikkerhed
• Valery Yakovenko (EcoFlow): Vi bør producere elektricitet derhjemme for selv at forbruge den
• Fra skumfly til den alsidige SKIF-platform: historien om det ukrainske firma Culver Aviation
• Historien om Stray: hvordan en kat fra en cyberby blev årets opdagelse og påvirkede spilindustrien