Fremtidens yrker: Big Data-analytiker, sier Sergei Boryslavskyi (Vodafone Ukraina).

Når bør en mobiltelefonabonnent få beskjed om roamingmuligheten, slik at det ikke er for sent eller for tidlig? Hvordan vet et selskap om en kunde har bil eller hund? Eller hvem av kundene som er mann og hvem som er kvinne, og hvordan er maskinlæring involvert i alt dette? Big Data-analytikeren er ansvarlig for alt dette og mye mer - en som jobber med enorme datamengder og omdanner disse dataene til vellykkede produkter for bedriften og nye, nyttige muligheter for kundene. Han får også selskap av representanter for andre banebrytende yrker som vil forandre verden i nær fremtid: produktforskeren og dataforskeren. gg-redaksjonen har snakket med Serhiy Boryslavskyi, leder for digitale løsninger og plattformer i Vodafone Ukraina. Han fortalte om hvilke programmeringsspråk man må kunne for å jobbe innen dette feltet, hvor man kan tilegne seg fagkunnskap, og hvordan kunstig intelligens i fremtiden vil bidra ytterligere til å jobbe med data til beste for menneskeheten.

Sergiy Boryslavskyi, avdelingsleder for digitale løsninger og plattformer, Vodafone Ukraina

gg: Hvordan startet karrieren din, og hvordan kom du til den stillingen du har nå?

Sergiy Boryslavskiy: Nå heter stillingen min Head of Digital Solutions and Platforms Department i Vodafone. Vi utvikler digitale produkter og implementerer plattformer som vi bruker til å distribuere disse produktene internt. Men i det store og hele har jeg jobbet i Vodafone i omtrent 15 år. Jeg begynte i "smia for ansatte" - kundesenteret. Der jobbet jeg mellom to og to. Så gikk jeg til IT-tjenesten - jeg hjalp de ansatte med å løse problemer de hadde på arbeidsplassen. Deretter var jeg finansiell risikoanalytiker, og så ble jeg dataanalytiker. Først opprettet jeg en big data-divisjon for B2B-segmentet (B2B er business to business, der salg foregår mellom bedrifter eller organisasjoner - red. anm.). Og etter det var jeg allerede leder for den avdelingen.

gg: Hvem studerte du for?

Sergiy Boryslavskiy: Jeg er leder av yrke, og da jeg begynte i Vodafone, fantes ikke dataanalytikeryrket ennå. Men Vodafone har alltid hatt ganske mye data, og det har alltid vært et stort antall tilfeller der vi har måttet jobbe med disse dataene: for intern effektivitet og for å skape produkter.

Og jeg burde ha studert yrket da det ble opprettet. Jeg begynte med programmeringsspråk - det var SQL. Nå lærer stadig flere spesialister Python. Dette er de to viktigste språkene som dataanalytikere jobber mest med.

gg: Er SQL og Python obligatorisk for en dataanalytiker eller ikke?

Sergey Borislavsky: For noen få år siden ville jeg ha sagt: "ja". Nå er situasjonen i ferd med å endre seg litt. Nå finnes det low-code-verktøy (low-code-utviklingskonsept - red. anm.), eller no-code ( utvikling som ikke krever kodingskunnskaper i det hele tatt - red. anm.). De gjør det mulig å bruke dataene i et eksisterende bibliotek eller i en applikasjon som analytikeren allerede bruker.

Men du trenger profesjonell opplæring for å forstå hvordan det hele fungerer. For mye avhenger av arbeidet ditt. Det vil si, ikke bare å vise grafer som ser opp eller ned, men å forstå hvorfor de gjør det, hva dynamikken vil være i fremtiden, hvilke verktøy som er brukt for å gjøre resultatet så effektivt som mulig.

gg: Hva består en typisk dag for deg? Hvilke oppgaver utfører du?

Sergey Boryslavsky: Til å begynne med har jeg rundt 25 personer i avdelingen min akkurat nå, for det meste produktforskere som leder noen prosjekter og kommuniserer med dataforskere og dataanalytikere. Noen av disse prosjektene er databaserte, andre ikke. I det andre tilfellet dreier det seg om plattformer som vi akkurat er i ferd med å implementere.

Generelt består arbeidsdagen min av at jeg har flere grunnleggende produktmøter, der vi en gang i uken eller hver fjortende dag diskuterer hvor langt vi er kommet i dette produktet eller prosjektet, hvilke hindringer vi har, eller hvilke tidsplaner vi har, og hva jeg kan bidra med.

Fordi produkt(forskeren) er som en mini-CEO, som må ha en klar visjon om hvordan produktet skal lanseres på markedet og hvordan det kan forbedres. Og min rolle er å hjelpe produktforskeren til å lykkes. Det vil si at hvis de har problemer, eller hvis de ikke forstår hvordan de skal gå frem, setter vi oss ned sammen og enten reviderer produktstrategien eller utvikler en ny. Men det hender også at alt er i orden, og at vi bare trenger noen ekstra ressurser som vi kan be selskapet om.

gg: Kan du forklare forskjellen mellom data scientist og dataanalytiker?

Sergey Borislavsky: Datavitenskapsmannen jobber på det stadiet der vi trenger å lage en modell som gir et bilde av produktet. Det vil si at produktet sier: "Produktet mitt bør ha slike beregninger som målgruppesegmenter", og dataforskeren tar data fra lagringslageret vårt og bruker dem ved hjelp av nevrale nettverk til å lage de indikatorene som skal være i produktet.

Med andre ord er dette en person som bruker ganske sofistikerte elementer av kunstig læring for å se hvilken løsning som er hensiktsmessig. Og det er ikke alltid bare målgruppesegmentet. Det kan for eksempel være en prediksjon: "Hva ville skje hvis vi gjorde noe". Vi hadde for eksempel et tidligere prosjekt der vi samarbeidet med en butikkjede og spådde at hvis vi bygde en butikk på dette stedet, ville salget bli så og så høyt. Vi brukte data fra mobiloperatøren og kunden som leverte dem til oss, og ved hjelp av kunstig intelligens laget vi prognosene.

En dataanalytiker er en person som vet hvordan man jobber med data. Han eller hun vet hvor dataene befinner seg, hvordan man jobber med servere og databehandlingsverktøy. Han kan også lage datavisualiseringer og jobbe med prognoser.

For å oppsummere: Dataforskeren er arkitekten som bygger strukturen og modellen for maskinlæring, og dataanalytikeren bruker det hele.

gg: Kan du fortelle oss mer om hva en produkteier gjør?

Sergey Borislavsky: Enkelt sagt er produkteieren direktøren for en liten fabrikk som former produktet. Han har daglige møter med teamet. I tillegg har han månedlige møter med meg, der han forteller om hva han har fått til og hva han ikke har fått til. Han jobber aktivt med å utvikle nye produkter, og det interessante er at han har en viss feilmargin. Hvis product lanserer et produkt som ikke er 100 % salgbart, prøver han det, ser på feilene og lanserer deretter et mer vellykket produkt.

gg: Kanskje det finnes andre roller som er verdt å nevne?

Sergey Borislavsky: Det finnes også en dataingeniør som bistår dataforskeren og dataanalytikeren. Han sørger for servere, verktøy og hastighet. Han optimaliserer arbeidsplassen, slik at alle gjør jobben sin i stedet for å tenke "hvorfor det ikke fungerer som det skal". Vanligvis er det en systemadministrator som optimaliserer alt.

gg: Hvilke kurs vil du anbefale for studenter som også ønsker å bli dataanalytikere?

Sergey Borislavsky: Vi har Big Data Lab-skolen, som utdanner fullverdige dataanalytikere på bare seks måneder. Det er sant at kurset er veldig intensivt, ganske komplisert og krever en del grunnleggende opplæring. Det omfatter ikke bare teori, men også arbeid med reelle data i praksis. Når kurset er fullført, vet spesialistene hvordan de skal jobbe med data og utføre spesifikke forretningsoppgaver. For nybegynnere kan du begynne med det fiktive Coursera.

Men det er så mange kurs nå at det er vanskelig å bestemme hvilke som er de beste, men på dette feltet er det viktigste for meg at en person skal være interessert og nysgjerrig. Han bør finne svar der andre synes det er vanskelig. Hvis en person virkelig ønsker å finne et kurs for seg selv, vil han gjøre det. Det finnes både gratis og betalte kurs. Jeg vil ikke si at betalte kurs er 100 ganger bedre. Alt avhenger av personen. Du kan ta mye fra gratis kurs. Jeg snakker om min måte nå, for jeg har ikke alltid vært i stand til å kjøpe kurs. Til å begynne med vil jeg anbefale å se videoer på YouTube og søke etter noe på Google. Og velg deretter en vei for deg selv.

gg: Finnes det universiteter som utdanner fremtidige dataanalytikere?

Sergiy Boryslavskyy: Det finnes mange av dem i verden, og i Ukraina er det for eksempel National Technical Institute og Kyiv National Taras Shevchenko University. De gir faglig kunnskap som folk kan bruke. Vi har tatt inn en del studenter fra nettopp disse universitetene som jobber med data hos Vodafone. I utgangspunktet jobber de med interne case - for å se hva abonnenten trenger nå, eller hvilken tjeneste det er verdt å tilby. Så hjelper vi disse menneskene med å tilegne seg ny kunnskap og forbedre ferdighetene sine.

gg: Hvordan hjelper Vodafone deg med å tilegne deg ny kunnskap?

Serhiy Boryslavskiy: Jeg har allerede fortalt historien om Big Data Lab-skolen. Etter å ha tatt en utdannelse der, tok vi til og med inn en del nye folk i teamet vårt. Hvis du har evner og lyst til å jobbe med data, er dette programmet noe for deg. Og selv ikke krigen gjorde noen stor forskjell.

gg: Hvilke teknologier og verktøy brukes for å jobbe med stordata? ChatGPT, kanskje?

Sergey Borislavsky: Vi bruker ikke ChatGPT ennå, men vi studerer det. De tilfellene vi ser, kan brukes til vedlikehold. Denne kunstige intelligensen kan mettes med data. La oss si at du nå er en kontaktsenteroperatør og delvis integrerer det med fakturering, og så kan ChatGPT 24/7 bruke våre operatørdata, våre data og informasjon om våre tariffer til å yte service til kunden. Jeg tror at slike tilfeller vil oppstå i nær fremtid.

Men det er fortsatt et sikkerhetsproblem her. Vi studerer det for å se om vi kan bruke en slik løsning internt, slik at kundenes data ikke lekker ut.

gg: Hvilke teknologier bruker Vodafone da?

Serhiy Boryslavskiy: Det dreier seg om ulike proprietære maskinlæringsmodeller, avhengig av tilfellene. Når det er nødvendig å forstå hvem som bruker en bil - én modell, når det er nødvendig å dele kundene inn i menn og kvinner - en annen modell. Vi vet at i visse tilfeller fungerer en bestemt modell bedre. Og en person som jobber med disse bilene må forstå i hvilke tilfeller hvilken modell som vil være mer vellykket. Det er derfor du ikke kan ta en ferdig applikasjon med alle dataene og få 100% resultater. Så langt fungerer det ikke på den måten.

Og generelt vil kunstig intelligens i fremtiden gi seg selv oppgaver i henhold til etterspørselen.

gg: De maskinlæringsmodellene dere bruker, hvor lang tid tar det å trene dem opp?

Sergei Borislavsky: Det avhenger av hvor kraftige serverne dine er og hvilke oppgaver du trenger. Å trene opp et nevralt nettverk for enkle kommandoer med en kraftig server tar fra en time til flere dager. Vi gir for eksempel et datasett som spesifiserer hvilke av kundene våre som er menn og hvilke som er kvinner - og lærer. Så gir vi datasettet igjen, men vi spesifiserer ikke hvem som er hvem, og setter allerede oppgaven: del publikum inn i menn og kvinner. Med vår erfaring kan dette gjøres på en time. Men hvis vi gjør et stort volum arbeid, der vi trenger flere nevrale nettverk, der ett av dem behandler resultatet, leverer data, og deretter behandler det neste resultatet, kan treningen ta noen dager. I tillegg må det nevrale nettverket overvåkes kontinuerlig for å sikre at det hele tiden gir nye data og ikke degraderes, for da vil det gi de dårligste dataene. Hvis dette (degradering) allerede har skjedd, må du trene opp det nevrale nettverket fra begynnelsen av slik at det gir gode resultater.

gg: Hvilke eksempler på bruk av stordataanalyse finnes i det virkelige liv?

Sergey Boryslavskyy: Hvis vi tar Vodafones tilfeller, er dette tilfeller som gjør det mulig for operatøren å se hva folk bruker og om de er fornøyde med tjenestene våre, og å tilby tilleggsfunksjoner for å holde dem hos oss så lenge som mulig.

Det er også tilfellet med det mistenkelige nummeret. Hvis en kunde aktiverer denne funksjonen, mottas ingen meldinger eller anrop når systemet vårt fastslår at dette kan utgjøre en potensiell trussel mot kunden. Vi har for eksempel en mistanke om at denne personen kan komme til å bruke personopplysningene dine.

gg: Hvilke andre perspektiver ser du i bruken av nevrale nettverk?

Sergei Borislavsky: De vil spare oss for å bruke tid på oppgaver som vi gjør i dag. For eksempel å lage en presentasjon for deg ved hjelp av dataene du har, eller å analysere tekst. En person vil bruke tiden sin mer effektivt: til å forme en tanke eller til å være klar over hvilken retning man skal gå i. Jeg ser at AI vil spare mye tid når det gjelder å finne svar. Hvis du for eksempel bruker Google, må du gå til 10 nettsteder for å finne et svar, mens ChatGPT kan gjøre alt på én gang.

gg: Den viktigste magien med kunstig intelligens ligger i to ting: å forutsi og å avlaste menneskeheten fra rutineoppgaver?

Sergey Borislavsky: Ja, men det ville være ønskelig om AI kunne male bilder eller skrive musikk, men så langt er mennesket en favoritt til disse oppgavene. Og en fullstendig revolusjon vil komme når AI ikke bare kan skape en konvensjonell møbeldesign, men også forklare hvorfor den vil selge.

gg: Vil AI kunne erstatte noen yrker helt og holdent?

Sergey Borislavsky: Jeg ser for meg to varianter av utviklingen:

• Yrker som designer eller tekstforfatter vil forsvinne.
• Folk vil bruke AI for å forbedre resultatene og bli mer effektive, fordi nevrale nettverk fortsatt trenger å komme med en skikkelig forespørsel, og ingen vil komme med en bedre forespørsel enn en designer om å lage møbler.

Og i fremtiden vil AI ta over jobben i de fleste yrker. Det betyr ikke at alle kommer til å bli permittert, bare at menneskeheten vil få en medhjelper som co-pilot.

gg: Hvis vi går tilbake til jobben din, hvordan endret den seg under krigen?

Sergei Boryslavsky: I 2019 skapte vi en infrastruktur slik at alle i selskapet kan jobbe hvor som helst i verden. Vi har alle bærbare datamaskiner og sikre kanaler for å få tilgang til ressursene våre. Vi trenger bare internett. Og krigen har vist at hvis det finnes internett, kan vi fortsette å jobbe. Men dette er både et pluss og et minus. På plussiden er at du kan jobbe hvor som helst og når som helst. Minus - det er mangel på live kommunikasjon med kolleger. Personlig møtte jeg det eneste problemet - det var noen internett- og lysfeil, men det var tilfelle med de fleste ukrainere. Og det var ingen vanskeligheter fra selskapets side. Hele infrastrukturen er i skyen, så det er mulig å jobbe.

gg: Hvordan ville du fortalt et barn hva du jobber med?

Serhiy Boryslavskyy: Eldstebarnet mitt er nesten 9 år, og for halvannet år siden tok jeg henne med på kontoret, og hun spurte meg: "Pappa, hva gjør du?". Og hvis vi snakker om å analysere produktdata - det er ganske komplisert. Jeg prøvde å forklare at vi gjør ting som hjelper kundene våre til å bli bedre. Jeg tror at om et års tid kommer det til å bli en ny diskusjon med et barn der det kommer eksempler, men foreløpig er det slik. Jeg har også et barn til som snart blir voksen og som også vil spørre hva jeg gjør. Så jeg vil vurdere hvilket svar som er mer passende for en 5 år gammel pjokk.

For de som vil vite mer

• Kunstens uoppnåelige høydepunkt: Hvorfor tegner Midjourneys kunstige intelligens 6 fingre på hendene dine, og hvordan kan det fikses?
• Dmitry Yakovlev (MacPaw): Gratis VPN-tilbud er ikke et tap av penger, men vårt bidrag til Ukrainas informasjonssikkerhet.
• Valery Yakovenko (EcoFlow): Vi bør produsere elektrisitet hjemme for å forbruke den selv.
• Fra skumfly til den allsidige SKIF-plattformen: historien om det ukrainske selskapet Culver Aviation
• Stray-historien: hvordan en katt fra en cyberby ble årets oppdagelse og påvirket spillbransjen