Framtidens yrken: Big Data-analytiker, säger Sergei Boryslavskyi (Vodafone Ukraina)

När bör en mobiltelefonabonnent få ett meddelande om roamingalternativet, så att det inte är för sent eller för tidigt? Hur vet ett företag om en kund har en bil eller en hund? Eller vilken av dess kunder som är man och vilken som är kvinna, och hur är maskininlärning inblandad i allt detta? Big Data-analytikern ansvarar för allt detta och mycket mer - någon som arbetar med massiva mängder data och förvandlar dessa data till framgångsrika produkter för sitt företag och nya användbara möjligheter för sina kunder. Han har också sällskap av representanter för andra banbrytande yrken som kommer att förändra vår värld inom en snar framtid: produktforskaren och datavetaren. Redaktionen på gg pratade med Serhiy Boryslavskyi, chef för digitala lösningar och plattformar på Vodafone Ukraina. Han berättade om vilka programmeringsspråk man behöver kunna för att arbeta inom detta område, var man kan få professionell kunskap och hur artificiell intelligens i framtiden ytterligare kommer att hjälpa till att arbeta med data till förmån för mänskligheten.

Sergiy Boryslavskyi, chef för avdelningen för digitala lösningar och plattformar, Vodafone Ukraina

gg: Hur började din karriär och hur kom du till den position du har?

Sergiy Boryslavskiy: Nu heter min tjänst Head of Digital Solutions and Platforms Department på Vodafone. Vi skapar digitala produkter och implementerar plattformar som vi använder för att distribuera dessa produkter internt. Men på det hela taget har jag arbetat på Vodafone i ungefär 15 år. Jag började i "personalens smedja" - callcentret. Och jag arbetade där mellan par. Sedan gick jag till IT-tjänsten - jag hjälpte anställda att hantera problem som de hade på sina arbetsplatser. Sedan var jag finansiell riskanalytiker, och sedan blev jag dataanalytiker. Först satte jag upp en big data-avdelning för B2B-segmentet (B2B är business to business, där försäljning sker mellan företag eller organisationer - reds anm). Och efter det var jag redan chef för den avdelningen.

gg: Vem studerade du för?

Sergiy Boryslavskiy: Jag är chef till yrket, och när jag började min karriär på Vodafone fanns inte dataanalytikeryrket ännu. Men Vodafone har alltid haft en hel del data, och det har alltid funnits ett stort antal tillfällen för oss att arbeta med dessa data: för intern effektivitet och för att skapa produkter.

Och jag borde ha studerat yrket när det först skapades. Jag började med programmeringsspråk - det var SQL. Nu lär sig fler specialister Python. Det är de två huvudspråken som dataanalytiker oftast arbetar med.

gg: Är SQL och Python obligatoriska för en dataanalytiker eller inte?

Sergey Borislavsky: För några år sedan skulle jag ha sagt: "ja". Nu håller situationen på att förändras lite. Nu finns det low-code-verktyg (utvecklingskoncept med låg kod - red. anm.) eller no-code (utveckling som inte kräver någon kodningskunskap alls - red. anm.). De gör det möjligt att använda data i ett befintligt bibliotek eller i en applikation som analytikern redan använder.

Men du behöver professionell utbildning för att förstå hur allt fungerar. Eftersom mycket beror på ditt arbete. Det handlar inte bara om att visa grafer som pekar uppåt eller nedåt, utan att förstå varför de gör det, hur dynamiken kommer att se ut i framtiden och vilka verktyg som har använts för att göra resultatet så effektivt som möjligt.

gg: Vad består din typiska dag av? Vilka uppgifter utför du?

Sergey Boryslavsky: Till att börja med har jag ungefär 25 personer på min avdelning just nu, mestadels produktforskare som leder vissa projekt och kommunicerar med datavetare och dataanalytiker. Vissa av dessa projekt är databaserade, andra inte. I det andra fallet handlar det om plattformar som vi just håller på att implementera.

I allmänhet består arbetsdagen av att jag har flera grundläggande produktmöten, där vi en gång i veckan eller var fjortonde dag diskuterar hur långt vi har kommit med produkten eller projektet, vilka hinder vi har, eller vilka tidsplaner vi har, och var jag kan vara till nytta.

Eftersom produkten (forskaren) är som en mini-CEO, som måste ha en tydlig vision om hur produkten ska komma ut på marknaden och hur den kan förbättras. Och min roll är att hjälpa min produktforskare att bli framgångsrik. Det innebär att om de har några problem eller om de inte förstår hur de ska gå vidare, så sätter vi oss ner tillsammans och antingen reviderar produktstrategin eller utvecklar en ny. Men det finns tillfällen då allt är bra och vi bara behöver ytterligare resurser som vi kan be företaget om.

gg: Kan du förklara skillnaden mellan data scientist och data analyst?

Sergey Borislavsky: Datavetaren arbetar i det skede när vi behöver skapa en modell som ger en vy för produkten. Det vill säga, produkten säger: "Min produkt bör ha sådana mätvärden som publiksegment", och data scientist tar data från vår lagring och använder den, med hjälp av neurala nätverk, för att skapa de indikatorer som kommer att finnas i produkten.

Med andra ord är det här en person som använder ganska sofistikerade element av artificiell inlärning för att se vilken lösning som är lämplig. Och det är inte alltid bara målgruppssegmentet. Det kan till exempel vara en förutsägelse: "Vad skulle hända om vi gjorde något". Vi hade till exempel ett tidigare projekt där vi samarbetade med en detaljhandelskedja som förutspådde att om vi byggde en butik på den här platsen så skulle försäljningen bli si och så. Vi använde data från mobiloperatören och kunden som försåg oss med den, och med hjälp av artificiell intelligens gjorde vi prognoserna.

En dataanalytiker är en person som vet hur man arbetar med data. Han förstår var dessa data kan finnas, hur man arbetar med servrar, hur man arbetar med databehandlingsverktyg. Han kan också skapa datavisualiseringar och arbeta med prognoser.

För att sammanfatta: Datavetaren är arkitekten som bygger strukturen och modellen för maskininlärning, och dataanalytikern använder allt.

gg: Kan du berätta mer om vad en produktägare gör?

Sergey Borislavsky: Enkelt uttryckt är en produktägare chef för en liten fabrik som formar produkten. Han har dagliga möten med teamet. Dessutom har han månatliga möten med mig, där han berättar om sina framgångar och misslyckanden. Han utvecklar aktivt nya produkter och, intressant nog, har han en felmarginal. Om Product släpper en produkt som inte är 100% säljbar kommer han att prova den, titta på misstagen och sedan släppa en mer framgångsrik produkt.

gg: Kanske finns det andra roller som är värda att nämna?

Sergey Borislavsky: Det finns också en dataingenjör som hjälper data scientist och data analyst. Han tillhandahåller servrar, verktyg och hastighet. Han optimerar arbetsplatsen så att alla kan göra sitt jobb istället för att fundera på "varför det inte fungerar som det ska". Vanligtvis är det en systemadministratör som optimerar allt.

gg: Vilka kurser skulle du rekommendera för studenter som också vill bli dataanalytiker?

Sergey Borislavsky: Vi har Big Data Lab-skolan, som utbildar fullfjädrade dataanalytiker på bara sex månader. Det är sant att kursen är mycket intensiv, ganska komplicerad och kräver viss grundutbildning. Den innehåller inte bara teori, utan även praktiskt arbete med verkliga data. Därför vet specialister efter avslutad utbildning hur man arbetar med data och utför specifika affärsuppgifter. För nybörjare kan du börja med den teoretiska Coursera.

Men det finns så många kurser nu att det är svårt att avgöra vilka som är de bästa, men inom detta område är det viktigaste för mig att en person ska vara intresserad och nyfiken. Han bör hitta svar där andra tycker att de är ganska svåra. Om en person verkligen vill hitta en kurs för sig själv kommer han att göra det. Det finns både gratis och betalda kurser. Jag skulle inte säga att betalda kurser är 100 gånger bättre. Det beror helt på personen. Du kan ta mycket från gratis kurser. Jag pratar om mitt sätt nu, för jag har inte alltid kunnat köpa kurser. Till att börja med skulle jag rekommendera att titta på videor på YouTube och söka efter något på Google. Och välj sedan en väg för dig själv.

gg: Finns det universitet som utbildar framtida dataanalytiker?

Sergiy Boryslavskyy: I världen finns det många sådana, och när det gäller Ukraina är det till exempel National Technical Institute och Kyiv National Taras Shevchenko University. De ger yrkeskunskaper som människor kan använda. Vi har tagit ganska många studenter från just dessa universitet som arbetar med data på Vodafone. I grund och botten arbetar de med interna fall - för att se vad abonnenten behöver nu, eller vilken tjänst som är värd att erbjuda. Sedan hjälper vi dessa personer att få ny kunskap och förbättra sina färdigheter.

gg: Exakt hur hjälper Vodafone dig att få ny kunskap?

Serhiy Boryslavskiy: Jag har redan berättat om Big Data Lab-skolan. Efter att ha fått en utbildning där tog vi till och med ganska många nya människor till vårt team. Om du har förmågan och vill arbeta med data är det här programmet helt rätt för dig. Och inte ens kriget gjorde någon större skillnad.

gg: Vilka tekniker och verktyg används för att arbeta med big data? ChatGPT kanske?

Sergey Borislavsky: Vi använder inte ChatGPT ännu, men vi studerar det. De fall vi ser kan användas för underhåll. Denna artificiella intelligens kan mättas med data. Säg att du nu är en kontaktcenteroperatör, delvis integrerar den med fakturering, och sedan kan ChatGPT 24/7 använda våra operatörsdata, våra data och information om våra tariffer för att tillhandahålla service till kunden. Jag tror att sådana fall kommer att uppstå inom en snar framtid.

Men det finns fortfarande en säkerhetsfråga här. Vi studerar det för att se om vi kan använda en sådan lösning internt så att våra kunders data inte läcker ut.

gg: Vilka tekniker använder då Vodafone?

Serhiy Boryslavskiy: Det är olika egenutvecklade maskininlärningsmodeller beroende på fall. När det är nödvändigt att förstå vem som använder en bil - en modell, när det är nödvändigt att dela upp kunder i män och kvinnor - en annan modell. Vi vet att i vissa fall presterar en viss modell bättre. Och en person som arbetar med dessa bilar måste förstå i vilka fall vilken modell som kommer att vara mer framgångsrik. Det är därför man inte kan ta en färdig applikation med alla data och få 100-procentiga resultat. Hittills fungerar det inte på det sättet.

Och i allmänhet kommer artificiell intelligens i framtiden att ge sig själv uppgifter i enlighet med efterfrågan

gg: De maskininlärningsmodeller som du använder, hur lång tid tar det att träna dem?

Sergei Borislavsky: Det beror på hur kraftfulla dina servrar är och vilka uppgifter du behöver. Att träna ett neuralt nätverk för enkla kommandon med en kraftfull server tar från en timme till flera dagar. Vi ger till exempel en datauppsättning som anger vilka av våra kunder som är män och vilka som är kvinnor - lär dig. Sedan ger vi datauppsättningen igen, men vi anger inte vem som är vem och har redan ställt in uppgiften: dela upp publiken i män och kvinnor. Med vår erfarenhet kan detta göras på en timme. Men om vi gör en stor mängd arbete, där vi behöver flera neurala nätverk, där ett av dem bearbetar resultatet, tillhandahåller data och sedan bearbetar nästa resultatet, kan träningen ta några dagar. Dessutom måste det neurala nätverket ständigt övervakas för att säkerställa att det kontinuerligt ger nya data och inte försämras, eftersom det då kommer att ge de sämsta data. Om detta (försämring) redan har inträffat måste du träna det neurala nätverket från början så att det ger bra resultat.

gg: Vilka exempel på användning av big data-analys kan man hitta i verkligheten?

Sergey Boryslavskyy: Om vi tar Vodafones fall så är det fall som gör det möjligt för operatören att se vad människor använder och om de är nöjda med våra tjänster, och att erbjuda ytterligare funktioner för att hålla dem kvar hos oss så länge som möjligt.

Vi har också fallet med det misstänkta numret. Om en kund aktiverar denna funktion tas inga meddelanden eller samtal emot när vårt system fastställer att detta kan utgöra ett potentiellt hot mot kunden. Vi misstänker till exempel att den här personen kan komma att använda dina personuppgifter.

gg: Vilka andra perspektiv ser du i användningen av neurala nätverk?

Sergei Borislavsky: De kommer att göra att vi inte behöver lägga tid på vissa uppgifter som vi gör nu. Till exempel att göra en presentation för dig med hjälp av de data du har, eller att göra analyser av viss text. En person kommer att spendera sin tid mer effektivt: att forma en tanke eller att vara medveten om vilken riktning man ska gå i. Jag kan se att AI kommer att spara mycket tid på att söka efter svar. Om du till exempel använder Google måste du gå till 10 webbplatser för att hitta ett svar, medan ChatGPT kan göra allt på en gång.

gg: Den främsta magin med artificiell intelligens är två saker: att förutsäga och befria mänskligheten från rutinuppgifter?

Sergey Borislavsky: Ja, men det vore önskvärt om AI kunde måla bilder eller skriva musik, men än så länge är människan en favorit när det gäller dessa uppgifter. Och en fullständig revolution kommer att ske när AI inte bara skapar en konventionell möbeldesign, utan också förklarar varför den kommer att sälja.

gg: Kommer AI att kunna ersätta vissa yrken helt och hållet?

Sergey Borislavsky: Jag ser två varianter av utveckling:

• Yrken som designer eller copywriter kommer att försvinna
• Människor kommer att använda AI för att förbättra resultaten och bli mer effektiva, eftersom neurala nätverk fortfarande behöver göra en korrekt begäran, och ingen kommer att göra en bättre begäran än en designer för att skapa möbler.

Och i framtiden kommer AI att ta över jobbet för de flesta yrken. Det betyder inte att alla kommer att bli uppsagda, bara att mänskligheten kommer att ha en sidekick som kommer att vara en co-pilot.

gg: Om vi återgår till ditt jobb, hur förändrades det under kriget?

Sergei Boryslavsky: År 2019 skapade vi en infrastruktur så att alla i företaget kan arbeta var som helst i världen. Vi har alla bärbara datorer och säkra kanaler för att komma åt våra resurser. Det enda som behövs är internet. Och kriget har visat att om det finns internet kan vi fortsätta att arbeta. Men detta är både ett plus och ett minus. På plussidan finns att vi kan arbeta var som helst och när som helst. Minus - det finns en brist på live kommunikation med kollegor. Personligen mötte jag det enda problemet - det fanns några Internet- och ljusfel, men det var fallet med de flesta ukrainare. Och det fanns inga svårigheter från företagets sida. Hela infrastrukturen finns i molnet, så det är möjligt att arbeta.

gg: Hur skulle du berätta för ett barn vad du gör?

Serhiy Boryslavskyy: Mitt äldsta barn är nästan 9 år gammalt och för ett och ett halvt år sedan tog jag med henne till kontoret och hon frågade mig: "Pappa, vad gör du? Och om vi pratar om att analysera produktdata - det är ganska komplicerat. Jag försökte förklara att vi gör saker som hjälper våra kunder att bli bättre. Jag tror att vi om ett år kommer att ha en annan diskussion med ett barn där det kommer att finnas exempel, men just nu är det så här. Jag har också ett andra barn som är på väg att växa upp och som också kommer att fråga vad jag gör. Så jag kommer att tänka på vilket svar som är mer lämpligt för en 5 år gammal småbarn.

För dig som vill veta mer

• Den ouppnåeliga konstens höjdpunkt: Varför ritar Midjourneys artificiella intelligens 6 fingrar på dina händer och hur kan det åtgärdas?
• Dmitry Yakovlev (MacPaw): Gratis VPN är inte en förlust av pengar utan vårt bidrag till Ukrainas informationssäkerhet
• Valery Yakovenko (EcoFlow): Vi borde producera el hemma för att konsumera den själva
• Från skumplan till den mångsidiga SKIF-plattformen: historien om det ukrainska företaget Culver Aviation
• The Stray story: hur en katt från en cyberstad blev årets upptäckt och påverkade spelindustrin