Как перейти из логистики в data science, если тебе больше 40 лет: путь Нины Бахтюриной

«Чем дальше я продвигалась в IT, тем больше меня увлекало»: как уйти из логистики в data science

— Вы всегда интересовались IT или интерес к data science появился у вас неожиданно?

— Ещё в школе я любила точные науки больше, чем гуманитарные: увлекалась математикой и информатикой. Но, когда пришло время поступать, предпочла минимизировать риски и выбрать факультет, на который точно пройду. Был 1997 год, и IT-специальности были представлены только в топовых технических вузах вроде Бауманки или МФТИ.

Я же поступила на логистику в Государственную академию управления имени Серго Орджоникидзе. Конкурс на место там был небольшой, а связанные с транспортом направления казались перспективными — мол, с такой специальностью точно без работы не останусь. Я получила образование менеджера по управлению автотранспортными организациями и стала искать работу.

Выбор был невелик: либо идти в государственное или полугосударственное предприятие, либо искать другие варианты.

Устроилась в транспортную компанию менеджером по грузоперевозкам. Работа была интересной, но мне хотелось большего. Так совпало, что именно в этот момент подруга позвала меня в отдел внешнеэкономической деятельности в качестве замены для себя на время декрета. У меня был хороший английский и крепкие познания в статистике ещё со времён университета, так что я быстро влилась в работу.

Мой пул задач постепенно расширялся, пока не стал просто огромным. Приходилось автоматизировать процессы, чтобы успевать. Ещё задолго до data science я активно изучала Excel, делала макросы на Visual Basic, автоматизировала подготовку документов.

Потом, когда в бизнес пришла мода на цифровизацию, меня стали подключать к кросс-функциональным проектам: автоматизации, интеграции учётных систем, внедрению «1С».

Чем дальше я продвигалась в IT, тем больше меня увлекало. Логистика же, наоборот, постепенно наскучила. Плюс сама отрасль стала менее стабильной из-за ковида, последующих кризисов и роста цен. И я решила проверить себя: смогу ли я больше чем в 40 лет перейти из логистики в сферу, где ценятся молодые сотрудники с сильным математическим бэкграундом?

Перед тем как покупать курс, я осознанно сменила работу, потому что понимала, что обучение потребует много времени и сил, а у логистов слишком ненормированный для этого график. Найдя менее требовательную работу, я сразу же купила курс и начала погружение в data science. Этот путь занял два года и потребовал полной отдачи, но я не жалею: это было невероятно увлекательно.

Читайте также:

Как джуниору начать карьеру в data science

— А почему вы выбрали именно data science, да ещё и в медицине? Звучит как не самый простой старт в IT.

— Я долго присматривалась к разным направлениям и, как только увидела название «Data Science в медицине», сразу поняла, что это моё. Интерес к медицине у меня с детства. Сначала он был прикладным: я пыталась разобраться с проблемами со здоровьем и найти ответы на вопросы, которых не могли мне дать врачи. Постепенно мне стало интересно читать медицинские статьи и энциклопедии.

Поэтому, когда я увидела курс по data science в медицине, я сразу захотела его пройти — хотя бы даже из любопытства. Я знала, что существует биоинформатика, которая позволяет анализировать геном, но на этом мои представления о пересечении IT и медицины заканчивались. Очень хотелось узнать больше.

— Не страшно было идти на такой курс, не имея медицинского образования?

— Я тоже поначалу думала, что курс рассчитан на врачей, которые хотят расширить горизонты и повысить квалификацию. Но оказалось, что это базовая программа по data science, в которой медицина фигурировала как фон и не требовала серьёзного знания предмета.

Несмотря на это, курс оказался очень полезным. Главное — делать домашки и самостоятельно копаться в предмете. Многие думают, что на онлайн-курсах им просто положат знания в голову, но это не так.

Особенно тяжело тем, кто приходит совсем с нуля, без базовых знаний по информатике и программированию. У меня всё же был какой-то фундамент: я пробовала писать простой код на Visual Basic и понимала его логику. Плюс я знала статистику, поэтому много в data science для меня было хорошо забытым старым.

Читайте также:

Спасти людей из рабства и защитить редких животных. Как data science помогает улучшить мир

— Что оказалось новым для вас, несмотря на бэкграунд в коде?

— Самым новым для меня оказалось всё, что касается машинного обучения и нейросетей. Для того чтобы по-настоящему понимать, как это работает, нужно владеть высшей математикой: дифференциальными исчислениями, линейной алгеброй… Я могу технически использовать алгоритмы машинного обучения, но именно серьёзной математической основы мне пока не хватает. Это то, что мне предстоит прокачать.

— Какие новые навыки вам удалось протестировать на практике во время учёбы?

— У меня хорошо шли проекты по exploratory data analysis. Везде, где нужно было визуализировать данные, искать взаимосвязи и делать feature engineering, я чувствовала себя уверенно.

Ещё у меня получился классный чат-бот, обученный на твитах живых людей, который может реагировать на вопросы как человек — с уникальной интонацией и юмором. Я ходила и хвасталась друзьям: «Смотрите, у меня появился друг!»

На самом деле, кроме шуток, я очень много сил потратила на этот проект и до сих пор не понимаю, как у меня тогда вышло. Я взяла чат-бота преподавателя для примера, чтобы лучше разобраться в технологии, а он просто не работал на моём компьютере.

Классическая ситуация: код написан четыре года назад и прекрасно работает у автора локально, а у кого-то ещё не запускается. Всё дело в версиях. Пришлось корпеть и переписывать код под новые версии, даже приходилось менять команды. В итоге у меня всё получилось и преподаватель меня похвалил.

Иногда получается найти решение, иногда — нет. У меня, например, был проект с приложением, которое должно было принимать файл в JSON, прогонять его через ML-модель и возвращать результат тоже в JSON. В итоге оно принимало данные, а обратно не отдавало. Почему — так и не разобралась, но однажды точно к этому вернусь.

Ещё мне запомнилось задание, для которого нужно было обучить нейросеть анализу медицинских снимков и оформить это всё в виде веб-приложения с помощью библиотеки Flask. До этого у меня руки так и не дошли, потому что затык случился ещё раньше. В программировании есть такое понятие, как сериализация. Например, ты обучаешь нейросеть, сохраняешь её, архивируешь, а потом снова разворачиваешь — на этот раз в приложении. У меня не получалось развернуть её — код попросту выдавал ошибку.

Мне пришлось переписать архитектуру приложения практически полностью, используя другие подходы и перерыв кучу сайтов и документаций. В итоге у меня получилось переписать архитектуру, но доделать приложение я так и не успела. Пришлось сдать всё, что было, с комментариями о том, почему не получилось довести проект до конца.

Практические работы показали мне, что в программировании важно полное погружение. Если ты не вникнешь в суть задачи сам, никто её за тебя не сделает — подсказки помогают только тогда, когда ты сам уже почти дошёл до сути.

Нужно всё пропускать через собственный опыт и уметь думать головой. И конечно, не пасовать перед лицом трудностей.

«Не бойтесь отказов и пробуйте»: как без опыта найти работу в новой сфере

— Звучит впечатляюще для учебных кейсов! Наверное, такой опыт здорово помог при поиске работы в новой сфере.

— Когда обучение подошло к концу, я была вымотана двумя годами постоянного совмещения учёбы и работы. Иногда бывало, что я до пяти утра запускала нейросеть, через два часа шла на работу, а в обед снова садилась за ноутбук и ковырялась в коде.

Я знаю парня, который в школе вообще никак не отличался трудолюбием, но, как только увлекся биоинформатикой, стал буквально машиной. Купил себе кучу дорогущих книг по теме, ночами штудировал Python, параллельно проходил разные курсы. В итоге устроился стажёром в «Яндекс», потом в «Сбер», а сейчас вообще в Китай уезжает учиться. И я его понимаю.

Единственная разница между нами в том, что ему двадцать с лишним, а мне — больше сорока. Я не могу себе позволить регулярно не спать ночами без вреда для здоровья. Поэтому после окончания курса я специально взяла паузу и несколько месяцев жила в своё удовольствие: фитнес, сон, еда. Даже начала задумываться: «А зачем мне снова эта гонка? Мне и логистом неплохо работается». Но потом мне снова стало скучно. Внутри всё зудело, не терпелось попробовать себя в новом деле и доказать, что двухлетнее обучение было не зря.

Я запросила консультацию в Центре карьеры Skillbox и, пока ждала приёма, начала потихоньку искать вакансии сама. Изучая HeadHunter, случайно наткнулась на вакансию аналитика практически рядом с моим офисом. Требования были серьёзные: опыт от года, продвинутый Excel, знание OLAP-систем.

За пару недель до этого я сидела в баре с другом, и он спросил у меня, не пишу ли я на MDX. Я тогда даже не знала, что это такое. Погуглила — оказалось, что это язык для работы с OLAP. Я прочла несколько статей об этом из интереса, а тут вакансия, где как раз OLAP. Я решила не стесняться и подумала: «Ну, раз я что-то читала, значит, сумею ответить на вопросы».

Читайте также:

Как изучить data science по-настоящему, а не развлекаться трюками

Позвонила эйчару, сказала, что знакома с OLAP и хочу откликнуться на вакансию. Меня, как и ещё 34 соискателей, пригласили на собеседование, а потом выдали тестовое задание с огромным массивом данных. Я думала, что сделаю его за вечер, а в итоге сидела три ночи подряд — пришлось осваивать PowerPivot и Power Query. В понедельник утром отправила, а в обед мне уже позвонили со словами: «Вы приняты».

Я была счастлива: устроиться аналитиком без опыта — это огромная удача. Хотя дело не только в счастливом стечении обстоятельств. Описание вакансии выглядело так, будто я не дотягиваю до нужного уровня кандидата. На деле же уровень моих знаний оказался выше, чем требовалось.

Конечно, это лотерея и риски. Не все могут себе такое позволить. Я могла, потому что у меня уже была освоена довольно востребованная профессия. Кстати, логистика здорово пригождается мне, потому что сейчас я занимаюсь ассортиментным планированием и анализом товарно-материальных запасов.

— Что вам больше всего нравится в новой работе?

— Задачи по визуализации. Я обожаю делать дашборды и презентации — возможно, потому, что я по натуре визуал. Ещё один плюс: я работаю в фармацевтической компании, где могу реализовывать свой интерес к медицине.

Это увлечение, кстати, очень мне помогло: для того чтобы выполнить тестовое задание, нужно было разбираться в классификации лекарств, торговых и международных непатентованных наименованиях, и я многое из этого знала. Опыт в логистике тоже пригодился: мне не нужно объяснять, что такое кратность транспортных упаковок и как проверять товарные остатки в базе.

Из особенно интересного — иногда мне дают задачи по подготовке материалов для конференций или презентаций, в том числе для Минздрава. Вот сейчас делаю презентацию по интернет-заказам: аналитика там простая, а вот визуал должен быть с вау-эффектом, чтобы привлечь внимание. Иногда приходится сидеть по два дня, чтобы придумать одну картинку, которая сразу передаст суть и при этом будет яркой и красивой.

— Вы уже многого добилась в новой профессии. В каком направлении планируете двигаться дальше?

— Я бы хотела развиваться в продуктовой аналитике, аналитике интернет-маркетинга и, конечно, постепенно осваивать машинное обучение. Уже сейчас я сталкиваюсь на работе с задачами, которые можно было бы решить гораздо быстрее с помощью простых ML-моделей.

Есть интерес и к NLP — нейросетевым языковым моделям вроде ChatGPT. Иногда у нас бывают задачи по сопоставлению номенклатур: у поставщика товар может называться определённым образом, а в нашей базе — чуть иначе. Если по десяти строкам можно пробежаться глазами, то, когда речь о сотнях, без автоматизации уже никуда. Здесь могут здорово помочь модели — даже самые простые вроде Word2Vec или FastText.

Риски в смене профессии есть всегда, и, конечно, я понимаю, что легко могу столкнуться с эйджизмом от потенциальных работодателей. Но я убеждена, что аналитики будут становиться всё более и более востребованными, особенно те, кто понимает предметную область изнутри.