Tech in Asia - My Journey in Data Science and Advice for others
Кристофер, управляющий партнёр Tri5 Ventures, взял у автора интервью для статьи «The Life of a Data Scientist», опубликованной на Tech in Asia, где четыре сингапурских специалиста по данным рассказывают, как данные меняют жизнь людей. Здесь автор приводит свои полные ответы. Интерес к восприятию и поведению человека привёл его к психологии, статистике и машинному обучению; после работы в команде Workforce Analytics в IBM он в 2015 году присоединился к команде Data Science в Lazada. Он развенчивает мифы: машинное обучение — это лишь около 20% работы, тогда как ~50% уходит на понимание и подготовку данных, а ещё ~30% — на POC, валидацию/AB-тесты и развёртывание; одной лишь технической виртуозности недостаточно — важно глубоко понимать проблемы, проектировать сквозные решения и убедительно доносить идеи. В Lazada data science помогала с сегментацией, автоматизацией процессов, рекомендациями и ранжированием, а в свободное время автор экспериментировал с глубоким обучением для категоризации и поиска изображений. Он отмечает, что стал более скептичным к утверждениям без данных, и даёт советы начинающим специалистам.
Tech in Asia - My Journey in Data Science and Advice for others
Tech in Asia — Мой путь в data science и советы для других
[ datascience career ] · 4 мин чтения
Recently, Christopher, Managing Partner at Tri5 Ventures, reached out for an interview about “The Life of a Data Scientist”. The intent is to share knowledge and insight with people aspiring to enter the field, or those currently practicing data science.
Недавно Кристофер, управляющий партнёр в Tri5 Ventures, обратился ко мне за интервью о «Жизни специалиста по данным». Цель — поделиться знаниями и наблюдениями с теми, кто стремится войти в эту сферу, или с теми, кто уже занимается data science.
The article was published a week ago on Tech in Asia and can be found here: “4 Singapore-based data scientists share how data has been impacting lives”. It covers data science professionals across multiple backgrounds, including researchers, entrepreneurs, and startups.
Статья была опубликована неделю назад на Tech in Asia и доступна здесь: «4 специалиста по данным из Сингапура рассказывают, как данные влияют на жизнь». В ней представлены профессионалы в data science с разным бэкграундом, включая исследователей, предпринимателей и стартапы.
A few people have asked if I could build on what was shared in the article, so I’m reproducing my complete responses to Christopher here.
Несколько человек спросили, могу ли я подробнее раскрыть то, чем поделился в статье, поэтому я воспроизвожу здесь свои полные ответы Кристоферу.
What made you decide to pursue a career in data science?
Что заставило вас решить строить карьеру в data science?
TL; DR: My interest in understanding human perception and behaviour led me to pursue psychology, statistics, and machine learning. With these skills, I joined Lazada’s Data Science team in 2015.
TL; DR: Мой интерес к пониманию человеческого восприятия и поведения привёл меня к психологии, статистике и машинному обучению. С этими навыками я в 2015 году присоединился к команде Data Science в Lazada.
Wow, I can’t remember the last time being asked this.
Ух, не могу вспомнить, когда меня в последний раз об этом спрашивали.
Since my undergrad days (when I was pursuing psychology and statistics), I’ve been interested in how people perceive, think, and behave. This required measuring perception (surveys, etc), behaviour (actions, etc), and outcomes, and making inference. In other words, data and statistics.
Ещё со студенческих лет (когда я изучал психологию и статистику) мне было интересно, как люди воспринимают, мыслят и ведут себя. Это требовало измерения восприятия (опросы и т. п.), поведения (действия и т. п.) и результатов, а также построения выводов. Другими словами — данных и статистики.
I then got an opportunity to apply this in IBM’s Workforce Analytics team, where we built an internal job recommendation engine for employees and tracked outcomes. The goal was to help people level up in their careers, improve job engagement and performance, and reduce attrition.
Затем мне выпала возможность применить это в команде Workforce Analytics в IBM, где мы построили внутренний движок рекомендаций вакансий для сотрудников и отслеживали результаты. Цель состояла в том, чтобы помочь людям расти в карьере, повысить вовлечённость и эффективность на работе и снизить текучесть кадров.
Along the way, I gained an interest and picked up machine learning. Statistics helps us to understand historical data and make inferences; Machine learning helps us learn from historical data and make predictions.
По ходу дела я заинтересовался машинным обучением и освоил его. Статистика помогает нам понимать исторические данные и делать выводы; машинное обучение помогает учиться на исторических данных и делать прогнозы.
I then got an opportunity to join Lazada’s data science team in 2015, thanks to Kai Xin and John. I’m not exactly sure when my career in data science started, but I guess joining Lazada Data Science might have been it.
Затем мне выпала возможность присоединиться к команде data science в Lazada в 2015 году — благодаря Kai Xin и John. Я не уверен точно, когда началась моя карьера в data science, но, полагаю, ею стал именно приход в Lazada Data Science.
What are 1-2 myths of data science that needs to broken?
Какие 1–2 мифа о data science стоит развеять?
Myth: Machine learning is 80% of the work (is this a cliché myth?)
Truth: Machine learning is about 20%.
Миф: Машинное обучение — это 80% работы (это уже клишированный миф?) Правда: Машинное обучение — это примерно 20%.
Около 50% — это понимание данных, разведка, очистка, подготовка, конструирование признаков. Ещё 30% времени уходит на создание POC, валидацию/AB-тестирование, разработку API, развёртывание и т. д.
Note: The above breakdown is unique to each data scientist, but it’s roughly how my time is spent.
Примечание: приведённое выше распределение уникально для каждого специалиста по данным, но примерно так распределяется моё время.
Myth: I (only) need to be a technical rockstar.
Truth: Being a technical rockstar helps, especially with what I’ve listed above—but it’s not enough to really make an impact. You also need to be able to:
Миф: Мне нужно (только) быть техническим виртуозом. Правда: Быть техническим виртуозом помогает, особенно с тем, что я перечислил выше, — но этого недостаточно, чтобы действительно оказать влияние. Вам также нужно уметь:
Выявлять и глубоко понимать проблемы (в чём первопричина? не лечим ли мы только симптомы?) Проектировать сквозные решения (нет толку, если вы создали нечто потрясающее, но люди не могут этим пользоваться) Эффективно доносить идеи и убеждать (если люди не понимают или не доверяют этому, они не будут этим пользоваться)
A simple chart on how my time is spent here.
Простой график того, как распределяется моё время, — здесь.
What are the achievements that data science has done? Any interesting projects that you like to share? They can be external or the projects that you previously did.
Каких достижений добилась data science? Есть ли интересные проекты, которыми вы хотели бы поделиться? Это могут быть как внешние проекты, так и те, которыми вы занимались ранее.
Within Lazada, data science has helped in several ways, including:
Внутри Lazada data science помогла несколькими способами, в том числе:
Лучшее понимание покупателей/продавцов/товаров через сегментацию, создание профилей и т. п. Автоматизация и масштабирование процессов для снижения затрат (например, машинное обучение для категоризации товаров, разрешения сущностей и т. д.) Улучшение бизнес-показателей (например, рекомендации, ранжирование и т. д.) Помощь стейкхолдерам с данными (например, поддержка AB-тестирования, глубокий анализ данных и т. д.)
In my free time, I’ve been dabbling with using deep learning to:
В свободное время я экспериментировал с использованием глубокого обучения для того, чтобы:
The possibilities seem limitless, and there’s lots opportunity to use data to create positive impact and improve lives.
Возможности кажутся безграничными, и есть масса шансов использовать данные, чтобы создавать положительное влияние и улучшать жизнь людей.
What’s life like as a data scientist? Has your perception changed in life since you always rely on data?
Какова жизнь специалиста по данным? Изменилось ли ваше восприятие жизни, раз вы постоянно опираетесь на данные?
This is a pretty broad question.
Это довольно широкий вопрос.
If you’re asking about how my time is spent, here’s a chart I created a while back.
Если вы спрашиваете о том, как распределяется моё время, вот график, который я составил какое-то время назад.
Thankfully, I still get to spend a majority of my time hands-on coding.
К счастью, я по-прежнему провожу бóльшую часть времени за практическим кодированием.
If you’re asking about life satisfaction, I’m pretty satisfied. My mission is to use data to create positive impact and improve lives—being a data scientist allows me to achieve this.
Если вы спрашиваете об удовлетворённости жизнью, то я вполне доволен. Моя миссия — использовать данные, чтобы создавать положительное влияние и улучшать жизнь людей, и работа специалиста по данным позволяет мне этого достигать.
Has my perception changed? Yes I guess.
Изменилось ли моё восприятие? Да, пожалуй.
Sometimes, I can’t help but see things in our natural world and wonder how to measure them and use data to improve outcomes.
Иногда я не могу не смотреть на вещи в окружающем мире и не задумываться о том, как их измерить и использовать данные для улучшения результатов.
I’m also a bit more skeptical about claims people make, and tend to be conservative and cautious when there’s no data backing the claim.
Я также стал немного более скептичен к утверждениям, которые делают люди, и склонен быть консервативным и осторожным, когда за утверждением нет данных.
Any advice you have to aspiring data scientists?
Есть ли у вас какой-нибудь совет для начинающих специалистов по данным?
I’ve received this question numerous times—enough for me to document it here on my site. It covers some tools and skills, where to learn them, and how to practice them.
Я получал этот вопрос множество раз — настолько часто, что задокументировал ответ здесь, на своём сайте. Там описаны некоторые инструменты и навыки, где их изучать и как их практиковать.
If you found this useful, please cite this write-up as:
Если вы нашли это полезным, пожалуйста, цитируйте эту заметку так:
Yan, Ziyou. (Jul 2017). Tech in Asia - My Journey in Data Science and Advice for others. eugeneyan.com. https://eugeneyan.com/speaking/my-sharing-with-tech-in-asia-talk/.
Yan, Ziyou. (Jul 2017). Tech in Asia - My Journey in Data Science and Advice for others. eugeneyan.com. https://eugeneyan.com/speaking/my-sharing-with-tech-in-asia-talk/.
or
или
@article{yan2017asia,
title = {Tech in Asia - My Journey in Data Science and Advice for others},
author = {Yan, Ziyou},
journal = {eugeneyan.com},
year = {2017},
month = {Jul},
url = {https://eugeneyan.com/speaking/my-sharing-with-tech-in-asia-talk/}
}
@article{yan2017asia, title = {Tech in Asia - My Journey in Data Science and Advice for others}, author = {Yan, Ziyou}, journal = {eugeneyan.com}, year = {2017}, month = {Jul}, url = {https://eugeneyan.com/speaking/my-sharing-with-tech-in-asia-talk/} }
Join 11,800+ readers getting updates on machine learning, RecSys, LLMs, and engineering.
Присоединяйтесь к 11 800+ читателям, получающим обновления о машинном обучении, RecSys, LLM и инженерии.