InTech Meetup #6: Интервју со Филип Витек од TeamViewer

На 9 април во Скопје се одржува InTech MeetUp #6, настан организиран од InPlayer чија цел е да ја собере програмерската заедница на едно место каде ќе можат да зборуваат за технологија, да се запознаат и да се дружат. Филип Витек доаѓа од TeamViewer и е експерт во областите аналитика и вештачка интелигенција, а ќе биде еден од говорниците на овој настан. Ова е кратка најава за неговиот говор кој може да го следите на 9 април во Јавна Соба.

Кажи нѝ нешто повеќе за тебе, кој е Филип и што работи?

Филип е експерт во областа на аналитика и вештачка интелигенција, искусен професионалец кој го има поминато поголемиот дел од неговиот возрасен живот во градење и подобрување тимови и алатки за податоци. Тој е фасциниран од мапирање на човековото однесување со податоци и, поради тоа, ја доживува аналитиката на податоците и како хоби и како работа.

Пред шест години, сфатив дека во помали држави, како Словачка или Северна Македонија, има многу малку разговори за важни трендови во аналитика на податоци, затоа што пазарите се мали за хостирање податоци на гиганти како Google, или Amazon. Започнав со пишување блогови за евангелизирање на нови можности за анализа на податоци и како може таквото нешто да има вистинско бизнис (или социјално) влијание. Напишав над 300 блог постови за анализа на податоци; англиските постови можете да ги најдете на www.themightydata.com. Често прифаќам покани да зборувам на најразлични средби и конференции кои се замислени да ги популаризираат иновативните пристапи за податоци.

Можеш да се пофалиш со над 15 годишно работно искуство во најразлични индустрии, од банкарство, до осигурителни компании, па сè до здравство, транспорт, и слично. Како стигна да го водиш Data Science тимот на TeamViewer?

Претходно, имав привилегија да градам професионални тимови кои специјализираат во полето со податоци. Почнував од нула и користев талент од најразлични индустрии. Компаниите кои го имаа видено моето залагање постојано ми нудеа да им се приклучам и да им помогнат да ги подобрат или одново состават нивните оддели со анализа на податоци. Некои од нив понудија навистина привлечна компензација за моите услуги. Но, не бев во ред со постојано користење на истиот сет од вештини и размислував за тоа како можам да бидат корисен и во наредните пет до десет години. Што повеќе читате за идните трендови, толку повеќе разбирате дека големите пазари на запад пристапуваат кон анализите поразлично и дека овој тренд, порано или подоцна, ќе ги замени моментните пракси. Кога тоа ќе се случи, оние кои ќе останат со најновите аналитички методи, ќе навлезат во тешки времиња, или ќе бидат целосно исклучени од на пазарот на трудот. Не сакав да чекам тоа да ми се случи и на мене и решив проактивно да се обидам да најдам работа во некоја компанија која ги прави најнапредните анализи. Пратив повеќе од 200 резимеа, поминав низ исклучително напорни процеси на селекција и конечно завршив со 5 различни понуди за работа. Го одбрав TeamViewer затоа што има најголема мрежа од направи (1.8 милијарди) и нуди аналитички предизвици кои, најверојатно, не можат да се најдат во некоја друга компанија која е дел од европската унија. По двогодишна ретроспектива, сметам дека беше вистинскиот избор, не само за мене, туку и за TeamViewer.

Како науката за податоци (Data Science) може да влијае на начинот на кој една компанија работи и донесува одлуки? Кои се некои од главните предности?

Одговорот на таквото прашање можеби беше тешко пред 5 или, можеби, 7 години, но сега е навистина едноставно: на кој начин вие ќе решите да ја примените науката со податоци. За некои, можеби ова звучи како клише, но секој процес сега може да биде дигитализиран, дали преку видео или преку дигитални апликации. А, сè што може да биде дигитализирано, може да биде и подобрено. Но, како би можеле да го разберат мојот одговор и оние кои се помалку вешти во одделот со дата процесирање, најчесто науката на податоците е поврзана со предвидување на однесувањето на луѓето, односно, кој што би можел да купи следно. Една од целите е да се заменат чекорите кои се прават од луѓето одново и одново и да се автоматски собира и анализира датата од веб сајтовите и социјалните медиуми.

Вештачката интелигенција станува понапредна со секој поминат ден и се заканува да смени многу работи во индустријата. Како мислите дека вештачката интелигенција ќе влијае на Data Science? Треба ли дата научниците да бидат исплашени или да гледаат на сево ова како на добредојдена промена?

Да, ова е многу добро прашање, за чиј одговор треба сите дата научници внимателно да размислуваат. Поголемиот број од научниците сметаат дека бидејќи алатките кои ќе ја заменат работата на човекот се засновани на податоци, нивната работа и понатаму би била сигурна. Искрено, поголемиот дел од вистинските експерти повеќе се загрижени за следната индустриска револуција, затоа што има многу показатели дека подемот на вештачката интелигенција би засенила голема побарувачка за работна сила за анализа на податоци. Во 9 од 12 главни активности кои се потребни за моделите за машинско учење, компјутерите се на слично или блиско рамниште со способностите на луѓето. Јас инвестирам многу време во разбирање на овој ризик и луѓето од мојата заедница често се шокираат кога објаснувам во кој правец би можеле да бидат насочени работите. Во кратки црти, верувам дека нема сите аналитичари да го преживеат првиот бран од замената со роботите. Поради тоа, многу е важно да се знае во кои области човекот треба да се надградува, како би можел да ги надмине ваквите трендови.

Анализата на податоци е клучен двигател во секој бизнис и скоро секој се труди да стане подобар во напредни анализи или AI. Поради тоа, каков совет би имал за некој кој се труди да стане подобар во ова, како може правилно да се насочат и надградат аналитичките вештини?

Мојот совет обично ги изненадува луѓето и, мора да признам, дека и немам некој совет кој е универзален и се однесува за сите дата аналитичари. Меѓутоа, од она што гледам, многу луѓе се трудат да станат подобри во погрешни работи. Ако отворите каков било курс за самостојно Data Science учење на Udemu или на слични портали, ќе забележите дека првенствено се фокусираат на предавање знаење за алгоритми. Да, неопходно е да знаете кои опции имате, но иако алгоритмите сè повеќе стануваат корисни, тоа не е случајот и со напорите да научите што повеќе од нив.

Она што јас би советувал е луѓето да станат подобри во Feature Engineering и да пронаоѓаат силни променливи за DS моделите. Тоа е, исто така, и тема која решив да ја воведам во InTech Meetup, за каде сум поканет да присуствувам овој април. Ова е областа во која луѓето се и понатаму многу подобри од машините и, поради тоа, би можела да биде (последната) тврдина на човештвото, барем, кога се работи за анализа на податоци.

Ќе бидеш во Скопје, како дел од InTech Meetup #6. Која ќе биде темата на твојот говор? Што можат посетителите да очекуваат?

Мојот говор ќе се врти околу функцијата (влезовите) за Data Science моделите и како да се генерираат. Сесијата ќе почне со објаснување зошто Feature engineering е толку важен и за девелоперите и за дата научниците. Подоцна, би истакнал одредени конкретни примери за лоши, добри, и одлични карактеристики и какви методи можат да се користат за да се откријат или создадат вредностите. Верувам дека секој што ќе дојде да ја види мојата презентација, би можел да биде инспириран и да се подобри во начинот на кој се набљудуваат проблемите со податоците. Сигурен сум дека ќе има одредени смешни ситуации и бројни дополнителни прашања.

Коментирај

Вашата адреса за е-пошта нема да биде објавена.

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>

*

Слични статии