Привет, Хабр! Меня зовут Надя, уже более двух лет я работаю дата-сайнтистом в «Инфосистемы Джет». Я привыкла почти всегда находиться в мужском коллективе, а выбор профессиональной сферы деятельности не особо помогает изменить эту ситуацию: раньше я работала в ракетно-космической отрасли, а сейчас — в металлургии.

Про переход в ИТ, ML на производстве и гендерные стереотипы — смотри ниже.

Научный бэкграунд

После окончания школы я поступила в МГУ им. М.В. Ломоносова на механико-математический факультет. В детстве я увлекалась космической тематикой, зачитывалась научной фантастикой, смотрела много фильмов на эту тему и грезила о том, чтобы связать свою жизнь с ракетно-космической отраслью. После 2-го курса я стала погружаться в область механики космического полета, а позже поступила в аспирантуру, чтобы заниматься исследованием оптимальных траекторий возврата к Земле с орбиты искусственного спутника Луны с использованием нескольких импульсных маневров.

Параллельно, еще на 5-м курсе университета, я пошла работать в одно крупное московское конструкторское бюро, чтобы погрузиться в ракетно-космическую отрасль и лучше понять ее именно с инженерной точки зрения. Там я занималась разработкой систем управления космических и беспилотных летательных аппаратов. Проработав 7 лет, я приняла решение уйти. К сожалению, мой юношеский запал к тому времени уже иссяк, а изнанка работы оказалась далеко не самой радужной. Основным триггером стал большой жизненный цикл проектов: результат своей работы можно было увидеть только через 5–10 лет. А иногда и не увидеть вовсе.

Тем не менее, этот опыт оказался очень ценным. Во-первых, он научил меня комплексно подходить к решению задач и анализировать каждую ситуацию с разных сторон. Во-вторых, я получила ценные навыки взаимодействия с совершенно разными людьми и опыт руководства небольшой группой сотрудников. Наконец, я поняла, что мне совершенно неинтересно заниматься исключительно теоретическими изысканиями, а намного важнее — решать практические задачи.

Войти в айти

Наиболее близким для меня было направление Data Science. В работе инженером я разрабатывала навигационные алгоритмы и внедряла их в системы управления. Также мне доводилось проводить эксперименты, искать данные, собирать датасеты для моделирования, статистически оценивать точность работы алгоритмов, а потом демонстрировать результаты руководству. В некоторых задачах я использовала нейросети и работала с PyTorch и OpenCV.

Где-то 3-4 месяца я тратила всё свободное время на обучение. Так как какие-то элементы DS я уже применяла в работе, а что-то было знакомо за счет математического образования, мне нужно было лишь закрыть пробелы в знаниях. В этом мне помогли курсы на Stepik — они дали костяк, за который можно было зацепиться и продолжить самообучение с помощью информации в интернете, видео на YouTube, соревнований на Kaggle и пр.

Data Science применяется во многих сферах. В банках ее используют для решения задач кредитного скоринга, в маркетинге — для персонализации пользовательского опыта, а в ритейле с помощью DS можно оптимизировать раскладку товара на полках, чтобы увеличить продажи. Про задачи, связанные с компьютерным зрением, я уже молчу :)

Но я работаю на проекте, связанном с металлургией. Чувствую себя «своей среди чужих»: многие сотрудники «по ту сторону» даже не догадываются, что я аутсорсер. Быть частью двух структур — очень выгодно. Можно перенимать методы работы заказчика и смотреть, как делаются проекты внутри своей компании.

В металлургии много сложных вызовов, которые требуют погружения в область и знания производственных стандартов. Не могу сказать, что мне было сложно адаптироваться. За счет моего бэкграунда я уже понимала, как устроена работа над проектами и общение внутри. Но была приятно удивлена, что, несмотря на слегка консервативный вайб, технологические процессы здесь выстроены очень грамотно. А темп — оперативный. От старта проекта до выпуска в прод и функционирования может пройти всего один-два месяца.

Радует и количество разнообразных задач в разрезе Data Science. Можно заниматься и аналитикой, и использовать различные ML-модели: начиная от простой линейной регрессии и градиентного бустинга и заканчивая CV-моделями и рекуррентными нейронными сетями (например, LSTM). За счет этого получается поработать с совершенно разными технологиями и расширить кругозор. Знаю, что у многих коллег по цеху ситуация другая: они отвечают только за конкретную нишу, например, компьютерное зрение (CV). Так что, если хотите реализовать весь свой потенциал — велком в сферу металлургии! На производстве есть и множество возможностей, и четкие стандарты для вывода моделей в прод.

Зачем консервативной металлургии машинное обучение

Главная задача на производстве — автоматизация процессов, за счет которой уменьшается себестоимость продуктов без потери (и даже с повышением) их качества, а также минимизируются ошибки, связанные с человеческим фактором. Использование ML и других интеллектуальных решений уменьшает риски выхода из строя дорогого оборудования и возникновения аварийных ситуаций и травм.

Я работаю в прокатном производстве. Оно представляет из себя набор различных агрегатов, на которых осуществляется раскатка толстого листа стали или сляба. Вместе с командой мы разрабатываем в основном рекомендательные сервисы, оставляя финальное решение за оператором. По сути, это такой помощник, который позволяет снизить нагрузку на человека, предоставляя ему выбор — согласиться с предложенным решением или нет.

Один из последних проектов — разработка сервиса для рекомендации скорости прокатки. Проблема заключалась в том, что операторы прокатного стана руководствовались своим личным опытом при выставлении скорости, предпочитая ставить ее пониже (чтобы избежать дефектов), что не всегда оптимально с точки зрения эффективности производства. Мне нужно было проанализировать причины возникновения дефектов и построить модель для рекомендации скорости прокатки. Эта модель была обучена на данных за несколько лет, собрав тем самым опыт различных операторов. Ее использование позволяет рекомендовать более высокую скорость для каждого конкретного случая, причем это делается не при помощи сухих цифр из технической инструкции, а на основании реальных исторических данных.

Над всеми проектами я работаю совместно с куратором со стороны заказчика, который высокоуровнево погружается в задачу, и проджект-менеджером, взаимодействующим с цехом и помогающим решить огромное количество организационных и технических вопросов. Когда мы принимаем решение о выведении модели в прод, то здесь подключаются fullstack-разработчики, которые пишут всю обвязку для взаимодействия с моделью, находящейся в Docker-контейнере. Я же осуществляю отладку работы сервиса уже на реальных данных и пишу скрипты для их предобработки перед тем, как они поступят в модель.

Данные собираются с разных источников: камер видеонаблюдения, измерительных систем, датчиков и контроллеров. Бывает, что информации недостаточно или она не очень качественная, что мешает правильно построить модель. Поэтому важно, чтобы дата-сайнтист глубоко погружался в предметную область и имел понимание, какую информацию нужно собрать, чтобы разработанный сервис оказался эффективным.

Лучше всего познакомиться поближе с самим производством: изучить все технологические стандарты и инструкции, вживую оценить возможности агрегатов и другого оборудования, разобраться в информационных и измерительных системах. На производстве есть масса разнообразных нюансов. Например, поставить те же камеры оказывается не так просто с технической точки зрения — может быть плохая освещенность или, если речь идет о горячем прокате, камеры могут запотевать.

Про неженское ремесло

Весной HH.ru опубликовал статистику, что практически каждый третий соискатель в сфере ИТ — женского пола. Это очень круто! Я всегда считала, что любые предубеждения относительно женщин в ИТ существуют только в голове.

К моему огромному сожалению, у меня было несколько талантливых знакомых, которые так и не смогли пробиться через эти предубеждения, выбрав в итоге работу, которая была более социально ожидаемой. Мне кажется, что слово “diversity” должно стать хэштегом нашего времени. Разнообразие в коллективе помогает со всех сторон взглянуть на каждую проблему. И здесь речь идет не только о гендерном разнообразии, разумеется, но и о различиях в возрасте, жизненном опыте, образовании и пр.

На своем опыте я не могу припомнить истории, чтобы на работе люди смотрели на меня косо из-за моего гендера. Но когда я была в поиске, во время интервью в разных компаниях мне, например, приходилось достаточно часто слышать вопрос о том, планирую ли я детей. Попав в «Инфосистемы Джет», я была приятно удивлена, что здесь работает много женщин, в том числе на руководящих позициях.

Что я могла бы посоветовать тем женщинам, кто боится и не уверен в себе:

1. Не слушай никого, если кто-то говорит тебе, что у тебя ничего не получится. Просто верь в свои силы.

2. Есть такое мнение, что первобытные люди потому носили на шее амулеты из зубов убитых ими животных, что это давало им определенную уверенность в себе. Эти амулеты были как бы доказательством того, что раньше у них уже получалось успешно охотиться, а значит, получится и теперь. Так вот, чем больше успешных кейсов ты видишь (как своих собственных, так и чужих), тем более уверенно ты себя ощущаешь, а все преграды кажутся вполне себе преодолимыми.

3. Составь план и «ешь слона» по частям. Например, начни проходить курсы на Stepik, они бесплатные и зачастую очень интересные. Кроме того, они довольно компактные по времени, ты не растянешь обучение на несколько месяцев, а будешь получать первые результаты довольно быстро.

4. Не бойся проходить собеседования и не переживай из-за отказов — в этом суть обучения. Старайся анализировать, что пошло не так, прокачивая свои слабые стороны.

5. Создай себе правильное окружение — вступи в профильные коммьюнити для женщин, например, в Woman in Tech, Girls do IT, Women in Big Data, Women Who Code. Их главная миссия — поддержка профессионального развития женщин в ИТ, борьба с дискриминацией и неравенством. Организаторы регулярно проводят семинары, курсы и мастер-классы, как обучающие, так и направленные на нетворкинг и обмен опытом.

Буду рада почитать в комментариях истории других девушек в ИТ или в науке.