0 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Как не ошибиться с выбором профессии

Как не ошибиться с выбором профессии

Спрос на те или иные специальности — величина изменяющаяся. Она зависит от того, что происходит в социально-экономической жизни общества в России и мире. Выбор профессии стоит соизмерять с этими процессами, и тогда ваш ребенок гарантированно получит площадку для будущего карьерного роста. «Мел» публикует обзор Smart Course о мировых трендах в выборе профессии.

Пророчества Forbes

Аналитики Forbes составили прогноз на грядущее десятилетие. Общее направление, которого стоит придерживаться, — рост потребности в специалистах сферы услуг. Энергетический и финансовый кризисы внесли значительные коррективы в списки престижных профессий.

На пике популярности во всем мире:

1. Специалисты по взаимодействию с государственной системой управления (GR-менеджеры);

2. Эксперты по вопросам добычи нефти в труднодоступных месторождениях;

3. Специалисты по альтернативным источникам энергии.

Люди все меньше читают традиционные официальные медиа и все чаще ищут альтернативные источники информации, где личная позиция автора изложена ярко и аргументированно. Все это приводит к росту популярности журналистов-блогеров. Как считают аналитики Forbes, эта профессия еще долго будет востребованной.

Мировые тенденции

Средняя продолжительность жизни в развитых странах увеличивается — для обслуживания пожилых людей необходимы врачи-геронтологи. Перенаселение и миграционные процессы тоже оказывают влияние на мировой рынок труда: отсюда интерес к таким профессиям, как специалист по адаптации переселенцев и специалист по развитию территорий. Без труда найдут высокооплачиваемую работу генетики-селекционеры, спасающие мир от угрозы голодной смерти. Международные компании нуждаются в услугах консультантов по ведению бизнеса в Африке: регион богат ресурсами и привлекателен для инвесторов.

Карьера в СНГ

В Россию мировые тренды приходят несколько позже. Это тоже следует учитывать в профориентации и знакомить подростков именно с теми специальностями, которые будут актуальны именно там, где они собираются жить. Можно ориентироваться на целевые правительственные программы, государственную поддержку тех или иных отраслей, строительство предприятий. Так, во многих крупных городах нашей страны сейчас строят научные кластеры IT-направления. Всеобщая компьютеризация немыслима без многочисленной армии айтишников.

Социологи выделяют несколько наиболее актуальных тенденций рынка труда в СНГ:

1. Инженеры, без которых невозможно возведение крупных предприятий и выхода промышленного бизнеса на международный уровень;

2. Специалисты по нанотехнологиям необходимы в промышленности, машиностроении, медицине;

3. Динамично развивающаяся торговля нуждается в маркетологах, логистах;

4. Поиск альтернативных источников энергии актуален и для нашей страны. Для этого необходимы химики, физики, экологи.

Безусловно, по-прежнему необходимы «вечные» профессии учителей и врачей. Однако и их затронули изменения: в медицинской сфере на первый план сегодня выходят направления эстетической медицины и геронтологии. А в области педагогики наиболее ценным считается умение «научить учиться» — востребованы коучи и психологические тренеры.

Качества востребованного специалиста

Проблема выбора профессии осложняется необратимыми процессами на рынке труда. Конкуренция становится жестче, а темпы развития и модернизации любой отрасли ускоряются. Такая ситуация формирует универсальный набор качеств, необходимых каждому профессионалу, независимо от рода его деятельности. Овладев этими качествами, молодой человек окажется гораздо ближе к успешному трудоустройству.

Читать еще:  Глухари и тетерева: предвестники весны

1. Пресловутый английский и достойное владение компьютером уже давно перешли в разряд базовых умений любого человека;

2. Современному профессионалу необходимо быть открытым к переменам и активно совершенствоваться;

3. Приветствуется разностороннее развитие, дающее преимущество в освоении смежных специальностей;

4. Каждому работнику нужны коммуникабельность, устойчивость к стрессу, ответственное отношение к делу, творческий взгляд на мир;

5. Настоящее мастерство, умение производить действительно качественный продукт сделают специалиста ценным приобретением для любой компании.

Профессия Data Scientist: как не ошибиться с выбором

Человек любит играть с цифрами или цифры с человеком? В классическом среднем образовании есть забавный парадокс: школьников натаскивают зазубривать правила и случаи их применения, но чем больше ученик знает правил и исключений, тем чаще имеет возможность совершить ошибку. В диктанте, сотканном из текстов классической русской литературы, изобилие запятых уточняющего характера, приводит к мысли, что именно не поставленная запятая является ошибкой. Следовательно, грамотная работа – это сочинение с большим количеством запятых. Проблема причинно-следственной связи, не так ли? Может быть, если вы хороший писатель, вы используете много запятых уточняющего характера, но это не тот случай, когда количество запятых делает вас хорошим писателем…

Интерпретация запятых в классической русской литературе – это пример плохого анализа данных, построенного на отсутствии любознательности и понимания математической статистики. Эти факторы + страстное желание развиваться в области информационных технологий – ключевые в понимании специальности «учёного по данным».

Пост подготовлен по материалам выступления сотрудника Airbnb, специалиста по data science.

Не будем подробно останавливаться на том, почему профессия data scientist отмечается как одна из самых привлекательных и перспективных в мире. Достаточно упомянуть, что число вакансий в этом направлении растёт по экспоненте, а по расчётам McKinsey Global Institute к 2018 году в одной только Америке понадобится дополнительно 190 тысяч специалистов по данным, имеющих подготовку в области статистики и машинного обучения. McKinsey отмечают, что дополнительно понадобится обучать миллионы менеджеров базовым навыкам работы с данными.

Это огромный рынок, который только появляется, однако проблемы big data и способы их решения возникли не вчера. Объём архивных данных, накопленных за годы работы только в Airbnb, составляет несколько петабайт данных. Ежедневно обрабатываются десятки терабайт информации при помощи хранилища, построенного на основе Apache Hadoop и Hive. Мы уже рассказывали о персонализированной поисковой системе Airbnb – создана она на системе распределённой обработки в режиме реального времени Storm. Для Airbnb анализ пользовательских данных необходим для принятия практически любого решения по развитию компании. И нам жизненно необходимы профессионалы data scientist.

Читать еще:  Какую зиму пророчат нам приметы?

На сегодняшний день только треть спроса на data science специалистов может быть удовлетворена. Недонасыщенный рынок не может предоставить компаниям квалифицированные кадры в области data mining или прогнозной аналитики, что ведёт к росту спроса и зарплат. Государственные и частные вузы не справляются с процессом подготовки специалистов по работе с данными.

Data Scientist: личностные особенности

Ряд технических ВУЗов предлагают программу подготовки «магистров наук по науке о данных и менеджменту». Специальность потребует от вас глубоких знаний в области математической статистики, машинного обучения, программирования. Однако никакое обучение не сравнится с опытом, который вы получите непосредственно от работы, сталкиваясь с реальными проблемами. Только работа продемонстрирует вам, что выбранный путь – не самый простой в жизни.

Заниматься data science так же трудно, как заниматься наукой вообще. Как и в обычных научных дисциплинах, большинство применяемых вами методов не сработают. Вы не можете просто зайти в лабораторию, щёлкнуть пальцами и получить результат. Вы придумаете множество интересных (просто отличных!) вещей: как сделать систему лучше, как настроить и оптимизировать выборку, и тому подобное. Около двух третей ваших идей не сработают. Подавляюще большую часть времени вы будете терпеть неудачу. И должны быть к этому готовы.
Чтобы быть хорошим data scientist не достаточно быть хорошим программистом. Вы должны лучше разбираться в статистике, чем в программной инженерии. Компетентный data scientist – это компетентный статистик. Окружающие вас спецы во всём остальном разбираются лучше – и это нормально, вы должны уметь слушать их, получать от них данные, необходимые в вашей работе.

Data scientist – это человек, который любит математику. Работодатели, ищущие специалиста в области данных, должны в первую очередь обращать внимание на математические специальности. Вы не изучали математику и боитесь поставить крест на карьере? Есть альтернативный путь – изучение информатики. А можно и преуспеть в академической науке. Важен склад ума, понимаете? Вы можете быть специалистом в нейронауке и решить заняться изучением данных – математика примет вас с распростёртыми объятиями.

Погружение в математику не должно мешать вам изучать компьютерные системы. Иначе проще стать преподавателем. Это большая проблема на самом деле, что математики не понимают масштаб используемых данных, они не понимают саму структуру компьютерных данных и, как следствие, не способны смоделировать появление системных проблем в перспективе. Всегда существует брешь между вероятностной математической моделью, которая, как вы предполагаете, соответствует структуре вашей проблемы, и фактическими данным, которые вы пытаетесь анализировать. Собирать статистику – означает метаться между моделью и данными. Очень важно понимать это на глубинном уровне, а не относиться к математике (и компьютерным системам) как к волшебной коробке, куда можно закинуть цифры, повернуть рукоятку и получить результат.

Читать еще:  Краснопёрая красавица

Data Scientist: как им стать

Человек действует сообразно шаблонам, заложенным в голове. При рассмотрении проблемы вы оперируете готовыми моделями поведения. Data scientist работает со случайными величинами и вероятностными моделями, потому что его задача – выявлять самые неожиданные закономерности. Если вы хотите нанять такого специалиста, и признаётесь себе, что не так много знаете о статистике, предложите человеку, которого вы интервьюируете, тест полностью лишенный контекста. Вырванный из контекста. И вы увидите, как он будет обращаться с проблемой не зная, как решить проблему. В этом суть работы – думать не о заранее полученных статистических данных, не о компьютерных моделях решения, а о проблеме. Такое решение демонстрирует способность специалиста оперировать вероятностными моделями со сложными данными.

Итак, вы готовы делать все эти штуки, вы разбираетесь в статистике, понимаете структуру данных и алгоритмы, или вы ученый, понимающий, что лежит в основе моделирования. Теперь вы можете получить работу. Но есть ещё масса всего на свете, чего вы не знаете, что трудно понять, потому что оно не занесено в учебники. Например, большинство аналитиков данных не понимают, как работают команды в рамках разработки программного обеспечения. Это очень пугает и нервирует, когда вы соприкасаетесь со средой с непонятным материалом. Нет ничего унизительно в том, чтобы признать это и начать всё заново – стать учеником более опытных разработчиков.

Наблюдать за развитием программного проекта с нуля – это бесценный опыт. Другой способ получить опыт взаимодействия с реальной средой – участвовать в проекте Kaggle. Ресурс используют для решения сложных задач в разных областях знаний (маркетинг, финансы, банковское дело, медицина, страхование, научные исследования). Kaggle превращает бизнес-задачи компаний в структурированный набор данных, с которыми удобно работать.

Data Scientist: не быть тем, кем ты не являешься

Не пытайтесь быть тем, кем вы не являетесь. Не редко data scientist воспринимают как аналитика данных. Аналитик может сказать: «Если мои инструменты анализа данных не могут ответить на поставленный вопрос, то вопрос остаётся без ответа». Здесь мы задаём вопрос базе данных и, если он не вернется через полчаса, мы отменяем его и переходим к следующему.

Data scientist размышляет следующим образом: «Если мои инструменты анализа данных не могут ответить на поставленный вопрос, значит мне нужны более лучшие инструменты и данные». Этот пример объясняет лучше всего вышесказанного, как быть data scientist. Учёный не говорит: я не могу ответить на вопрос, пойду займусь чем-нибудь другим. Ученый продолжает думать о вопросе и выяснить способы, с помощью которых сможет на него ответить.

Ссылка на основную публикацию
Статьи c упоминанием слов:

Наш сайт использует файлы cookies, чтобы улучшить работу и повысить эффективность сайта. Продолжая работу с сайтом, вы соглашаетесь с использованием нами cookies и политикой конфиденциальности.

Принять
Adblock
detector