Мария Мушуци рассказывает о своем процессе написания, о том, как разбивать сложные темы на составляющие, и о нетехническом навыке, на котором, по ее мнению, ей следовало бы сосредоточиться раньше.
Делиться
В серии «В центре внимания — автор» редакторы TDS беседуют с членами нашего сообщества об их карьерном пути в области науки о данных и искусственного интеллекта, их писательской деятельности и источниках вдохновения. Сегодня мы рады поделиться нашей беседой с Марией Мушуци.
Мария — аналитик данных и менеджер проектов с обширным опытом работы в области исследования операций, машиностроения и оптимизации морских цепочек поставок. Она сочетает практический опыт работы в отрасли с аналитическими исследованиями для разработки инструментов поддержки принятия решений, оптимизации процессов и донесения результатов исследований до технических и нетехнических команд.
В статье «Что на самом деле означают „мышление“ и „рассуждение“ в контексте ИИ и магистерских программ» вы рассматриваете семантический разрыв между человеческим и машинным мышлением. Как понимание этого различия влияет на ваш подход к разработке и интерпретации моделей в вашей профессиональной деятельности?
В последнее время искусственный интеллект вызвал огромный ажиотаж. Многие старые продукты, основанные на машинном обучении, внезапно стали называться продуктами с использованием ИИ, и, похоже, возрос спрос на всё, что связано с ИИ. Поэтому я считаю, что сейчас крайне важно, чтобы каждый имел базовое техническое понимание того, что такое ИИ и как он работает, чтобы уметь оценивать его возможности и ограничения.
Правда в том, что мы несём на себе огромный груз предрассудков относительно самой природы ИИ, берущих начало в нарративах из нашего научно-фантастического наследия. Этот груз заставляет нас легко увлечься захватывающим и многообещающим потенциалом ИИ и забыть о его реальных текущих возможностях, в конечном итоге ошибочно принимая его за некое волшебное решение, которое должно решить все наши проблемы. Нетехнические бизнес-пользователи наиболее склонны к такому чрезмерному восторгу по поводу ИИ, иногда представляя его как «чёрный ящик» — сверхинтеллект, способный давать правильные ответы и решения на любые вопросы.
Как бы там ни было, это совершенно не соответствует действительности. Магистратуры с расширенными правами и возможностями (LLM) — главный научный прорыв, вокруг которого, собственно, и разгорелась вся шумиха вокруг ИИ, — впечатляюще хороши в одних вещах (например, в генерации электронных писем или резюме), но не так хороши в других (например, в выполнении сложных вычислений или анализе многоуровневых причинно-следственных связей).
Техническое понимание того, что такое ИИ и как он в основе работает, чрезвычайно помогло мне в моей профессиональной деятельности. В первую очередь, это позволяет мне выявлять перспективные варианты использования ИИ и управлять ожиданиями бизнес-пользователей относительно того, что можно и чего нельзя сделать. На более техническом уровне это позволяет мне различать конкретные компоненты, которые необходимо использовать в определенных контекстах, чтобы предоставленное решение имело реальную ценность для бизнеса.
Например, если для работы приложения RAG требуется поиск в конкретной технической документации и выполнение расчетов на основе информации, содержащейся в этой документации, это означает, что в приложение необходимо включить компонент терминала кода для выполнения расчетов (вместо того, чтобы позволять модели давать ответы напрямую).
Откуда вы черпаете первоначальное вдохновение для своих статей, особенно для более философских, таких как серия «Непринужденные беседы у кулера»?
Первоначальное вдохновение для моей серии «Непринужденные беседы у кулера» пришло из реальных разговоров, которые я наблюдал в офисе, а также из рассказов друзей. Я думаю, что из-за склонности людей избегать ненужных конфликтов в корпоративной среде, иногда в непринужденных беседах у кулера могут высказываться действительно возмутительные мнения. И обычно никто не указывает на неверные факты просто для того, чтобы избежать конфликта или бросить вызов коллегам.
Хотя подобные разговоры и носят доброжелательный и благонамеренный характер — по сути, это просто непринужденный перерыв в работе — иногда они приводят к распространению неверных научных фактов. Особенно в отношении сложных и не столь очевидных для понимания тем, таких как статистика и искусственный интеллект, мы легко можем чрезмерно упрощать вещи и распространять ошибочные мнения.
Первое же мнение, которое подтолкнуло меня к написанию целой статьи на эту тему, заключалось в том, что «если сыграть достаточное количество раундов в рулетку, в конце концов выиграете, потому что вероятности примерно 50/50, и результаты в конечном итоге уравновесятся». Если вы когда-либо изучали статистику, вы знаете, что это работает не так; но если вы не изучали статистику, и никто об этом не говорит, то после этой дискуссии у вас могут остаться странные представления о том, как работает азартная игра. Таким образом, моим первоначальным вдохновением для этой серии статей послужили в основном неправильно понимаемые темы статистики.
Тем не менее, те же — если не больше — заблуждения сегодня касаются и тем, связанных с искусственным интеллектом. Огромный ажиотаж, вызванный ИИ, привел к тому, что люди придумывают и распространяют всевозможную дезинформацию о том, как работает ИИ и на что он способен, и иногда делают это с невероятной уверенностью. Именно поэтому так важно изучать основы, будь то статистика, ИИ или любая другая тема.
Можете ли вы описать свой типичный процесс написания подробной технической статьи, от первоначального исследования до окончательного варианта? Как вы находите баланс между высокой технической точностью и доступностью для широкой аудитории?
Каждая техническая статья начинается с описания технической концепции, о которой я хочу написать — например, демонстрация использования конкретной библиотеки или структурирования определённой задачи на Python. Например, в моей статье о Pokémon цель состояла в том, чтобы объяснить, как структурировать задачу исследования операций на Python. После определения этой ключевой технической концепции, на которой я хочу сосредоточиться, мой следующий шаг обычно заключается в поиске подходящего набора данных, который можно использовать для её демонстрации.
Я считаю, что это самая сложная и трудоемкая часть — поиск хорошего, открытого набора данных, который можно свободно использовать для анализа. Хотя существует множество наборов данных, найти такой, который был бы свободно доступен, содержал полные данные и был достаточно интересным, чтобы рассказать хорошую историю, — задача не из легких.
На мой взгляд, характер используемого набора данных может существенно повлиять на популярность вашей публикации. Структурирование задачи исследования операций с помощью покемонов звучит гораздо интереснее, чем использование смен сотрудников (фу!). В целом, набор данных должен тематически соответствовать выбранной мной технической теме и представлять собой более-менее связную историю.
Определив техническую тему статьи и набор данных, который я собираюсь использовать, я затем пишу сам код. Это довольно простой шаг: написать код, используя набор данных, и заставить его работать и выдавать правильные результаты.
После того, как я закончил код и убедился, что он работает правильно, я начинаю писать сам пост. Обычно я начинаю свои посты с краткого вступления о том, что изначально вызвало мой интерес к этой конкретной теме (например, я хотел создать сложную визуализацию для своей докторской диссертации, и библиотека searoute на Python значительно упростила мне жизнь), и о том, как эта тема может быть полезна читателю (прочтение моего руководства по объяснению вызовов API к API данных о покемонах поможет вам понять, как писать вызовы к любому API).
Также я добавляю, где это уместно, краткие общие пояснения к лежащей в основе теоретической предпосылки демонстрируемого мною варианта использования, а также краткое введение в используемые мною библиотеки кода.
В основной части технической статьи я обычно показываю, как структурировать код с помощью фрагментов кода на Python, и привожу пошаговые объяснения того, как всё работает и какие результаты вы ожидаете получить, если всё будет работать правильно.
Мне также нравится добавлять GIF-скриншоты, демонстрирующие любые интерактивные диаграммы, встроенные в код — я считаю, что они делают публикации намного интереснее, понятнее и визуально привлекательнее для читателя.
Вот и всё! Технический урок!
Что изначально побудило вас начать делиться своими знаниями и идеями с более широким сообществом специалистов по анализу данных, и какой вклад вносит процесс написания статей в вашу профессиональную деятельность?
В 2017 году, работая над дипломной работой, я впервые наткнулся на Medium и издание Towards Data Science. Прочитав несколько постов, я помню, как был совершенно очарован обилием технического материала, разнообразием тем и креативностью публикаций. Это было похоже на сообщество специалистов по анализу данных, с авторами разного уровня подготовки и технических знаний — статьи были для всех уровней и для различных областей.
Но помимо технической составляющей уроков, которые позволили мне узнать и понять больше о науке о данных, мне также понравились креативность и повествовательный стиль этих постов. В отличие от страниц GitHub или ответов на Stack Overflow, в большинстве постов присутствовала определенная креативность и художественный подход. Мне действительно нравилось читать такие посты — они помогли мне узнать много нового о науке о данных и машинном обучении, и со временем у меня незаметно возникло желание самому писать подобные посты.
После долгих раздумий я с неохотой написал и отправил свой первый пост, и так я впервые опубликовал его на TDS в начале 2023 года. С тех пор я написал еще несколько постов для TDS, получая от каждого из них такое же удовольствие, как и от первого.
Что мне действительно нравится в написании технических статей для TDS, так это возможность делиться тем, что мне самому показалось сложным для понимания или особенно интересным. Иногда сложные темы, такие как исследование операций, теория вероятностей или искусственный интеллект, могут пугать и отпугивать людей, не позволяя им даже начать читать и узнавать о них больше — я сам в этом виноват.
Создавая упрощенную, понятную и даже, казалось бы, занимательную версию сложной темы, я, как мне кажется, даю людям возможность начать читать и узнавать о ней больше, начав с ненавязчивого, неформального подхода, и убедиться самим, что это не так уж и страшно.
С другой стороны, письмо очень помогло мне как в личном, так и в профессиональном плане. Мои навыки письменной коммуникации значительно улучшились. Со временем мне стало легче излагать сложные технические темы таким образом, чтобы их могли понять люди, не разбирающиеся в бизнесе. В конечном итоге, умение объяснить тему другому человеку простыми словами заставляет вас полностью её понять и избегать двусмысленностей.
Оглядываясь на свой карьерный рост, какой нетехнический навык вы хотели бы развить раньше?
В карьере, связанной с обработкой данных, важнейшим нетехническим навыком является коммуникабельность.
Хотя коммуникативные навыки важны в любой сфере, в работе с данными они особенно важны. По сути, именно они помогают преодолеть разрыв между сложной технической работой и практическим пониманием бизнеса, а также способствуют формированию всесторонне развитого специалиста по работе с данными.
Это происходит потому, что, какими бы сильными ни были ваши технические навыки, если вы не можете донести ценность своих результатов до бизнес-пользователей и руководства, они не приведут вас к успеху.
Важно уметь объяснять ценность своей работы неспециалистам, говорить на их языке, понимать, что для них важно, и доносить свои выводы таким образом, чтобы показать, какую пользу приносит их работа.
Данные и математические вычисления, какими бы ценными они ни были, часто кажутся пугающими или непонятными для бизнес-пользователей. Умение преобразовывать данные в значимые бизнес-идеи и эффективно доносить эти идеи до целевой аудитории — вот что в конечном итоге позволяет проектам по анализу данных оказывать реальное влияние на компанию.
Источник: towardsdatascience.com
