🤔 Как Data Science усиливает опыт в медицине, финансах и промышленности

Есть стереотип, что в Data Science приходят только программисты, которые с первого курса пишут код по 16 часов в сутки. Из-за этого сильные специалисты из других сфер: инженеры, финансисты, медики, маркетологи — иногда сомневаются и думают: «Куда мне на Физтех, у меня же совсем другой бэкграунд...»

❗️Data Science как раз часто работает на стыке профессий. Данные приходят из разных сфер: промышленности, финансов, медицины, маркетинга. Поэтому прошлый опыт не обнуляется, а становится преимуществом: инженер, финансист или врач лучше понимает, где в его области есть реальная задача для ML, какие данные важны и как результат можно применить на практике.

Вот как это работает в разных сферах.

👷‍♂️ В промышленности: от оборудования — к умным алгоритмам

Например, на производстве модель может анализировать данные с датчиков: температуру, давление, вибрацию — и заранее замечать признаки будущей поломки оборудования.

Наш выпускник Даврон до магистратуры занимался программированием промышленных контроллеров. Когда в работе он столкнулся с элементами ML, решил сменить траекторию и глубже разобраться в машинном обучении.

В МФТИ Даврон выбрал формат «стартап как диплом» и вместе с командой работал над платформой Kit Folly для детских садов и семей.

По работе сталкивался с ML и решил кардинально сменить направление в области ML. И мне это удалось. Во многом — именно благодаря магистратуре

— рассказывает он.

Сейчас Даврон работает NLP-инженером в крупной телеком-компании.

⚡️ В финансах: от интуиции — к точным моделям

В финансах и бизнесе алгоритмы помогают, например, находить подозрительные операции, прогнозировать просрочки по кредитам и оценивать долговую нагрузку компаний.

Наш студент Святослав Попов всегда любил математику, но в начале обучения столкнулся с другим вызовом — нужно было перестроить мышление и научиться думать «как айтишник».

Наверное, начинать думать как айтишник, то есть перепрограммировать свой мозг, думать как компьютер в начале обучения было труднее всего

— рассказывает он.

В дипломной работе Святослав прогнозировал коэффициент финансового рычага через графовые эмбеддинги — работал с задачей на стыке математики, данных и финансовой устойчивости компаний.

🏥 В медицине: от снимков КТ — к помощи в диагностике

Например, у врача за день десятки снимков КТ. Модель может заранее отметить участки, похожие на опухолевые изменения, и помочь быстрее разобрать поток исследований.

Но для этого мало просто обучить алгоритм: нужно понимать, какие признаки важны для диагностики, где высока цена ошибки и что врач будет делать с результатом.

В онлайн-магистратуре МФТИ «Науки о данных» студенты получают фундаментальную базу, практику на кейсах и возможность применять ML-инструменты к задачам из разных сфер.

Как говорит Даврон:

В нынешней работе практически каждый предмет мне пригождается

💬 Если вы не уверены, хватит ли вам технической базы, или не знаете, как связать текущую профессию с миром данных, это можно обсудить на бесплатной консультации.

👉 Запишитесь на бесплатную консультацию на сайте: https://mipt.online/masters/data_science

⌨️ Зачем нужен Data Scientist, если ИИ уже умеет работать с данными

Это один из вопросов, который часто возникает у тех, кто присматривается к Data Science: если ИИ уже помогает работать с данными, насколько перспективно сейчас идти в эту профессию и учиться ей глубоко?

На Дне открытых дверей онлайн-магистратуры «Науки о данных» Даниель Щебентовский, ведущий эксперт-консультант программы, ответил на него.

Сейчас в индустрии становится больше ИИ-помощников и инструментов для автоматизации аналитики. Модели уже умеют отвечать на вопросы, искать информацию, помогать с подготовкой данных и находить первые варианты решений.

Но вместе с этим растет значение качества данных.

Во многих проектах проблема не в том, что не хватает сложности модели. Мы можем создавать модели любой сложности. Но часто данные неполные, ошибочные или плохо организованные

— объяснял Даниель.

Нейросети все еще не могут полностью заменить специалистов в том числе потому, что учатся на данных из интернета, где много ошибок, неточностей и противоречий.

В реальных проектах данные — это не только таблицы. Это изображения, спутниковые снимки, показания датчиков, текст, видео, голос и другие источники. С ними нужно работать: собирать, очищать, проверять, приводить к нужному виду и понимать ограничения каждого источника.

Если модель используется в реальном продукте, нам очень важно понимать, когда она ошибается, насколько ей можно доверять и как отслеживать качество со временем

— отмечал Даниель.

С ИИ-агентами задача еще сложнее. Когда компания внедряет такого помощника, важно понимать, корректно ли он интерпретировал задачу, какие шаги выполняет и где может ошибиться.

Обычную модель мы можем оценить как-то по метрикам, а помощник может выполнить несколько шагов и ошибиться на любом из них

— объяснял Даниель.

Отдельный вопрос — мультимодальные модели, которые работают сразу с текстами, таблицами, изображениями и другими типами данных. Чем больше источников использует система, тем сложнее объяснить, почему она сделала именно такой вывод.

В реальных проектах всегда есть ограничения по стоимости, скорости, надежности. Поэтому современный дата-сайентист должен разбираться не только в моделях. Нужно понимать данные, продукт, то, как оценивать качество, какие есть ограничения и какие реальные потребности пользователей мы закрываем

— говорил Даниель.

ИИ помогает быстрее работать с данными. Но именно специалист понимает, какое решение подойдет задаче, где система может ошибиться и что нужно сделать, чтобы модель работала в реальном продукте.