Első blikkre ennek a két területnek talán semmi köze egymáshoz. Azonban a pszichológia is egy olyan tudományág, amely kutatásokra alapozza a megállapításait, az eredmények pedig adatok formájában jelennek meg először. Ezeket, pont ahogyan az adatelemzésben is, különböző módszerekkel lehet hasznos információvá alakítani és következtetéseket levonni belőle. Egykori diákunk, Osváth Mátyás mesélt nekünk arról, hogy a pszichológiai PhD tanulmányai közben milyen problémákkal találkozott, amelyek végül az adatelemzői pályára sodorták.
Mivel foglalkoztál a Codecool előtt, és miért döntöttél a váltás mellett?
Egyáltalán nem az IT világában mozogtam, a PhD tanulmányaimat végeztem
pszichológiából a Debreceni Egyetemen. Szembe jött velem egy kutatás, ahol már nem voltak elegendőek a hagyományos statisztikai eszközök és programok, így elkezdett érdekelni, hogy lehet megoldást találni ezekre. Ehhez programozni kellett, és mivel statisztikáról volt szó, a Python programnyelvet kezdtem el tanulni. Innen egy lépés volt a szoftverfejlesztés.
Egy ismerősömtől hallottam a Codecool képzéséről, és nagyon megtetszett, mert az oktatási stratégiájuk hasonló ahhoz, amit Scott Young írt az Ultralearning című könyvében. Az oktatásuk intenzív és self-direktív, amit megfelelő feedback ciklus egészít ki. A célorientált, agresszív tempójú programozási bootcamp-ek segítségével hamarabb elérhető az adott munkához szükséges tudás és készségek a hagyományos egyetemi képzéssel szemben.
Melyik a kedvenc programnyelved vagy technológiád?
Nincs kedvenc programnyelvem, se technológiám, viszont a Pythont használom legtöbbet. Nem feltétlen egy programozási nyelv mély megértését látom szükségesnek, hanem a szoftver építéséhez szükséges tudás megszerzését, valamint a nyelvek mögött lévő absztrakció ismeretét.
Hol dolgozol, milyen pozícióban és mivel foglalkozol most? Mesélj a munkádról! Hogy néz ki egy munkanapod?
A GE HealthCare-nél adatelemző és szoftver fejlesztő pozícióban dolgozom.
Szerencsére van lehetőségem részt venni a fejlesztésben frontend, backend oldalon is, ahogy a Codecoolban tanultuk. Az adatelemzés során pedig fő feladatom a mesterséges intelligencián (MI) alapuló algoritmusok integrációja az alkalmazásba. Nagyszerű lehetőség, hogy mindkét szerepben lehetek, akár egy napon belül.
Te milyennek látod a jövőt?
Sajnos lehetetlen előre látni a jövőt. Minden minden eseményt azt megelőző okok töretlen láncolata határoz meg és ennek előrejelzése szinte lehetetlen. Lenyűgöző terület az adatelemzés, amit a mögötte rejlő matematika végtelenül komplexxé tesz. A legérdekesebb része az adatban rejlő információk és mintázatok kinyerése. Mivel egyre több adatot rögzítenek az eszközeink, ezért olyan szakértőre, aki ebből értelmes információt tud előállítani, az elkövetkezendő években biztosan szükség lesz.
Mi inspirált arra, hogy adatelemző legyél? Hogy vezetett az út erre a pályára a full stack képzés után?
Érdekel magának az ismeret megszerzésnek a folyamata, például az, hogy hogyan döntjük el egy információról, hogy releváns, valid és megbízható. A világ megismerésében pedig nagy szerepet játszik a filozófia egy részterülete, az ismeretelmélet (episztemológia), valamint a matematika és logika.
A szoftverfejlesztés egy nagyon összetett terület, ezért nagyon szerettem volna kipróbálni, amire remek lehetőség volt a full stack képzés, azonban emellett nagyon érdekel a statisztika is. Megtudtam, hogy van lehetőség egy adatelemzői pozícióra jelentkezni a képzés vége felé, amire jelentkeztem és szerencsére felvettek.
Mik az adatelemzők mai legnagyobb kihívásai?
Szerintem a legnagyobb kihívás a tudás és készségek megszerzése és fenntartása. Ez szükséges a komplex problémák és feladatok megértéséhez és megoldásához. Továbbá, nagy kihívást jelenthet a szilárd matematikai, statisztikai és kutatásmódszertani háttér kialakítása, ami nélkül nehezen lehet magyarázni a modelleket és a kapott eredményeket. Jó kérdéseket is nehéz feltenni, ami közelebb vihet a válaszhoz.
Emellett komoly feladat elé állít minket az MLOps (Machine Learning Operations) is, ami egy új, de annál fontosabb terület az adatelemzés történetében. Ez a modellek éles környezetbe való telepítésének folyamatával foglalkozik. Egy modell készítése összetett folyamat, és sok lépésből áll, miközben rengeteg kihívással szembesülünk.
Fizikai infrastruktúrát kell biztosítani, rátölteni az adatokat és kialakítani a
párhuzamos számítási megoldásokat, ha összetett vagy nagyon nagy az adat. Tanulás közben mérni kell a modell hatékonyságát, és ezen értékek alapján automatikusan alakítani a modellt. Majd ha kész, utána azt elérhetővé kell tenni a többi rendszer számára, és folyamatosan mérni a hatékonyságát. Amennyiben a modell hatékonysága csökken és már a becslései egyre távolabb állnak a valóságtól, az egész folyamat kezdődik elölről.
Hogyan tartod magad naprakészen az adattudomány és adatelemzés területén bekövetkező legújabb fejleményekkel kapcsolatban?
Ez rendkívül nehéz. Ezek a területek nagyon gyorsan fejlődnek, továbbá minden részterület annyira szerteágazó és mély, hogy nem lehetséges mindenből naprakésznek maradni.
Te hogy látod, milyen készségek kellenek, hogy jó adatelemző legyen valakiből?
Szerintem egyetlen tulajdonság számít: a kíváncsiság. Minden más fejleszthető, mint például a logikai készség, vagy tanulható, mint a matematika, statisztika és a programozás. Emellett azt látom szükségesnek, hogy egy adott készséget vagy tudást – ha szükséges – rövid idő alatt megtanuljunk, mivel minden évben új technológiák és eredmények születnek és sajnos az fog előre jutni, aki képes gyorsan tanulni és alkalmazkodni. Ehhez mostanára már rengeteg hasznos forrás áll
rendelkezésünkre. Mindegyik készség megtanulására azonban nagyon kevés az esély és az idő. A kulcs az lehet, hogy a szakember ne ijedjen meg egyik területtől sem, és mélyre tudjon ásni, ha szükséges.
Mi a véleményed az AI-ról? Lesz olyan nap, amikor kiváltja majd a munkádat, hogy látod ezt?
Egyelőre fogalmam sincs, de sok mindent hallani. Egyrészt, egy volt Google alkalmazott szerint a jelenlegi mesterséges intelligencia már “érző”. Másrészt, egy filozófus szerint pedig az MI sosem lesz képes elérni ezt a kognitív szintet a szemantikai és értelmezésbeli hiányosságok miatt. Szerintem a magas szintű tudást és készségeket igénylő szakmák (pl. orvosok, pszichológusok, mérnökök, managerek és programozók) valószínűleg megmaradnak. Emellett ugyanolyan fontosnak látom az etikus és felelősségteljes MI kérdését, valamint ennek kidolgozását.
Ahogy látod, az adatelemzés világa tud nagyon színes és változatos lenni, sokféle aspektusa van, amelyben lehet fejlődni. Mindamellett mivel világunk egyre inkább adatvezérelt, egyre inkább növekszik a képzett vagy épp pályakezdő szakemberek iránti igény is.
Ha Mátyás gondolatait érdekesnek találtad és kíváncsi vagy bővebben az adatelemzés rejtelmeire, vagy esetleg kacérkodsz a gondolattal, hogy belevágnál a tanulásba is, akkor jelentkezz a májusban induló adatelemzői képzésünkre.