Компании по всему миру переходят на оцифрованный формат. 90% работы, которую раньше выполнял человек,  компьютеры уже взяли на себя. Например, в железнодорожной отрасли США задействовано только 0,1% рабочей силы, и это при том, что в 2018 году объем железнодорожных грузоперевозок достиг 2,53 триллиона тонно-километров. Сфер, которых не коснулось программирование, уже практически не осталось. Пришло время переходить на следующий уровень: от простого освоения компьютерных программ к работе с данными. Почему же это нужно всем?

 

Все собирают данные

Каждый день в мире генерируется 2,5 квинтиллионных байта данных. Это как все данные в Библиотеке Конгресса, которые производятся более 166 000 раз за сутки. Ожидается, что в 2020 году для каждого человека на Земле будет создаваться 1,7 мегабайта в секунду. Если раньше компании покупали компьютеры, то теперь они покупают гектары земли, чтобы строить гигантские дата-центры для хранения собираемых данных. И это — реальность сегодняшнего дня: данные собирают все — и местечковые магазины, и крупные корпорации. Любой супермаркет с 10 тыс. наименований может получить детальную информацию о каждой единице за считанные секунды, а раньше на это уходило 2 недели. Например,  «Пятерочка» и «Перекресток» в 2019 году подключили робота, который автоматически отбирает для них товары. Машина подробно анализирует опросы и чеки покупателей и на основе машинного обучения определяет, какие товары наиболее востребованы и должны продаваться в магазине.

Юристы, историки, врачи — все они ежедневно погружаются в массивы документов и ресурсов, чтобы оперативно строить прогнозы и давать рекомендации. Работа с информацией уже стала фундаментальным навыком.  В английском языке еще в восьмидесятых появился термин computational thinking («вычислительное мышление»). Это набор специфических умственных навыков, необходимых для программирования и работы с информацией. В ближайшие годы его будут включать в резюме даже пиарщики и специалисты по рекламе. 

 

Гуманитарии и технари стали мифом

В гуманитарных специальностях нужны разные грани опыта: визуальные, звуковые, культурные. При этом в рамках одной профессии набор критериев оценки не формализован. То есть нельзя четко определить лучшего искусствоведа, музыканта или драматурга. Художники работают в разных стилях живописи, и у каждого свои показатели мастерства. При этом если люди набираются опыта годами, то нейросети справляются с этим за несколько недель.

Чтобы не стать жертвой прогресса, его нужно возглавить. Выбирая из двух аналитиков, преимущество отдают тому, который, помимо данных, разбирается и в машинном обучении. 

Компании постоянно вкладывают ресурсы в освоение больших данных, но сегодня это работает не так эффективно, как могло бы быть. По оценкам Gartner, 20% аналитических данных принесет бизнес-результаты только к 2022 году. Это связано с тем, что компании часто отделяют команду по работе с данными от бизнес-группы. Большие данные были бы более эффективными, если бы с ними работали люди, глубоко погруженные в саму отрасль.

 

Бесполезная Big Data

Сами по себе большие данные не делают науку точнее. Их ценность напрямую зависит от исследователя, ведь это он выбирает, по каким признакам нужно отбирать данные и как их следует структурировать. Без должной обработки Big Data — это просто сырая и бесполезная информация. 

Извлекать из больших данных пользу можно, лишь находя закономерности. Надо уметь «читать» Big Data и делать из нее выводы. Представьте, что исследователь нашел древние рукописи. Сможет ли он вычленить из них нужные паттерны, основываясь на своем опыте и теоретических знаниях? Не факт. А ведь для истории человечества эта находка может иметь большое значение.

Американский биолог русского происхождения Петр Турчин разработал клиодинамику — новое направление в исторической науке. Ученый собрал с коллегами количественные данные о демографических, социальных и политических переменных для восьми примеров различных исторических обществ (два периода Римской империи и также по два для Англии, Франции и России). В результате они выявили факторы, по которым можно прогнозировать вероятность социально-политического кризиса. Другими словами, большие данные важны не столько для абстрактных разработчиков, сколько для общества в целом. Важно лишь, чтобы с ними работали профессионалы своей области, которые понимают, какая информация несет ценность. 

 

Всегда оставаться в тонусе

Многие подходы, которые применяются в работе с данными, но которых нет в обычном программировании, — это часть научного подхода. Мир постоянно развивается, и меняется всё, кроме фундаментальных знаний. Нам же нужно уметь извлекать новые факты из данных, связанных с их предметной областью. 

Одинаковые математические модели могут описывать разные реальные проблемы. Например, регрессионный анализ может выявлять и причины неэффективной работы сотрудников, и влияние целых государств на загрязнение атмосферы. 

 

Междисциплинарный подход

Сегодня спрос на data-специалистов выходит за рамки технологической отрасли. С 2010 года число аккредитованных программ по науке о данных и аналитике выросло на 52%. В Беркли практически в каждой четвертой вакансии среди преподавателей требуются кандидаты, которые смогут заниматься анализом науки о данных в гуманитарных и естественных областях.

Междисциплинарный подход станет отличительной чертой образования в области Big Data, и вузов, которые открывают соответствующие факультеты, становится всё больше. Так, ВШЭ ввела курс по Big Data для всех студентов, независимо от специальности. Уже нельзя четко разделять людей на гуманитариев и технических специалистов, ведь их деятельность тесно переплетается. Навыки по работе с данными нужны абсолютно всем. Специалистов по «Интеллектуальным системам в гуманитарной сфере» уже учат в РГГУ, а в Пермском госуниверситете создан Центр цифровой гуманитаристики.

 

Цифровые технологии развиваются очень быстро, а вместе с ними растут и объемы информации. Работать с данными важно уметь всем, кто хочет остаться востребованными на современном рынке труда, вне зависимости от профессии.