Beszélgetés Czeller Ildikóval (Data scientist, Sunbasket)
Az első kérdésem, hogy szerinted mi fontos ahhoz, hogy valaki jó legyen matekból?
Ez nehéz kérdés, mert tipikusan az ember ennek csak az egyik oldalát tapasztalja meg. Általános bölcsességeket nem szeretnék mondani, de három dolgot kiemelnék. Azt gondolom, hogy egyrészt fontos a részletekre figyelés. Matekozás során az ember általában nem lehet nagyvonalú, hiszen a legapróbb részleteken is múlhat, hogy valami igaz vagy sem. Másrészt szükség van érdeklődésre, illetve olyan feladatokra, amelyek felkeltik az ember érdeklődését. Sokszor van, hogy valaki, aki az iskolában nem sikeres matekból, az más helyzetben szívesen gondolkozik feladatokon. És természetesen kitartás is kell: ha egy kicsivel nehezebb feladatot kell megoldani, amire nem elég 10 perc, akkor fontos, hogy ne adjuk fel.
Kik, illetve mi segített téged, hogy ezek kialakuljanak benned, hogy aztán jó matematikus legyél?
Normál iskolai keretek között is jó tanáraim voltak, de már általános iskolától kezdve volt lehetőségem plusz tanórán kívüli feladatokkal foglalkozni, kezdve az ABACUS-szal, KöMaL-lal. A versenysikerek további motivációt adtak. Minden évben indult plusz matek szakkör az iskolában, aztán elkezdtem járni Pósa-táborokba. Ezek mind-mind olyan helyszínek voltak, ahol tipikusan a kötelező iskolai anyagnál érdekesebb feladatokkal lehetett találkozni, ezeken szívesen gondolkoztam. Gimnáziumban már magamtól is kerestem a plusz lehetőségeket a matekozásra, nem csak a tanárok által adott feladatokon gondolkoztam.
Motiváltak a versenyek. A sikernek is örültem, de nem feltétlenül csak azért indultam. Nem áltatom magam: ha nem indultam volna, akkor kevesebb szabadidőmet töltöttem volna korábbi évek feladatsorainak oldogatásával. Így viszont csináltam, élveztem és közben egyre jobb is lettem.
Kell idő ahhoz, ha valaki a matekkal, vagy bármi mással akar foglalkozni. Ez szükséges feltétel, nem megy egyik napról a másikra. De itt nekem is megvannak a magam korlátai: az érettségi szintjénél azért jobban elmélyültem, de annyira már nem akartam, hogy például kutató matematikus legyek.
Hogyan kezdődött ez a mélyülés? Mikor „szippantott” be a matek?
Általában szerettem a kihívásokat: a matekóra könnyen ment, így logikusnak tűnt, hogy akkor valami plusz is lehetne belőle. Csináltam, ami szembejött, élveztem. Emlékszem olyan versenyfeladatokra, amelyeket mondjuk 5. osztályosként nem értettem meg igazán mélyen, de ez akkor nem zavart. Megállapítottam, hogy az osztálytársam meg tudta oldani, én meg nem, de nem foglalkoztam vele. Később, a 7. osztályban kezdődő Pósa-táborokban – amiket nekem Juhász Péter tartott – már sokkal intenzívebben megvolt bennem a matematika iránti érdeklődés és a megértés utáni vágy.
Az ELTE Radnóti Miklós Gyakorlóiskola 12 évfolyamos osztályába jártam; halványan felmerült 8.-ban, hogy a több matek miatt átmenjek-e a Fazekasba, de jól éreztem magam és elég sok plusz matek lehetőség volt ott is. Szüleim mindenfelé tanulást támogattak, és egyértelművé tették, hogy ezt értéknek gondolják, továbbá azt is fontosnak tartották, hogy olyannal foglalkozzak, amit szeretek. Különben két nagyszülőm is matematikus, úgyhogy nem kellett messzire szaladni a matematika szeretetéért, és nem ment csodaszámba, hogy én miért foglalkozom matekkal a szabadidőmben.
Gondolom 12.-ben nem sokat vívódtál azon, hogy hova jelentkezz továbbtanulni.
9. osztálytól erős lehetőségként jelen volt, hogy matematikus leszek, de kémiával és fizikával is szívesen foglalkoztam. Bíztam abban, hogy az ELTE matek jó és hasznos lesz. Az segített a döntésben, hogy nem volt más, ami jobban érdekelt volna, és tudtam, hogy a matematika nagyon jó alap sok mindenhez. Azaz: jobb választás a matek szak, ha az ember nem akar matematikus lenni, mintha kémia szakra menne úgy, hogy nem akar kémikus lenni.
Nyugodt voltam a döntésem felől, nem éreztem, hogy ez túlságosan lekötne egy irányba, hanem bíztam abban, hogy azon túl, hogy élvezni fogom, sok szakmához hasznos lesz.
Mégsem alkalmazott matematikus lettél…
Igen, végül elméleti matematikusként végeztem. Azt reméltem, hogy ott a konkrét órák nagyobb része lesz számomra érdekes, miközben fel tudtam venni alk.mat.-os tárgyakat is. Továbbá, habár az alkalmazott matematikus szakon sincsenek sokan, de az elméleti szakirány kifejezetten kiscsoportos, ami lehetővé tette, hogy előadások is interaktívabbak legyenek. Illetve abban bíztam, hogy egy konkrét alkalmazott munkához szükséges tudás elsajátítása talán könnyebben megy majd az egyetemi kereteken kívül is. De például, ha nem veszem fel a Geometriai mértékelmélet című órát, akkor azt aztán sohasem tanultam volna meg.
Melyik tárgyakat szeretted a legjobban?
Nálam nem alakult ki annyira, hogy a mateknak melyik alterülete az, amelyik érdekel. Sokkal inkább a konkrét tárgyon és a tanári előadásmódon múlott. Nagyon élveztem Zábrádi Gergely Algebra, Elekes Márton Valós függvénytan és Leíró halmazelmélet, de Frank András Diszkrét optimalizálás óráit is.
Akkor ne próbálkozzak a „diszkrét vagy folytonos” beskatulyázással?!
Ha nagyon választani kellene, akkor talán a folytonost választanám, de nem meghatározó: sok nagyon különböző tárgyat élveztem nagyon.
Nem muszáj választani! Hogy látod, milyen képességeidet fejlesztette, csiszolta a sok év intenzív matekozás?
Ezt nehéz biztosan tudni, de az – alkalmazott munkában is hasznos – absztrakciós készségem nagyon sokat erősödött. Továbbá az is, hogy mennyire komplex összefüggéseket tudok a fejemben tartani. Valószínűleg a lényeglátásom is fejlődött, ami szintén sokat számít munkahelyi környezetben is.
Az egyetemen tanultakból konkrét tananyag szinten a valószínűségszámítás, statisztika és a lineáris algebra jön elő a munkámban. A többi főleg csak áttételesen, de például húsz algoritmus ismerete sokat segít egy huszonegyedik megértésében, még ha más is a terület.
És gondolom, még a programozás ismerete sem árt.
Egy-két félév programozás gyakorlatra jártam, ami elindított, de az elég minimális volt. Igazából online anyagokból, tanfolyamokból és leginkább sok önálló gyakorlással tanultam magamtól, illetve aztán munka közben fejlődtem rengeteget a feladatok révén és a kollégáktól tanulva. Most már nagyon másként gondolok a programozásra, mint az egyetemi kurzusok végén.
Mikor kezdtél el dolgozni?
A negyed- és ötödév közötti nyáron az Emarsys-nál végeztem szakmai gyakorlatot. Nekem is tetszett, és ők is meg voltak elégedve velem, így az utolsó évben már végig dolgoztam részmunkaidőben.
Nem ment a matek rovására?
De, ám annyira nem bántam, mert nagyon jól éreztem magamat a munkahelyemen. Tetszett, hogy az absztrakt matematika mellett sokkal kézzelfoghatóbb dolgokkal is tölthetek időt. Kevesebb energiám jutott az egyetemre, de egyrészt tudtam, hogy nem kutató matematikus szeretnék lenni, másrészt nyilván nem engedtem el az egyetemet sem: nem voltam fáradt, csak a szabad matekozással töltött órák száma csökkent.
Megmaradt az absztrakt dolgok értékelése, továbbra is – mind a mai napig – lenyűgöz a matematika, inkább úgy fogalmaznék, hogy már nincs elég türelmem, hogy olyan sok időt töltsek vele – akár a megértéssel, akár a kitalálással.
Azzal, hogy az MSc után teljes állásban kezdtél el dolgozni náluk, változott a munkaköröd?
Nem, data scientist pozícióban maradtam, ugyanabban a csapatban. Többféle feladatunk volt. Legfőképpen segítettük a termékfejlesztést, azaz mi feleltünk a cég fő termékének azon komponenseiért, amelyek erősebben támaszkodtak adatokra, például adattisztításra, modellezésre. Emellett elemzéseket készítettünk a cég működése kapcsán, kiértékeltük, hogy melyik termék hogyan teljesít.
Példa egy konkrét projektre: a cég elsősorban online (például email) marketinggel foglalkozik. Volt egy olyan termékrész, ahol a marketingesek optimalizálhatták, hogy a nap melyik órájában érdemes kiküldeni egy levelet az egyes ügyfeleknek aszerint, hogy várhatóan mikor fognak rá nagyobb eséllyel reagálni. A data scientist csapat javasolt egy algoritmust, és utána a szoftverfejlesztőkkel együttműködtünk abban, hogy ez ténylegesen meg is valósuljon, azaz bekerüljön a szoftverbe. Miután az ügyfelek elkezdték használni, kielemeztük, hogy milyen eredményeket hoz, illetve továbbfejlesztettük a visszajelzések és saját méréseink, elemzéseink alapján. Ez egy összesen több éven átívelő projekt volt.
Amíg részmunkaidőben dolgoztál, még azért élvezhetted az egyetemistalét szabadságát. Megerőltető volt a 40 órás munkahétre történő váltás?
Nem annyira. 40 órát kellett dolgozni, de csak annyit. A megerőltetés inkább abból fakadt, hogy sokszor nem tudtam elengedni a munkaidő végén a munkát. Nem várta el tőlem senki, hogy pluszban dolgozzak, de engem foglalkoztatott: próbáltam utána olvasni, tanulni. Persze néha fárasztó volt, de nagyon jól éreztem magam, motivált voltam, szívesen szántam rá a szabadidőm egy részét, habár nem várta el tőlem senki.
Ez változott az évek során?
A céljaim változásával megtanultam egyre jobban figyelni arra, hogy ha hazamegyek, akkor letegyem a munkát. De a munkakör változása is hatott rám, ugyanis öt év után – amit a data scientist csapatban dolgoztam végig – váltottam a cégen belül: az utolsó két évben szoftverfejlesztő voltam.
És nem jött be ez a váltás? Miért kerestél új munkahelyet?
Jól éreztem magam, és nagyon hasznos, hogy szoftverfejlesztői tudást és tapasztalatot szereztem, de hét év után új területre vágytam. Másfél éve egy amerikai ételrendelős cégnél, a Sunbasket-nél dolgozom. Az új iparág, és a cégnél használt, számomra részben új technológiák miatt is sok újat tanulok. Kisebb a cég technológiai részlege, ketten vagyunk data scientist beosztásban, így lényegében minden, aminek köze van az adatokhoz a cégen belül, az hozzánk fut be.
Például?
A feladatunk jelentős része üzleti döntéseket és kimutatásokat támogató elemzések készítése a felsővezetők számára. Ehhez kapcsolódik mindenféle támogató funkció tervezése, kiépítése is: például annak a kitalálása, hogy milyen adatokat, hogyan gyűjtsünk, tehát az adatbázis létrehozása is. Majd erre épülően persze az adatokkal történő számolgatás, infrastruktúrával kapcsolatos kérdések. Egy kicsit más jellegű feladatunk prediktív modellezés segítségével megbecsülni, hogy a következő hetekben milyen alapanyagból várhatóan mennyire lesz szüksége a konyhának.
Élvezed ezt a munkát?
Nagyon. Itt nekem testhezálló, hogy a mindennapi feladatok viszonylag változatosak. Az Emarsys sokat nőtt abban a hét évben, amit náluk töltöttem, a data scientist csapat pedig arányosan is többet. A végén több kisebb csapatban dolgoztunk, a feladat-, illetve felelősségi körök is szűkebbek voltak emiatt. Én pedig jobban élvezem azt, hogy többféle dolgot csinálhatok, és nem egy témára kell specializálódnom. Illetve, hogy az üzleti döntéstámogatásban tényleg nagyon gyors a visszacsatolás: konkrétan tudom, hogy melyik vezető szeretné tegnapra, vagy egy héten belül látni az adott kimutatást. Ehhez képest egy új termék több hónapos, vagy akár éves fejlesztésének egy részletén dolgozni nagyon más.
Nem stresszes, hogy itt nagyobb a felelősség?
Abban az értelemben nagyobb, hogy itt a pénzügyi vezetővel közvetlen kapcsolatban vagyok, vagy döntésekhez készítünk kimutatásokat, de egyrészt kisebb a cég, másrészt a cég működése alapvetően nem az adatokon, hanem a konyhán múlik. Mivel fizikai dolgokat gyártó cég vagyunk, ezért mindenen kisebb a hangsúly, ami technológiai jellegű (programozás, adatok stb). Tehát azért az megnyugtató, hogy a napi működéshez lényegében nincs rám szükség.
Az évek során sokat változott, bővült a data scientist munkakörben dolgozók munkaköri leírása. Hogyan látod, mi várható még? Öt vagy tíz év múlva szükség lesz még data scientistre, vagy a mesterséges intelligencia képes lesz elvégezni ezeket a feladatokat?
Attól egyáltalán nem félek, hogy ne lenne szükség valami hasonló munkakörre. Konkrétan az én munkámban rengeteg olyan feladat van, ami arról szól, hogy eljussunk egy olyan definiálhatósági szintig, amit már be tudnánk adni egy AI-nak, hogy oldja meg. Rengeteg apróságot kell nyomozni. Például a cég sok éves működése alatt apró-cseprő hibák, vagy szuboptimális megoldások halmozódnak fel. Ezeknek utánajárni sem könnyű, vagy egyszerűen az, hogy eszünkbe jusson: attól, hogy van egy adatforrás, abban lehetnek hibák. Másrészt a technológiai megoldás után sem ér véget a munkám: a produktumot el is kell tudni magyarázni a területhez adott esetben kevésbé értő kollégáknak. Nem az a munka nagy része, hogy egy nagyon jól definiált feladatra megírjam a lekérdezést, csináljak egy grafikont, hanem hogy kitisztázzam azt a sok-sok részletet, amitől az üzleti kérdés lefordíthatól egy technológiai kérdésre. Biztosan változni, fejlődni fog sok eszköz, ehhez alkalmazkodni kell, de drasztikus változásra nem számítok.
Az elmúlt 10-20 évben is sok fejlődés történt, aminek igyekszünk is kihasználni az előnyeit. Például egy prediktív modellezési feladathoz egy XGBoost-modellt használunk, ami már egy viszonylag magas szintű, sok esetben jól működő modell. A modellparaméterek tekergetésével nekem már nem kell foglalkoznom – azt a gép intézi, de azzal igen, hogy a bemenő adatok olyan formában legyenek, hogy azt utána a gép optimalizálni tudja, vagy pontosabban: a kiadott optimum értelmes és hasznos legyen számunkra. Ahogyan én látom, a data scientist pozíciók jelentős része az enyémhez hasonló abban, hogy főleg sokkal pragmatikusabb, hétköznapibb, de mégsem könnyen automatizálható problémák jönnek elő, tehát ezeknél nem az AI további fejlődésén múlik a siker. De természetesen sok különböző cég és munkakör létezik, van, ahol több a repetitívebb munka, amit valószínűleg lehetne egyszerűsíteni, akár kiváltani, míg másutt éppen sokkal specializáltabb tudásra van szükség, például ahol az engem kiváltó mesterséges intelligencián dolgoznak. :)
Akkor mit javasolsz, a tanulmányaik során mire fókuszáljanak azok a hallgatók, akik data scientisként is el tudják képzelni a jövőjüket?
Szerintem azt érdemes észben tartani, hogy a szigorúan vett elméleti, szakmai kvalitásokon túl sok minden más is fontos. Sokféle feladatra való nyitottság: ha az kell az adott projekt sikerességéhez, hogy néhány órán keresztül manuálisabb feladatot végezzek, vagy tíz különböző emberrel beszéljek ahhoz, hogy megtudjak egy szükséges információt, akkor nem mondhatom azt, hogy az én szakterületem más, ezzel nem vagyok hajlandó foglalkozni.
A cégen belül csapatjáték zajlik: merni kell segítséget kérni, akár szakmai, akár a cég életére vonatkozó információk kapcsán. Ez nyilvánvalónak hangzik, de amikor valaki először bekerül egy céghez, akkor meglepő lehet, hogy mennyi apróság van, ami szükséges a napi munkához, de nem készítették fel rá, nem tudhatja. Persze a matek szak segítségkérésre is nevel, sok tárgy nagyon nem könnyű, ha az ember nem kérdez a társaitól vagy az oktatóktól.
Nagyon fontos a hatékony írásbeli kommunikáció. Egyszerre kell lényegre törőnek, pontosnak és közérthetőnek lennie. Erre jó gyakorlás lehet a beadandók igényes megírása, de egy akár nem szakmai blog vezetése is.
Azok a képességek, amelyeket az interjú elején felsoroltál, a jelenlegi munkádban is nagyon fontosak: precizitás, érdeklődés, kitartás.
Igen, ez abszolút igaz. Csak azt nem tudom, hogy ezek mennyire személyiségbeli, adottságbeli tulajdonságok, vagy pedig fejleszthetők-e?
Akkor ennek eldöntését az Olvasókra bízzuk…
Czeller Ildikóval az interjút Paulovics Zoltán készítette