О проекте
«Конструктор успеха»

Как найти свое место в жизни, заняться тем, что получается легко и приносит счастье? Для этого нужно правильно применить знания, которые дал университет и сама жизнь. В проекте «Конструктор успеха» мы рассказываем о выпускниках Высшей школы экономики, которые реализовали себя в интересном бизнесе или неожиданной профессии. Герои делятся опытом — рассказывают, какие шишки набивали и как использовали предоставленные им шансы.

Дмитрий Сторчеус выбрал путь экономиста, с которого круто свернул в математику. Оседлав магистратуру Курантовского института в Нью-Йорке, сейчас он работает в Google на позиции Software Engineer, продолжая вести исследования со своим научным руководителем и писать диссертацию для PhD. В интервью «Конструктору успеха» он рассказал, почему выпускники МИЭФ по математике на голову выше американских конкурентов, зачем Facebook и Google открывают свои кафедры в вузах, что такое «самообучающиеся нейросети» и грозит ли благодаря им человечеству реальный терминатор.

Математика стала, по сути, вашей профессией, хотя вы стартовали как экономист. Легко ли было перейти с этой базой в технологии?

Что можно действительно отметить в МИЭФ, так это хорошую математическую закалку. Акцент сделан на эконометрике, статистике, матанализе. И отдельно в количественную базу вносят вклад преподаватели – студентам действительно нравятся эти предметы. У меня матанализ вел Джеффри Локшин, это было классно и действительно помогало брать новые планки.

Надо честно сказать, что в МИЭФ математика гораздо сильнее, чем в любом экономическом бакалавриате США, российские студенты в этом на голову выше западных

Однако один этот факт не дает оснований сходу прыгать в техническую специальность, все равно стоит учиться и получить диплом. На новом уровне ты уже конкурируешь не с экономистами, а с математиками – в этом нужно отдавать себе отчет и быть готовым к тому, что в какой-то степени ты стартуешь заново, но с довольно неплохих позиций. То, что у выпускника МИЭФ есть такая опция — многого стоит.

У меня выбор направления проходил непросто, я несколько раз смещал акценты. Мне искренне нравились количественные финансы, стохастический анализ, в целом хотелось заниматься исследованиями. Я думал пойти по академическому пути и понял, что если хочу развиваться именно в техническом направлении – нужно получать математический диплом. Да и в дальнейшем для работы в университете с этими дисциплинами нужна степень именно в математике. Я начал искать программу и университет, чтобы идти дальше за дипломом в математике.

Интересно, какой вклад в выбор инженерной области сделал прикладной опыт?

У меня была стажировка в банке Credit Suisse на позиции equity analyst. Там я строил модели по нефтяным компаниям и занимался стандартным экономическим анализом. Эту работу может получить только человек с экономическим бэкграундом, поэтому попробовать на деле – как оно, работать в технологиях, не вышло. Чтобы попасть в технологии, нужен диплом с соответствующей специальностью. Яндекс, например, всегда для технических задач предпочтет программиста, чем финансиста. Но в процессе работы я утвердился в мысли, что сфера финансов не для меня.

А как же финтех?

На мой взгляд, компания и здесь предпочтет человека с техническим дипломом: ему предстоит продавать софт, ставить задачи программистам, разбираться с пользовательским опытом, анализом данных и т.п. В управлении и бизнес-составляющей базовые экономические знания перевешивают, но сейчас наилучший способ войти в финтех – получить после МИЭФ технический диплом, тогда ты будешь классным и нужным специалистом. Дополнительное образование в этой сфере не лишнее, тем более с такой сильной подготовкой по математике, как в МИЭФ.

Как вы оценили эту сильную подготовку, поступая в западный вуз, да еще сразу на математическую программу?

Я во многом был сильнее моих западных конкурентов по математике, это факт. Но еще важнее оказалась культурная подготовка к глобальному контексту. Сама образовательная среда МИЭФ – как ты пишешь экзамены, какие читаешь статьи, с какими преподавателями общаешься, обучение на английском. После МИЭФ в западный вуз поступить легко, ты уже учился в международной среде. Вот ты приезжаешь в американский вуз, и ничего не меняется – ты в своей тарелке. Никакой фрустрации, адаптации, стресса и т. п. Меняются только профиль и тема, а культура, что немаловажно, остается той, к которой ты уже привык.

Чем вам был интересен именно Университет Нью-Йорка, в частности – Курантовский институт (Courant Institute of Mathematical Sciences – прим.)?

Я искал именно математические программы и вузы, которые имеют репутацию также исследовательских центров.

Главной трудностью при подаче документов стало объяснить университету, почему я хочу поменять сферу образования: экономику на математику

Ты неплохо учился на экономиста, и тут захотел в математику – нужно объяснить, что тебе это действительно надо, что это не блажь, и ты будешь классным студентом. Мне предстояло придумать целую историю, зачем мне нужен математический диплом, и главное – с примерами и кейсами из жизни, чтобы мотив был искренним. Я уже думал, не заказать ли ее профессиональному сценаристу.

Кроме письма, конечно, нужно блеснуть уровнем оценок по математическим предметам. Некоторые вузы – Стэнфорд, Мичиганский университет, Чикагский университет – для моего направления также требовали сдавать дополнительный экзамен GRE Mathematics Subject Test.

Насколько институт близок к реальным запросам технологических компаний? Вы выбирали теоретическое или прикладное направление?

Я поступил на теоретическую математику, потом перешел в прикладную – Computer Science. В целом учебу в университете можно разделить на эти два направления, и сейчас они сильно пересекаются, люди прыгают из одной области в другую. Теоретики пишут статьи, а ученые с компьютерных наук берут эти исследования и применяют к решению своих проблем.

В направлении компьютерных наук институт на 100% совпадает с задачами технологических корпораций, точнее – в институте знают больше, чем в индустрии, поэтому Big Tech тесно сотрудничают с вузами. Сейчас в США представители Computer Science ведут непрерывный диалог с индустрией, поэтому во время учебы ты четко понимаешь, для чего все это, какие задачи на работе будешь решать, куда двигаться дальше. При этом знакомство с компаниями осуществляется также традиционным университетским способом – через карьерные ярмарки и стажировки, когда студентов рекрутят прямо в университете.

Когда у вас сложилось четкое понимание того, как и где будете работать после университета?

Во время обучения в магистратуре первый год я больше изучал теории, думал, что с этим делать. На второй год понял, что все это отлично применимо к машинному обучению, поэтому дальше уже развивался в этом направлении. Несколько лет назад в NYU открылись прикладные (если можно так сказать) PhD программы, сделанные совместно с технологическими компаниями – Google, Facebook, Uber. Я в 2017 году стал одним из первых студентов такой программы, после трех лет работы в Google, и сейчас готовлюсь к получению степени PhD. Если ты являешься начинающим сотрудником одной из этих компаний, то они поощряют твои занятия прикладными исследованиями. Ты работаешь, а параллельно в институте с научным руководителем делаешь совместный проект, который будет твоей диссертацией для PhD, и еще приносишь пользу компании. Поэтому в рамках задач Google я занимаюсь исследованиями с моим научным руководителем, который ведет меня с магистратуры, профессором Мехрияром Мохри.

Чем сейчас занимаются ученые в рамках популярного направления машинного обучения и чего хочет рынок?

Тренды в этой теме меняются каждый год. Последнее время молодые исследователи устойчиво хотят заниматься темой deep learning – «глубоким машинным обучением». Популярность Deep learning объясняется тем, что алгоритм нейронных сетей все чаще применяется в медиа-контенте и для классификации и генерации текста. Сейчас с Мохри мы занимаемся темой AutoML, то есть автоматическим машинным обучением. Это алгоритмы, которые сами создают машинное обучение (ML) без программиста, в классическом же ML человек писал и настраивал сеть, чтобы она дальше выполняла поставленные задачи.

В нашей схеме ML само делает ML, по сути – самообучающееся машинное обучение. Я этим занимаюсь, во-первых, потому, что это интересно и модно, а во-вторых – это нужно Google и многим другим корпорациям, чтобы автоматизировать процессы и разгрузить программистов, перекинув их на новые задачи. AutoML – также способ внедрить машинное обучение в массы. К примеру, специалист без какого-либо знания ML может скачать одну из наших библиотек (AdaNet), и библиотека сама настроит ему оптимальный ML алгоритм.

Как компания подходит к вопросам этики – могут ли машины нанести ценностный урон человеку? Может Auto ML обучить своего Терминатора и захватить Google?

Уверяю, это не опасно. Иногда, правда, система ломается, поэтому требует периодической калибровки и переобучения. Часто она совершает неожиданные ошибки. Сейчас в отличие от боязни технологий, которая дали почву для фильмов и разной фантастики в конце ХХ века, в технологиях стоят немного другие вопросы. Этика в связке с ИИ и машинным обучением в целом ежедневно обсуждается на разнообразных конференциях, а в компаниях создаются специальные комитеты по технической этике. В этом году под сводом правил под названием «Призыв к этике ИИ» подписалась римско-католическая церковь в Ватикане вместе с президентом Microsoft Брэдом Смитом и вице-президентом IBM Джоном Келли.

Одна из проблем в том, что часто алгоритм ML, обучаемый на данных, может дискриминировать по социальным признакам – раса, пол, возраст и т. п. Американская судебная система уже столкнулась с этими последствиями в использовании нейросетей для составления «поведенческих карт» заключенных, столкнулись и эйчары крупных компаний, которые начали использовать элементы нейроассесмента в найме.

Перед техногигантами и институтами сейчас стоит интересная задача – сделать так, чтобы машинное обучение давало результат, лишенный предвзятости и не способный к дискриминации

Как это сделать — ответа нет, но над этим сейчас думают философы, юристы и ученые из сферы компьютерных наук.

Если говорить о вашей работе с известным ученым Мехрияром Мохри, какие советы по поиску наставника можете дать, в чем тут соль?

Мы с Мехрияром Мохри работаем уже лет восемь, у нас неплохо получается. Выбор научного руководителя – самое важное в исследовательской карьере и, как оказалось в моем случае, в карьере в компании. У меня и в МИЭФ были классные научные руководители – Алексей Белянин и Сергей Гельман, они меня многому научили. На самом деле в западных университетах на некоторых магистерских программах не нужен научный руководитель, курсы проходят без диссертаций, но в моем случае, к тому же с PhD, научный руководитель необходим. Он становится полноценным соавтором твоего исследования и всех успешных наработок.

В поиске наставника не может быть однозначных критериев, разве что сходство ваших интересов и тем, которые вы разрабатываете. На личном опыте могу сказать, что еще очень важны схожие привычки, подходы к работе – если вы оба любите работать по ночам или ранним утрам, или делать огромный объем задач за раз, дискутировать за кофе или стейком в университетском кафе, в любом случае, это удвоит ваш успех. Поскольку вы будете проводить время максимально плотно друг с другом, если ритмы работы не будут совпадать, все сведется к конфликту и срыву.

Как вы искали работу и что вообще творится на рынке труда в инженерной сфере в США?

Мне опять-таки с работой помог Мохри – он является сотрудником Google, я пришел по его рекомендации, чтобы там продолжать исследования в области AutoML. В технической сфере работодателям важно одно: как ты решишь их тестовое задание. Неважно, кто ты, какой ты человек, где у тебя софт-скиллы – они проверяют только хард-скиллз, и если задачку решил хорошо – ты в штате. Я показал в этом плане хорошие результаты. Такова особенность именно технического рынка труда, уверен, что в бизнесе, экономике и многих других сферах наоборот крайне важно, как ты умеешь общаться с людьми.

Еще надо помнить, что силы на твоей стороне благодаря американскому законодательству. Ты можешь оспорить решение работодателя в суде, если оно сделано не в твою пользу на основе субъективного отношения и предрассудков. Если технически ты был на высоте, а тебя не взяли – то ты имеешь право на апелляцию, в том числе и через суд.

Отбор кандидата на работу в США — это искусное лавирование между личным и профессиональным, никто не имеет права на интервью спрашивать у тебя что-то интимное и разбираться в твоем психотипе

Я сейчас участвую в интервью с кандидатами в Google, все специалисты проходят особый тренинг «по этике», где нас учат правильно проводить интервью и обозначают границы дозволенного. Мне во многом повезло, благодаря профессору Мохри я получил фаст-трек, избежав нескольких этапов отбора, так что не без интереса смотрю на собеседования со стороны.

На какую позицию вы пришли, что входит в обязанности такого специалиста?

Я пришел на позицию Software Engineer, это стартовая позиция для 90% технологических компаний, но обязанности гибкие, и в каждой команде под нее разные задачи. Я работаю в исследовательском подразделении Google Research. Это очень близко к тому, как функционировал НИИ в СССР, мы тоже делаем академические исследования, нацеленные на применение к внутренним производственным задачам. Обычно мы берем академическую проблему, пишем по ней научную статью и создаем библиотеку, которая решает эту проблему количественно. Библиотека же используется Google для того, чтобы улучшить свой продукт.

К примеру, компания использует наши разработки в машинном обучении во многих приложениях для того, чтобы автоматически найти лучшую архитектуру нейронной сети. Там где Google собирается запустить в работу нейронную сеть, используется AutoML для оптимальной работы сети и сбора данных, и на этом этапе уже не требуется задействовать программиста. На AutoML cейчас работает ресурс Cloud-ML – такой сервис для корпоративных клиентов по обработке данных с помощью машинного обучения.

В чем бы еще хотелось вырасти, прокачаться в вашей области и каковы варианты развития?

Как исследователю хотелось бы использовать ту теоретическую базу, которую мы с профессором Мохри накопили в Google и за время учебы на PhD, для того, чтобы сделать крутые ML-библиотеки и решать с их помощью нетривиальные вопросы. Можно оставаться в Google, расти по корпоративной сетке и применять наработки там. Можно заниматься стартапами – в этом плане мои библиотеки нужны и применимы. Причем во втором направлении развиваться поможет Google – компания поощряет переход сотрудников в стартапы и оказывает разнообразную поддержку.

Не думали о преподавательской деятельности?

Это интересно, но для меня слишком тяжело. На мой взгляд, преподавание – супертяжелая работа, и я всегда от души сочувствовал профессорам на лекциях, они большие молодцы. Читать материал, отвечать на вопросы студентов – лично мне это дается мучительно, проще программировать и тихо делать свою работу наедине с цифрами.

Верно говорят, люди цифры – интроверты.

Пожалуй, это так.