728 x 90

Data Science Summit – co widać ze szczytu?

Data Science Summit – co widać ze szczytu?

Końcówka maja zaowocowała nam nową konferencją z zakresu szeroko rozumianej analizy danych, wydarzeniem Data Science Summit zorganizowanym przez Fundację Academic Partners, Wydział Matematyki i Nauk Informacyjnych Politechniki Warszawskiej oraz osoby działające wokół Data Science Warsaw. Spotkanie, reklamowane głównie przez media społecznościowe, przyciągnęło prawdziwe tłumy.

Nie jest to niczym dziwnym. Tematyka gromadzenia danych, zarządzania nimi, eksploracji danych czy wreszcie sztucznej inteligencji jest teraz niezwykle popularna, a do tego stała się bardzo dobrze opłacanym zajęciem. Co więcej, konferencja była darmowa, dzięki czemu pojawiły się na niej rzesze młodych ludzi.

Czy wydarzenie nazwane spotkaniem na szczycie rzeczywiście pozwoliło spojrzeć z góry na środowisko analityków danych? Co widać ze szczytu? Przede wszystkim aspiracje. Aspirujemy do bycia blisko wielkiego świata. Od angielskiego Data Science już raczej nie da się uciec. Machine Learning też wygrywa ze swojsko brzmiącym uczeniem maszynowym. Wszystkie sześć równolegle odbywających się sesji miało angielskie tytuły, choć po angielsku nikt na nich nie mówił. Symptomatyczne były także wykłady otwierające prowadzone w iście amerykańskim stylu. Tu dominowała albo konwencja prezentowania wizji mniej czy bardziej odległej przyszłości, albo zagrożeń ze strony sztucznej inteligencji.

Jasne także wydaje się, kto może odnieść sukces w zawodach związanych z analityką danych. Z jednej strony muszą to być osoby z dosyć dobrym przygotowaniem matematycznym. Wiele firm pokazywało rozwiązania, które opierały się na budowie różnego rodzaju modeli matematycznych, często dopasowywanych pod konkretne problemy lub łączonych ze sobą w celu usprawnienia działania. Z drugiej strony zdarzali się prelegenci, którzy mówili wprost: nie zatrudniajcie osób, które wzbraniają się przed programowaniem. Rzeczywiście, wcześniej czy później prawie każdy projekt wkracza w taką fazę, że umiejętność pracy z językiem poleceń okazuje się niezbędna. Tak więc analityk danych musi być kimś, kto łączy w sobie cechy programisty i dobrego matematyka, a do tego jest jeszcze na tyle elastyczny, by nauczyć się rozumieć biznes, dla którego pracuje.

Kolejny wniosek to powszechność eksploracji danych. Już szybki przegląd tematów wystąpień pozwala zorientować się, że konieczność czerpania wiedzy z danych pojawia się w wielu zupełnie od siebie odległych dziedzinach: od medycyny, poprzez szeroko rozumiany przemysł, reklamę, bankowość, handel internetowy, po zarządzanie środkami publicznymi. Nie dziwi więc ogromna liczba rozwiązań i narzędzi prezentowanych na konferencji.

Ten znaczący popyt na rozwiązania z zakresu analizy danych ma oczywiście swoje przełożenie na konieczność pozyskiwania pracowników przez firmy działające w tej branży. I to zostało bardzo dobrze wykorzystane przez organizatorów konferencji, bo oprócz stoisk firmowych, w których można się było zgłosić i zapytać o warunki rekrutacji, była także możliwość przesłania CV organizatorom w celu rozpowszechnienia wśród partnerów spotkania. A praca w takich firmach rzeczywiście jest, bo apelem o zgłaszanie się kończyła się prawie każda prezentacja. Jakby w odzewie na to zapotrzebowanie w nadchodzącym roku akademickim aż cztery uczelnie mają zamiar otworzyć kierunki inżynierskie ze specjalnościami z zakresu data mining, m.in. Politechnika Warszawska (inżynieria i analiza danych) czy Uniwersytet Mikołaja Kopernika (matematyka stosowana).

Czego na szczycie nie można było zobaczyć? Konkretów. Półgodzinne wystąpienia w zasadzie zawsze ograniczały się do przedstawienia zagadnienia, z którym się zmagano, problemów, jakie się pojawiły oraz podsumowania, co udało się zrobić, a czego nie. Nie dawały w praktyce możliwości dotarcia do najważniejszego, czyli jak to zostało zrobione. W zasadzie jest to dosyć sensowne. Wiedzy z tego zakresu nie da się jakoś szybko przedstawić i tak rozległa konferencja nie do końca jest miejscem, gdzie można być nastawionym na uczenie się czegoś nowego. Co można stwierdzić na pewno? W zakresie sztucznej inteligencji podstawą są sieci neuronowe i tu na pewno trzeba orientować się czym są konwolucyjne sieci neuronowe i deep learning, ale miłym zaskoczeniem było także kilkukrotne pojawienie się na slajdach modeli zbudowanych o starą dobrą regresję logistyczną. Niezwykle popularna stała się także analiza tekstu oraz systemy rekomendacyjne.

I na koniec taka smutna konstatacja: dziwi ogromnie, że organizatorzy konferencji z zakresu Data Science, nie byli w stanie ogarnąć własnych danych zebranych w czasie rejestracji. Nowe budynki Politechniki Warszawskiej na pewno są eleganckie, ale kompletnie nie były przygotowane na przyjęcie tak wielkiej liczby osób. W efekcie przybywających witała ogromna kolejka, większość uczestników nie dostała się na wykłady otwierające, a na pozostałych prelekcjach szczytem komfortu było miejsce na schodach. Smuciły rozmowy studentów, którzy licytowali się na liczbę wystąpień, na które nie udało im się dostać. We wszystkich newralgicznych punktach: na salach, w punkcie rejestracji czy wydawania tzw. gift bagów, byli tylko młodzi ludzie, studenci lub doktoranci, i ich brak doświadczenia niestety bywał widoczny. Miejmy nadzieję, że organizatorzy następnych wydarzeń tego typu nie będą już ofiarami własnego sukcesu.

Leave a Comment

Your email address will not be published. Required fields are marked with *

Cancel reply

Inne artykuły

Zapraszamy na WMiI UMK

Studia na Wydziale Matematyki i Informatyki

Nasze szkolenia

iOS11 Design Patterns: szkolenie w Warszawie, 22-24.09.2017


Python – i Ty możesz programować: szkolenie dla nauczycieli, 13-14 września 2017 w Toruniu


Od zera do Apple kodera – szkolenie dla początkujących, 8-10 września 2017 w Warszawie


Xamarin – programowanie wieloplatformowe, 9-10 września 2017 w Toruniu

Ostatnie artykuły

Zapraszamy na UMK