Один из самых перспективных россиян до 30 по версии Forbes — Виктор Кантор, выпускник МФТИ, преподаватель и глава аналитиков данных МТС.
Узнали, какой у него распорядок дня, какие цели и мечты.
Виктор Кантор, 28 лет, выпускник МФТИ, Chief Data Scientist МТС, преподаватель
Рабочий день
У меня все довольно быстро меняется в жизни, поэтому сейчас я только работаю над новым распорядком. Слишком долго объяснять, какие версии были и чем они не нравились, поэтому остановлюсь на текущем.
Подъём в 6-8 утра (сейчас часто получается первое), сначала чтение статей и соцсетей либо просмотр материалов по моей профессиональной сфере, отложенных заранее. Часто слушаю утром Blinkist, дальше упражнения и кардио (не всегда, лень — моя сильная сторона), завтрак. Если соображаю тяжело — какой-нибудь сериал на Netflix (хоть английскую речь послушаю, и то полезно), если совсем тяжело — что-нибудь полезное на YouTube (списки тоже составляю заранее). Я вообще никогда не был жаворонком и нормально работать могу только вечером и ночью, особенно после МФТИ, поэтому под общепринятый рабочий день я просто подстраиваюсь и терплю.
В будни дальше можно готовить тексты для писем, постов в канале или соцсетях, а в выходные — планировать. Планировать можно всё: мелкие дела, работу, жизнь, отношения. Одно из главных достоинств планирования — это возможность передумать и не следовать плану. Мне нравится сам процесс и то, как он помогает структурировать мысли. Дальше в будни идут несколько блоков по несколько часов для работы — сначала я работаю над задачами, которые решаю в МТС, затем, ближе к вечеру в оставшееся время — по своим образовательным проектам. В какой-то момент вечером досыпаю пару часов (такой график сна позволяет взаимодействовать и с совами, и с жаворонками) и созваниваюсь с друзьями, что очень помогает в самоизоляции. Отбой в 2 часа ночи, если устал — в полночь. В выходные все банально: делаю что-то по дому, смотрю фильмы, читаю книги, ем вкусную еду.
Мотивация
Я много думал об этом, когда преподавал и консультировал как self-employed, из-за чего обладал большой свободой в выборе занятий на день. Пришёл к выводу, что объективно выбор не такой уж и большой — если делаешь то, что тебе нравится и получается, тебе хорошо с самим собой, а если у тебя этого нет в жизни — всё вокруг начинает угнетать.
Карьерный путь в трёх предложениях
Поступил на Физтех и был очень увлечён обучением, нереально кайфовал от всего этого, а потом оно мне пригодилось (никогда не думал, что буду работать по специальности, учился «по любви», а не «из расчета», хотя тешил себя надеждами, что так хотя бы прокачиваю мозг). На старших курсах вовремя заметил, что соседи по студенческому общежитию куда-то утром уходят: оказалось, что на работу, и тогда я задумался, что надо бы тоже заниматься чем-то полезным. Дальше мне удалось найти и совместить в моей жизни две страсти — Data Science и преподавание, мне много раз повезло, и я достаточно долго всем этим занимался, чтобы что-то хорошее у меня получилось в обеих сферах.
Цели и мечты
В ближайший год я хочу сильно прокачать процессы и команду у себя в МТС, сделать так, чтобы все дата саентисты у нас гордились своей командой, а те, кто ещё не у нас — очень хотели к нам попасть. Команда уже сильная, мне очень нравятся ребята, с которыми я работаю. Здесь есть целый план, что и в каком порядке делать, но пока не хочу спешить раскрывать все карты — лучше рассказывать уже по итогам работы.
Другая цель связана с образовательными проектами. Во-первых, запустить онлайн-версии курсов dmia.space. У нас с коллегами в течение примерно девяти лет преподавания сформировалось целых четыре тематических курса — базовый курс Machine Learning, базовый курс Deep Learning, курс по соревновательному Data Science, курс по индустриальному применению Data Science. Всё это нужно наконец-то запустить в онлайне, и мы давно над этим работаем.
Во-вторых, сильно расширить линейку общеобразовательных курсов на aiducation.ru и обновить существующие. Это такой мой небольшой pet project для тех, кому про мою область нужно «только спросить» и не хочется тратить время на перелопачивание кучи роликов на YouTube, которые часто либо слишком верхнеуровневые, либо слишком суровые и сугубо для технарей.
В-третьих, я надеюсь, что наконец-то смогу обновить какие-то части нашей специализации «Машинное обучение и анализ данных» на Курсере. По крайней мере, я очень серьёзно настроен в этом поучаствовать, хотя МФТИ уже начал почему-то приглашать это делать других авторов, и там ситуация не вполне прозрачна. Однако, если у меня будет возможность сделать нечто хорошее с курсами, выложенными на Курсере от лица моей alma mater, я очень постараюсь это сделать, и в моих планах на год это точно есть.
Если отбросить те мечты, которые уже осуществились или близки к осуществлению, то была одна странная вещь. Мне хотелось когда-нибудь создать успешную сеть частных школ по всему миру, с высоким уровнем подготовки, вниманием как к разностороннему образованию, так и к активному развитию талантов учащихся, а также с возможностью для наиболее одаренных детей учиться бесплатно.
Есть ещё «мечты», которые ближе к целям, чем к мечтам — создавать крутые Data Science команды, помогать людям попасть в мою область и развиться в ней, построить лучшее обучение Data Science в мире, сделать что-то значимое для качественного улучшения сферы образования.
Про признание
Если отбросить очевидные ответы «себя», «жену» или «своего ребёнка» (в случае появления жены и детей), то, наверное, никого. Я и так сильно завишу от одобрения своей аудитории, а мне бы хотелось чувствовать в себе больше сил самостоятельно продолжать своё дело, независимо от этого. Внешнее одобрение, безусловно, важно, когда речь идёт об образовании или построении команды, но я хочу уметь воспринимать это просто как метрику качества моей работы, а не источник моей мотивации. Сейчас я только в самом начале этого пути.
«Дело, которым я занимаюсь, сейчас …»
Определенно только набирает популярность, хотя и кажется, что хайп уже какой-то запредельный. Даже при том, что сейчас (по моим ощущениям) каждый третий IT-шник либо Data Scientist, либо уже пробовал или собирается попробовать разобраться в этой области, потребности компаний всё ещё больше, чем предложение на рынке труда. А мы ещё даже не представляем, как будет выглядеть Data Science будущего. То же справедливо и про образование в области Data Science, и про применение самого Data Science для создания новых форматов и нового пользовательского опыта в образовательных проектах.