Компания vs вуз vs академия

Идеальный способ решать какие-то задачи анализа данных в компании (в разрезе вопроса «кто будет решать») — это растить свои компетенции. Сейчас можно (хотя и сложно!) найти толковых ребят, владеющих инструментарием анализа данных и статистики, ну а предметную область лучше изучать изнутри. Тем не менее, есть много ситуаций, когда необходимо решать задачи «на стороне». Причины могут быть самые разные (задач мало и требуется «разовое решение», нужно быстро решить какую-то отдельную задачу, необходима разведка, что даст использование новой аналитики и т.п.) Есть несколько вариантов, к кому идти за решением. Опишем одну типичную историю, которая позволит их сравнить, не претендуя на полное и подробное сравнение.

company_vs_vuz

Заказчик

 — компания, которая занимается производством некоторого оборудования. Стараясь не называть имён, скажем лишь, что оборудование облеплено датчиками, с которых периодически снимаются показания. Проблема была в том, что вычисления некоторых важных параметров, на основе этих показаний давали неожиданные результаты. Они противоречили даже закону сохранения энергии, поскольку температурные режимы, уровни вибраций и объёмы затраченного топлива никак не согласовывались (т.е. непонятно было на что тратится топливо: не на движение и не на нагревание). Требовалась определить причину этого явления. Ошибки могли быть из-за

  • низкой чувствительности датчиков
  • сбоев отдельных датчиков
  • неправильной установки датчиков
  • неверных формул (их реализаций) для вычислений параметров
  • ошибочной интерпретации параметров

Задача

Казалось бы, проблема совсем не связана с машинным обучением. Тем не менее, гипотезы, которые выдвигались заказчиком, косвенно могли быть проверены именно методами машинного обучения. Например, в задаче была обучающая выборка, поскольку были эксперты, которые считали, что в определённые моменты времени вычисленные параметры соответствуют действительности, а в некоторые моменты – совсем не соответствуют. Точную математическую постановку задач, которые здесь возникли, мы опустим (NDA, всё-таки).

Самое интересное. Заказчик обратился с задачей в

  1. Компанию по анализу данных.
  2. Работнику вуза (с группой студентов).
  3. Академический институт (точнее, к группе учёных , которые занимаются анализом сигналов).

Обычно никто не даёт решать одну задачу параллельно нескольким исполнителям (если речь не идёт о проведении конкурсов или тендеров),  а здесь возникла уникальная ситуация, когда все решали не зная о существовании «конкурентов». Изначально планировался только вариант (1), (3) — это независимая инициатива инвестора заказчика, а вариант (2) — просто удачно подвернулся.

Что было дальше…

компания

Был заключен договор, на достаточно неплохую (для исполнителя) сумму. За оговоренный срок (около 2 месяцев) все задачи были решены, предоставлен толстый отчёт. Заказчик остался доволен, получив ответы на все свои вопросы.  Как следствие, у заказчика появилось много новых вопросов и задач. Сотрудничество не получило развития — по следующим проектам не договорились по цене.

вуз

Задача определила темы выпускных работ нескольких студентов, её решение заняло несколько семестров (собственно, пока официально не нужно было защищать диплом), материальной мотивации у исполнителей  почти не было. Выводы получились точно такими же, как в отчёте компании, хотя техника решения была немного другая. Вместо толстого отчёта на выходе получилось несколько статей в научных журналах. Сейчас исполнители (выпустившиеся студенты) работают в солидных компаниях и решают уже другие задачи. Сотрудничество не получило прямого развития.

Интересно, что в компании задачу решали тоже студенты, только там им платили за это деньги, но уровень знаний и профессионализма был примерно одинаковый.

академический институт

Был заключен договор на очень незначительную сумму сроком на год. В очень неспешном темпе задача решалась в течение года. Удивительно, но мотивации решать у коллектива не было совсем, зато была мотивация найти ещё несколько подобных проектов (все на большой срок и маленькие для бизнеса, но неплохие для науки суммы). Коллектив – это научные сотрудники в возрасте «существенно за 30». Один из них, действительно, учёный с мировым именем по решению подобных задач, но он большую часть времени прибывал в международных командировках. Заказчик не слишком доволен результатами. Но самое парадоксальное: это сотрудничество продолжается до сих пор, уже несколько лет.

Выводов… не будет. Это была просто одна зарисовка из жизни.

Реклама

Компания vs вуз vs академия: 3 комментария

  1. Прям, в тему статья.
    Работая в большой компании, я как раз задумался о решении задач на стороне. Своими силами решать задачи, особенно исследовательские, не хватает времени и ресурсов — надо работу работать. Компании, профильно занимающиеся Data Science хотят много денег, при этом выгода от их решений не очевидна, как правило потому, что не очевидна выгода от самой задачи — зачастую хочется попробовать новые методы для старых задач. Инвестировать в не очевидный результат компании не готовы. Поэтому, у меня буквально недавно появилась идея задействовать студентов, с их помощью можно параллельно проработать разные идеи, выбрав потом лучшую. Правда, нужен адекватный (в плане понимания правил бизнеса) и идейный науч.рук.
    Быть может компания из вашего примера выбрала академический институт из-за стабильности? Большие коммерческие компании любят стабильность. Со студентами задачу каждый раз надо объяснять по-новой — они защитились и ушли, даже при наличии адекватного науч.рука, новым студентам нужно снова всё рассказывать, опыт предыдущих исследований передаётся не весь или вообще не передаётся. А в группе учёных текучка кадров заметно ниже, при этом опыт весь внутри группы.

    • Да, я тут со своими знакомыми как раз вчера обсуждал, с кем бы им сотрудничать. У них часто возникают задачи на разведывательный анализ данных, на которые не хватает собственных сил. Видимо, больше всего им подходит какая-нибудь научная группа. Причина — ровно та, которую Вы назвали.

    • Мой опыт — в основной массе на студентов «где залезишь там и слезешь». А те у которых получается — их лучше не отпускать из компании, а сделать хорошее предложение по трудоустройству. Результат себя оправдает. Однако в больших компаниях, особенно имеющих длинную историю опыта работы с кадрами в «советский период», как правило студов используют в техпроцессе «поди принеси — отнеси, закопай подержи и тд.» Так что смотря какая у Вас компания, такие результаты и студы покажут.

Добавить комментарий

Заполните поля или щелкните по значку, чтобы оставить свой комментарий:

Логотип WordPress.com

Для комментария используется ваша учётная запись WordPress.com. Выход / Изменить )

Фотография Twitter

Для комментария используется ваша учётная запись Twitter. Выход / Изменить )

Фотография Facebook

Для комментария используется ваша учётная запись Facebook. Выход / Изменить )

Google+ photo

Для комментария используется ваша учётная запись Google+. Выход / Изменить )

Connecting to %s