Uspješni hrvatski data scientist: ‘Imam dvije diplome, uskoro ću doktorirati, ovo su vještine koje morate imati za taj posao’
Demijan Grgić je znanstvenik podataka što je zanimanje koje se često proglašava profesijom budućnosti. Istraživač je u FER-ovom laboratoriju SocialLAB i jedan od vodećih domaćih data scientist-a. Provjerite koja sve znanja i vještine morate imati da bi se bavili poslom koji radi Demijan.
Demijan Grgić je data scientist, a pojasnio je što to točno znači | Foto: A1 Hrvatska
Razvoj i unapređenje znanja i vještina kroz obrazovanje i svakodnevno učenje koje nikada ne prestaje ključni su pokretači individualnog uspjeha, razvoja kompanija i ekonomskog rasta. Kako bi istražili koje su vještine potrebne da bismo se već danas bavili inovativnim poslovima u najpropulzivnijim industrijama, A1 Hrvatska je s ekspertnim timom, u kojem je 27 znanstvenika, profesora, menadžera, stručnjaka iz različitih industrija i osnivača tehnoloških tvrtki, lansirao prvu hrvatsku interaktivnu mapu poslova i vještina budućnosti. Ovo su priče o ljudima koji već rade poslove budućnosti u Hrvatskoj i koji svojim znanjem pomiču granice, rade s najnovijim tehnologijama na inovativnim proizvodima i uslugama te pokreću transformacije u svojim industrijama. Evo kako svatko od nas može steći vještine za poslove budućnosti!
‘Ako vam nedostaje ideja, uzmite bilo koju situaciju u kojoj ste promatranjem ustanovili da postoji problem. Ako nešto nekoga muči, imate priliku to unaprijediti. Kad god uočite neki problem i pomislite da bi stvari mogle biti lakše, upotrijebite data science.’
Tako Demijan Grgić opisuje zanimanje koje svi proglašavaju profesijom budućnosti. Istraživač je u FER-ovom laboratoriju SocialLAB i jedan od vodećih domaćih data scientist-a.
Znanstvenici podataka su za svaki business sigurna veza koja prevodi problem i implementira rješenje. Na našoj su A1 prvoj hrvatskoj interaktivnoj mapi poslova i vještina budućnosti visoko pozicionirani, a na tržištu rada sve traženiji. Demijan kaže kako znanost podataka uvijek teži pojednostavljivanju, razumijevanju ili poboljšavanju nekih procesa, ali samo u onim slučajevima kada se razumije što se unapređuje.
‘Svaka se stvar može popraviti. Evo jednostavnog primjera. Kad mi u vožnji pješak ili biciklist uleti u zadnji trenutak, pomislim kako bi baš bilo dobro da postoji kamera koja prati okolinu vozila i to može javiti. Možda bi se takva komponenta koja obavještava što se događa u blizini mogla razvijati za današnja vozila, a ne samo autonomna vozila. Bilo koja ljudska aktivnost ili proces mogu biti bolji ili jednostavniji.’
Diplomirao i na Ekonomiji
Baca pogled na mobitel koji snima intervju: ‘Tako su neki ljudi u jedom trenutku rekli – ajmo napraviti NLP (natural language processing), pa se netko sjetio ajmo napraviti speech-to-text, pa text-to-speech, onda su stigli virtualni agenti i chatbotovi. Svaki korak dalje pomaže da ovo što vi sada radite obavite lakše.’ Umjetna inteligencija je saveznik, data science ima tendenciju automatizirati sve oko sebe jer se prediktivni algoritmi lako automatiziraju. Nismo daleko do toga da AI doista napiše i ovaj tekst.
Zanimanje za računala i sklonost prirodnim znanostima doveli su ga na Fakultet elektrotehnike i računarstva, koji je upisao još u vrijeme kada se nije moglo pretpostaviti koliko će internet biti ogroman, bitan i koristan. Diplomirao je na FER-u i paralelno na Ekonomskom fakultetu.
‘Kad sam procijenio da je na FER-u manji naglasak na razumijevanju poslovnih okvira i shvatio da ne razumijem ni bilancu, niti račun dobiti i gubitka, a ne znam ni osnove knjigovodstva, krenuo sam na Ekonomiju. Za data znanstvenike jako je važno da osim programiranja i podataka razumiju i osnove poslovanja.’
Nakon toga je radio u privatnom sektoru u financijama, bavio se analitikom podataka i procjenom rizika, a potom se vratio na matični fakultet gdje priprema doktorat s područja strojnog učenja i psihologije. Stoga je nakon jednog od najzahtjevnijih studija u zemlji, uz dodatnu diplomu iz ekonomije, još jednom u karijeri 33-godišnji Demijan morao usvajati znanja iz potpuno novog područja – ovaj put iz psihologije.
‘Dosta sam vremena uložio u proučavanje radova iz psihologije koji imaju podlogu u statistici, jer je statistika zajednički nazivnik za data science i psihologiju. I u jednom i u drugom području tražite zaključak koji je statistički značajan. Iako je podloga ista, razlika je značajna.’
Prva hrvatska interaktivna mapa vještina za poslove budućnosti: Provjeri koje su sve vještine potrebne da bi bio data znanstvenik kao Demijan
Posjeti https://vjestinebuducnosti.a1.hr/ i otkrij poslove budućnosti | Foto: Screenshot, Vještine budućnosti
Specijalizirao se za pomalo nišnu kombinaciju psihologije i data science-a. To je svježe, interdisciplinarno polje koje kombinira tehnike bihevioralnih znanosti poput psihologije, ekonomije i sociologije sa znanošću podataka, strojnim učenjem i umjetnom inteligencijom. Među ogromnim volumenima podataka proučava emocionalna ponašanja ljudi.
Najviše ga je, ipak, iznenadilo koliko znamo biti predvidljivi: ‘Fascinantno je koliko navike dominiraju ljudskim ponašanjem. Iako to očekujete, iznenadi vas koliko je stvari kod ljudi predvidljivo ne zbog više sile koja to kompleksnije predviđa, nego jednostavno zbog usvojenih navika. I ta individualna crta – hoćemo li ujutro popiti čaj ili kavu – često je tvrdoglavo i čvrsto ukorijenjena.’
Iznenadilo ga je i ovo: ‘Jedna emocija iznenađenja utječe na drugo iznenađenje, ako se u jednom trenutku iznenadiš, u drugom će iznenađenje biti još veće. Emocije se isprepleću, jedna utječe na drugu. Kad se uđe još dublje u problematiku, sve više stvari iskače iz pozadine dokazujući koliko smo kompleksna bića i koliko smo različiti prema svim tim dimenzijama i načinima na koja se ponašamo.’
Probleme treba gledati pažljivo, temeljito i brižno
Osim intenzivne znatiželje i strašne želje da se uđe u srce nekog problema, pitamo Demijana koja su znanja potrebna za ovaj posao budućnosti. ‘Preporučio bih da data scientist ili data inženjer uvijek prouči okvir i industriju koja ga zanima. Data science možete primijeniti svagdje.’
Kako vidjeti ono što tražite u ogromnim volumenima podataka? Za ono čime se bavi potrebno je poznavanje programskih jezika Python i R, razumijevanje statistike i statističkih metoda, znanja iz područja machine learninga i neuronskih mreža te obrade podataka, ističe Demijan. No, nama se čini da su kritičke i kreativne vještine kojima identificiraju neočekivane uzorke još važnije, pa ćemo si dopustiti ovu ilustraciju. Svaki povjesničar umjetnosti zna kako je Pablo Picasso 1942. godine među hrpom starog željeza primijetio odbačeno sjedalo bicikla i zahrđali upravljač. U blistavom trenutku i magičnoj metamorfozi spojio je ta dva predmeta u slavnu skulpturu ‘Glava bika’. Koliko je ljudi te predmete primijetilo prije njega, ali nisu vidjeli i nisu povezali? Pažljivo, detaljno, brižno i temeljito gledanje problema temelj je svakog dobrog istraživačkog rada. Za data scientist-a pogotovo.
Istraživanja provodi u FER-ovu Laboratoriju za društveno umrežavanje i društveno računarstvo. U njegovom kabinetu na osmom katu zgrade tri su ekrana. Kad radi, isključi mobitel, jer se tako i on može isključiti: ‘Aplikacije su sjajne, ali znaju ometati.’ Trudi se da u radnom danu ima najmanje dva ili tri bloka u kojima tutta forza radi po dva do tri sata, u kojima odvoji vrijeme za projekt a da ne mora voziti slalom s dnevnom operativom. Večernji je tip, ali je shvatio da s više koncentracije radi u jutarnjim terminima. Koristi se malim trikom: uz kompleksniji projekt koji zahtijeva više vremena paralelno radi i na nekom manjem, koji će brže dati rezultate. Što radi kada ne radi i ne uči?
‘U znanosti podataka promjene su toliko brze da naše učenje nikada ne prestaje. Moram priznati da nemam luksuz da kontinuirano ne radim i ne učim. Možda je to na kavama…’ U ovoj fazi, objašnjava nam neka saznanja iz recentnog istraživanja, raspolažu predviđanjima koja nemaju snagu znati što ćete sve raditi sljedeći tjedan iz sata u sat, ali u prosjeku je jasno koliko ćete puta sljedeći tjedan otići u trgovinu, koliko ćete puta pročitati novinsku vijest određene kategorije. ‘Iznenadilo me kolika je snaga te predvidljivosti.’
Želite li biti data scientist kao Demijan, budite spremni na cjeloživotno učenje | Foto: A1 Hrvatska
Sljedećih 20 godina velike promjene
Strojno učenje i umjetna inteligencija predviđaju da će se kroz neki period neke stvari dogoditi: ‘Ne znači da da će se to doista dogoditi, no ponekad su korisne kao redukcija rizika.’ Pa daje primjer: ‘Pročitam vijest o prosvjedima u nekoj europskoj zemlji zbog lockdowna i kad izoliram sentiment, pomislim – pa mogli ste sve to predvidjeti!’ Demijan se proteklih mjeseci intenzivno bavio istraživanjem ponašanja opće populacije: ‘U recentnom istraživanju pratili smo kako se na razini populacije ponašaju ljudi prateći njihov pozadinski emotivni sentiment da bismo to koristili kao proxy ili kao potencijalno rano upozorenje za situacije koje mogu biti nepovoljne. Prosvjedi su reakcija društva na percipirano negativne događaje za koje ne postoji predvidljivi kraj’, objašnjava. Ugrubo: doživljava li populacija neku situaciju kao vrlo nepovoljnu, događaju se revolti. ‘Oni donose i ekonomski trošak za sve, pogotovo ako eskaliraju.’ Pratili su emocije veće grupe ljudi na društvenim mrežama, mjerili kako se sentiment mijenja i kako visoka amplituda negativnosti kreira revolt.
‘Zadnjih deset godina napravili smo veliki skok. I sljedećih 20 bit će razdoblje velikih tehnoloških promjena. Na nama je da im se veselimo i budemo spremni. Nadam se da će se, kada za dva desetljeća u retrovizoru pogledamo zaključke nekih istraživanja koje danas provodimo, pokazati da su bili korisni, da je zbog njih život ljudi postao bolji i kvalitetniji’, zaključuje Demijan.
Što znači biti data scientist?
- Vještine ključne za moje zanimanje:
‘Poznavanje programskih jezika Python i R, razumijevanje statistike i statističkih metoda, znanja iz područja machine learninga i neuronskih mreža te obrade podataka. Također treba znati kako poslovne potrebe riješiti kroz data science pogled.’ - Vještine koje sam stekao obrazovanjem:
‘Formalno obrazovanje daje detaljan pristup tehničkoj strani vještina, i tu se FER pokazao kao najbolji odabir jer pokriva sve tehničke vještine s naglaskom na najnovijim i modernim. Mislim da kombinacija usvajanja tehničkih vještina i rješavanja praktičnih problema daje najbolju osnovu za uspješno rješavanje problema u poslovnom svijetu.’ - Vještine koje sam stekao kroz svakodnevni posao:
‘Često se potroši jako puno vremena na inicijalno ispitivanje i analizu podataka. Dakle, ponajviše strpljivost.’ - Moj radni dan:
‘Jutarnja kava i rani time blok od 2 do 3 sata koji se posveti specifičnom problemu. Nakon toga analiza rezultata, komentiranje i usporedba s kolegama. Zatim popodne više operativne stvari bliže projektima, sastanci. Navečer obično proučim akademski rad-dva, ovisno o trenutačnoj sferi istraživanja, da vidim što je otkriveno u međuvremenu.’ - Na svom poslu svaki dan naučim nešto novo:
‘Najbolje se uči eksperimentiranjem i testiranjem prediktivnih algoritama na novim podacima iz različitih domena. Taman kad misliš da si sve bitno svladao, nešto novo i neobično iskoči – i omogući da se rješavanju problema pristupi na drugi, inovativniji način. Istraživački posao ima tu zahvalnu komponentu da se svaki dan testiraju novi pristupi kako bi se dobili što bolji rezultati, što zahtijeva da se stalno usvajaju nove stvari. Mislim da razvoj kroz cjeloživotno učenje polako postaje više norma nego iznimka.’ - Vještine koje su važne za proaktivnost i inovativnost:
‘Većina stvari koju testirate neće uspjeti isprva: treba daleko više iteracija da bi se došlo do rezultata. Dakle, potrebna je sposobnost prihvaćanja činjenice da za inovativnost nema lakih dana.’ - Vještine koje su važne za timski rad:
‘Prihvaćanje da smo svi različiti i da imamo drugačije poglede na stvari. Upravo ta različitost je ono što omogućuje pravom timu da sagleda problem na više načina i skupa dođe do rješenja koje nitko ne bi mogao pronaći samostalno.’
Tekst je nastao u suradnji Native studija portala srednja.hr i A1 Hrvatska
