In der Autor Highlight -Serie chatten die TDS -Redakteure mit Mitgliedern unserer Neighborhood über ihren Karriereweg in Knowledge Science und KI, ihr Schreiben und ihre Inspirationsquellen. Heute sind wir begeistert, unser Gespräch mit zu teilen Mariya Mansurova.
Mariyas Geschichte ist ein ewiges Lernen. Ausgehend von einer starken Grundlage für Software program -Engineering, Mathematik und Physik hat sie mehr als 12 Jahre damit verbracht, Experience in Produktanalysen in allen Branchen zu bauen, von Suchmaschinen und Analyseplattformen bis hin zu Fintech. Ihr einzigartiger Weg, einschließlich praktischer Erfahrung als Produktmanager, hat ihr einen 360-Grad-Blick darauf gegeben, wie analytische Groups Unternehmen helfen können, die richtigen Entscheidungen zu treffen.
Jetzt als Produktanalysemanager fungiert, zieht sie Energie aus und entdeckt neue Erkenntnisse und revolutionary Ansätze. Jeder ihrer Artikel über in Richtung Knowledge Science spiegelt ihre neueste „AHA!“ Wider, die Second: Ein Beweis für ihre Überzeugung, dass Neugier den wirklichen Fortschritt treibt.
Sie haben ausführlich über geschrieben Agenten AI und Frameworks wie Smolagents und Langgraph. Was begeistert Sie am meisten über diesen aufstrebenden Raum?
Ich fing an, generative KI weitgehend aus Neugier und zugegebenermaßen ein bisschen FOMO zu erkunden. Jeder um mich herum schien LLMs zu verwenden oder zumindest darüber zu sprechen. Additionally habe ich Zeit geschliffen, um praktisch zu werden, angefangen mit den Grundlagen wie der Aufforderung von Techniken und LLM-APIs. Und je tiefer ich ging, desto aufgeregter wurde ich.
Was mich am meisten fasziniert, ist, wie Agentensysteme die Artwork und Weise beeinflussen, wie wir leben und arbeiten. Ich glaube, dass dieser Einfluss nur im Laufe der Zeit weiter wachsen wird. Aus diesem Grund verwende ich jede Probability, Agenten -Instruments wie Copilot oder Claude Desktop zu verwenden oder meine eigenen Agenten mit Technologien wie Smolagents, Langgraph oder Crewai zu erstellen.
Der wirkungsvollste Anwendungsfall von Agentic AI für mich struggle für mich Codierung. Es ist wirklich beeindruckend, wie Instruments wie Github Copilot die Geschwindigkeit und die Qualität Ihrer Arbeit verbessern können. Während Jüngste Forschungen Von METR hat gefragt, ob die Effizienzgewinne wirklich so erheblich sind, ich bemerke definitiv einen Unterschied in meiner täglichen Arbeit. Es ist besonders hilfreich bei sich wiederholenden Aufgaben (wie Pivoting -Tabellen in SQL) oder bei der Arbeit mit unbekannten Technologien (z. B. Erstellen einer Net -App in TypeScript). Insgesamt würde ich etwa 20% der Geschwindigkeitssteigerung schätzen. Bei diesem Schub geht es jedoch nicht nur um Produktivität. Es ist eine Paradigmenverschiebung, die auch das erweitert, was sich möglich anfühlt. Ich glaube, dass wir mit der Entwicklung von Agentenwerkzeugen eine wachsende Effizienzkluft zwischen Einzelpersonen und Unternehmen feststellen werden, die gelernt haben, diese Technologien und diejenigen zu nutzen, die es nicht getan haben.
Wenn es um Analysen geht, freue ich mich besonders über automatische Berichtsagenten. Stellen Sie sich eine KI vor, die die richtigen Daten ziehen, Visualisierungen erstellen, bei Bedarf eine Grundursache für Ursachen durchführen kann, offene Fragen beachten und sogar den ersten Entwurf der Präsentation erstellen. Das wäre einfach magisch. Ich habe gebaut ein Prototyp Das erzeugt solche KPI -Erzählungen. Und obwohl es eine signifikante Lücke zwischen dem Prototyp und einer Produktionslösung gibt, die zuverlässig funktioniert, werden wir glaube, dass wir dort gelangen werden.
Sie haben drei Artikel unter dem „geschrieben“Praktische Computersimulationen für Produktanalysten”Serie. Was hat diese Serie inspiriert und wie kann Simulation die Produktanalyse neu formen?
Die Simulation ist ein stark nicht ausgelastetes Werkzeug in der Produktanalyse. Ich habe diese Serie geschrieben, um den Menschen zu zeigen, wie mächtig und zugänglich die Simulationen sein können. In meiner täglichen Arbeit begegne ich immer wieder, was-wenn Fragen wie “Wie viele operative Agenten brauchen wir, wenn wir diese KYC -Kontrolle hinzufügen?“ oder „Was hat die wahrscheinliche Auswirkungen der Einführung dieser Funktion in einem neuen Markt?“. Sie können jedes System simulieren, egal wie komplex. Simulationen gaben mir additionally eine Möglichkeit, diese Fragen quantitativ und ziemlich genau zu beantworten, selbst wenn noch harte Daten noch nicht verfügbar waren. Ich hoffe additionally, dass mehr Analysten diesen Ansatz verwenden werden.
Simulationen leuchten auch bei der Arbeit mit Unsicherheit und Verteilungen. Persönlich bevorzuge ich Bootstrap -Methoden, um eine lange Liste statistischer Formeln und Signifikanzkriterien auswendig zu lernen. Das Simulieren des Prozesses fühlt sich oft intuitiver an und ist in der Praxis weniger fehleranfällig.
Schließlich finde ich es faszinierend, wie sich die Technologien in der Artwork und Weise verändert haben, wie wir Dinge tun. Mit der heutigen Rechenleistung, bei der ein Laptop computer in Minuten oder sogar Sekunden Tausende von Simulationen durchführen kann, können wir leicht Probleme lösen, die vor dreißig Jahren eine Herausforderung gewesen wären. Das ist ein Spielveränderer für Analysten.
Einige Ihrer Beiträge konzentrieren sich auf den Übergang von LLM -Anwendungen von Prototyp Zu Produktion. Welche häufigen Fallstricke sehen Sie Groups in dieser Section?
Durch die Praxis habe ich festgestellt, dass zwischen LLM -Prototypen und Produktionslösungen, die viele Groups unterschätzen. Die häufigste Fallstricke ist die Behandlung von Prototypen, als ob sie bereits produktionsbereit sind.
Die Prototypphase kann täuschend glatt sein. Sie können in ein oder zwei Stunden etwas Funktionales bauen, es an einer Handvoll Beispiele testen und das Gefühl haben, das Drawback zu knacken. Prototypen sind großartige Werkzeuge, um die Machbarkeit zu beweisen und Ihr Crew über die Chancen zu begeistern. Aber hier stolpern Groups oft: Diese frühen Versionen bieten keine Garantien für Konsistenz, Qualität oder Sicherheit, wenn es sich um unterschiedliche, reale Szenarien handelt.
Was ich gelernt habe ist, dass eine erfolgreiche Produktionsbereitstellung mit einer strengen Bewertung beginnt. Bevor Sie etwas skalieren, benötigen Sie klare Definitionen darüber, wie „gute Leistung“ in Bezug auf Genauigkeit, Tonfall, Geschwindigkeit und andere für Ihren Anwendungsfall spezifische Kriterien aussieht. Dann müssen Sie diese Metriken kontinuierlich verfolgen, während Sie es iterieren, um sicherzustellen, dass Sie sich tatsächlich verbessern, anstatt nur die Dinge zu ändern.
Stellen Sie sich dies wie Software program -Exams vor: Sie würden keinen Code ohne ordnungsgemäße Exams versenden, und LLM -Anwendungen erfordern denselben systematischen Ansatz. Dies wird in regulierten Umgebungen wie Fintech oder Healthcare besonders wichtig, wo Sie nicht nur Ihrem internen Crew, sondern auch den Stakeholdern der Compliance zuverlässig sind.
In diesen regulierten Räumen benötigen Sie umfassende Überwachung, Überprüfungsprozesse und Prüfungswege, die der Prüfung standhalten können. Die Infrastruktur, die erforderlich ist, um all dies zu unterstützen, braucht häufig weit mehr Entwicklungszeit als der Aufbau des ursprünglichen MVP. Das ist etwas, das Groups konsequent überrascht, die sich hauptsächlich auf die Kernfunktionalität konzentrieren.
Ihre Artikel verbinden manchmal Engineering -Prinzipien mit den Greatest Practices von Knowledge Science/Analytics, wie z. B. Ihre “High 10 Engineering -Lektionen, die jeder Datenanalyst kennen sollte.Denken Sie, dass die Grenze zwischen Daten und Engineering verwischt ist?
Die Rolle eines Datenanalystens oder eines Datenwissenschaftlers erfordert heute häufig eine Mischung aus Fähigkeiten aus mehreren Disziplinen.
- Wir schreiben Code und teilen uns gemeinsam mit Software program -Ingenieuren.
- Wir helfen Produktteams, Strategie zu überdenken und Entscheidungen zu treffen, sodass Produktmanagementfähigkeiten nützlich sind.
- Wir stützen uns auf Statistiken und Datenwissenschaften, um strenge und umfassende Analysen aufzubauen.
- Und um unsere Erzählungen zu überzeugen und Entscheidungen tatsächlich zu beeinflussen, müssen wir die Kunst der Kommunikation und Visualisierung beherrschen.
Persönlich hatte ich das Glück, früh in der Schule und in der Universität verschiedene Programmierkenntnisse zu erwerben. Dieser Hintergrund hat mir bei der Analytik enorm geholfen: Er hat meine Effizienz erhöht, mir besser mit Ingenieuren zusammenarbeiten und mir beigebracht, wie man skalierbare und zuverlässige Lösungen aufbaut.
Ich ermutige Analysten nachdrücklich, die Greatest Practices für Software program -Engineering zu übernehmen. Dinge wie Versionskontrollsysteme, Exams und Codeüberprüfung helfen analytische Groups, zuverlässigere Prozesse zu entwickeln und Ergebnisse höherwertiger Qualität zu liefern. Ich denke nicht, dass die Grenze zwischen Daten und Engineering vollständig verschwindet, aber ich glaube, dass Analysten, die eine technische Denkweise annehmen, in modernen Knowledge -Groups weitaus effektiver sein werden.
Sie haben beide erforscht kausale Inferenz und modernste LLM-Tuning-Techniken. Sehen Sie diese als Teil eines gemeinsam genutzten Toolkits oder separaten Denkweisen?
Das ist eigentlich eine großartige Frage. Ich bin fest davon überzeugt, dass all diese Werkzeuge (von statistischen Methoden bis hin zu modernen ML -Techniken) zu einem einzigen Toolkit gehören. Wie Robert Heinlein berühmt sagte: „Spezialisierung ist für Insekten.“
Ich denke an Analysten als Datenassistent, die ihren Produktteams helfen, ihre Probleme mithilfe von Instruments zu lösen, die am besten passen: unabhängig davon, ob es sich um einen LLM-angetriebenen Klassifizierer für NPS-Kommentare erstellt, wobei kausale Schlussfolgerungen zur Treffen strategischer Entscheidungen oder zum Erstellen einer Net-App zur Automatisierung von Workflows verwendet werden.
Anstatt sich auf bestimmte Fähigkeiten zu spezialisieren, konzentriere ich mich lieber auf das Drawback, das wir lösen, und halte das Toolset so weit wie möglich. Diese Denkweise führt nicht nur zu besseren Ergebnissen, sondern fördert auch eine kontinuierliche Lernkultur, die in der heutigen schnelllebigen Datenbranche von wesentlicher Bedeutung ist.
Sie haben eine breite Palette von Themen behandelt, von Texteinbettungen Und Visualisierungen Zu Simulation Und Multi -AI -Agent. Welches Schreibgewohnheit oder das Leitprinzip hilft Ihnen, Ihre Arbeit so kohärent und zugänglich zu halten?
Normalerweise schreibe ich über Themen, die mich im Second erregen, entweder weil ich gerade etwas Neues gelernt habe oder eine interessante Diskussion mit Kollegen geführt habe. Meine Inspiration stammt oft von On-line-Kursen, Büchern oder meinen täglichen Aufgaben.
Wenn ich schreibe, denke ich immer an mein Publikum und wie dieses Stück sowohl für andere als auch für mein zukünftiges Selbst wirklich hilfreich sein kann. Ich versuche, alle Konzepte klar zu erklären und jedem, der tiefer graben möchte, Brotkrumen hinterlassen. Im Laufe der Zeit ist mein Weblog zu einer persönlichen Wissensbasis geworden. Ich kehre oft zu alten Beiträgen zurück: Manchmal nur um ein Code -Snippet zu kopieren, manchmal um eine Ressource mit einem Kollegen zu teilen, der an etwas Ähnlichem arbeitet.
Wie wir alle wissen, ist alles in Daten miteinander verbunden. Das Lösen eines realen Issues erfordert häufig eine Mischung aus Werkzeugen und Ansätzen. Wenn Sie beispielsweise die Auswirkungen des Begins in einem neuen Markt schätzen, können Sie Simulation für die Szenarioanalyse, LLMs verwenden, um die Kundenerwartungen und die Visualisierung zu untersuchen, um die endgültige Empfehlung zu ermitteln.
Ich versuche, diese Verbindungen in meinem Schreiben zu reflektieren. Technologien entwickeln sich, indem sie sich auf früheren Durchbrüchen aufbauen, und das Verständnis der Fundamente hilft Ihnen, tiefer zu gehen. Deshalb verweisen sich viele meiner Beiträge gegenseitig und lassen die Leser ihrer Neugier folgen und aufdecken, wie unterschiedliche Teile zusammenpassen.
Ihre Artikel sind beeindruckend strukturiert und wandeln sich häufig von grundlegenden Konzepten bis hin zu fortgeschrittenen Implementierungen. Was ist Ihr Prozess, um ein komplexes Stück vor dem Schreiben zu skizzieren?
Ich glaube, ich habe diese Artwork der Präsentation von Informationen in der Schule entwickelt, da diese Gewohnheiten tiefe Wurzeln haben. Als Buch Die Kulturkarte Erklärt, unterschiedliche Kulturen unterscheiden sich in der Artwork und Weise, wie sie die Kommunikation strukturieren. Einige sind Konzept-First-First (ausgehend von Grundlagen und iterativ zu Schlussfolgerungen), während andere Anwendungen zuerst sind (beginnend mit den Ergebnissen und bei Bedarf tiefer). Ich habe den Konzept-ersten Ansatz definitiv verinnerlicht.
In der Praxis sind viele meiner Artikel von On-line -Kursen inspiriert. Während ich einen Kurs ansehe, skizziere ich die grobe Struktur parallel, damit ich keine wichtigen Nuancen vergesse. Ich notiere auch alles, was unklar ist, und markiere es für zukünftiges Lesen oder Experimentieren.
Nach dem Kurs überlege ich, wie ich dieses Wissen auf ein praktisches Beispiel anwenden kann. Ich bin fest davon überzeugt, dass Sie etwas nicht wirklich verstehen, bis Sie es selbst versuchen. Obwohl die meisten Kurse praktische Beispiele haben, sind sie oft zu poliert. Nur wenn Sie dieselben Ideen für Ihren eigenen Anwendungsfall anwenden, werden Sie auf Kantenfälle und Reibungspunkte begegnen. Zum Beispiel kann der Kurs OpenAI -Modelle verwendet, aber ich möchte vielleicht ein lokales Modell ausprobieren, oder die Standardsystemaufforderung im Framework funktioniert für meinen speziellen Fall nicht und muss optimiert werden.
Sobald ich ein arbeitendes Beispiel habe, wechsle ich zum Schreiben. Ich bevorzuge separate Zeichnen von der Bearbeitung. Zunächst konzentriere ich mich darauf, alle meine Ideen und den Code zu räumen, ohne mich um Grammatik oder Ton zu kümmern. Dann wechsle ich in den Bearbeitungsmodus: Verfeinerung der Struktur, die Auswahl der richtigen Grafiken, die Zusammenstellung der Einführung und die Hervorhebung der wichtigsten Imbissbuden.
Schließlich habe ich das Ganze von Anfang an gelesen, um etwas zu fangen, was ich verpasst habe. Dann bitte ich meinen Accomplice, es zu überprüfen. Sie bringen oft eine neue Perspektive und weisen auf Dinge hin, die ich nicht in Betracht gezogen habe, was dazu beiträgt, dass der Artikel umfassender und zugänglicher wird.
Um mehr über Mariyas Arbeit zu erfahren und mit ihren neuesten Artikeln auf dem Laufenden zu bleiben, folgen Sie ihr hier auf Tds und weiter LinkedIn.