Синтвейв, код и бизнес-логика: рабочий ритм ML-инженера в технологичном ритейле
Многие думают, что ML-инженер только обучает модели и запускает их в продакшен. На самом деле эта профессия находится на стыке разработки, науки и глубокого понимания бизнеса. Конечная цель — решать задачи, где алгоритмы значительно эффективнее ручных решений, принося измеримую пользу.
Как выглядит на практике? О своем рабочем дне в MAGNIT TECH расскажет Александр Солин, главный разработчик команды развития моделей промо-прогноза.
Путь в профессию: от закупок к данным
Желание построить карьеру в сфере Data Science и машинного обучения появилось у меня в 2018 году. Тогда еще не было нынешнего бума онлайн-курсов и всеобщего хайпа вокруг ИИ, поэтому источником вдохновения стала для меня не реклама, а живая история — статья на Хабре об успехах автора на платформе Kaggle.
В тот момент я работал специалистом по закупкам в крупной автодилерской сети. Моими основными инструментами были 1С и Excel, но я уже чувствовал желание решать более амбициозные задачи с помощью современных технологий. Прочитанная статья стала тем самым триггером: я понял, что Data Science и ML — это именно та сфера, которой мне хотелось бы заниматься профессионально.
Два года подготовки — и я устраиваюсь ML-инженером в компанию «Магнит». К этому моменту я уже знал о компании не только как о розничном гиганте, но и как о технологически продвинутом работодателе в Краснодаре. Ну и приятным бонусом оказалось то, что головной офис находится всего в нескольких минутах от моего дома.
С тех пор прошло четыре года, и я вырос от junior до senior ML-разработчика внутри ML&AI HUB (экспертное направление по ML и AI), пройдя путь десятков экспериментов, релизов и продакшен-инцидентов. Опыт стал больше, задачи — сложнее, зона ответственности — шире. Но в основе всё остаётся тем же: день начинается с простых и понятных вещей.
Утро: ритм, кофе и электровелосипед
А теперь – о настоящем. Моё утро начинается с сытного завтрака и обязательного кофе. За чашкой я просматриваю календарь: проверяю наличие встреч и созвонов, чтобы выстроить план дня.
Я работаю в гибридном формате, но в офис приезжаю чаще. Еще с прошлого места работы я открыл для себя электровелосипед — это идеальный способ взбодриться с утра и избежать пробок.
Погода в Краснодаре позволяет кататься почти круглый год, а дорога до офиса занимает не более 20 минут. Оставив велосипед на закрытой парковке для сотрудников, я поднимаюсь в офис — и здесь начинается самая интересная часть.
Первый фокус: мониторинг и анализ в промышленных масштабах
Мой рабочий день стартует в 9:30 утра. Первым делом я снова проверяю рабочую почту и корпоративный мессенджер – отвечаю коллегам, проверяю логи расчетов наших ML- сервисов. Зачастую ничего критичного: упавшие задачи автоматически перезапускаются и успешно отрабатывают со следующей попытки. Однако причина сбоя всё равно требует внимания — это может быть, например, закончившееся место в хранилище или проблемы с доступом к данным.
Следующий шаг — анализ результатов теста модели прогноза, который был запущен мной вчера вечером. Масштаб решаемых задач диктует свои правила: наша команда строит прогнозы для ~30 000 магазинов сети, поэтому пайплайн — от подготовки данных до записи итоговых прогнозов — вполне может занимать несколько часов. Я выгружаю в BI-систему прогнозы модели спроса и анализирую результаты ретро-теста. Проверяю ключевые метрики: точность прогноза по категориям, смещение (bias) модели. Если вижу аномалию — планирую донастройку пайплайна данных.
Командная синхронизация и погружение в код
В 10:30 — дейлик с командой. Обсуждаем ночные алерты, вчерашние тесты и планы на день. У нас принята максимально открытая коммуникация: каждый может выдвинуть идею, которая может превратится в отдельную задачу в бэклоге. А если у кого-то возникли трудности, мы проводим короткий мозговой штурм, чтобы набросать варианты решения, или подключаем аналитика данных.
После встречи я надеваю наушники со synthwave, чтобы абстрагироваться от офисного фона и полностью сфокусироваться на задаче. Чаще всего это работа над существующей ML-моделью: например, тестирование новой фичи или доработка пайплайна обработки данных. Моя цель до обеда — запустить мини-тест с прототипом изменений, чтобы до конца дня увидеть первые метрики.
Иногда в фокусе оказываются совершенно новые задачи. Тогда я исследую имеющиеся данные и занимаюсь созданием рабочего MVP (Minimum Viable Product).
Обед, прогулка и второе дыхание
Примерно в 13:00 я иду на обед в столовую, которая находится в соседнем корпусе компании.
Это время не только чтобы подкрепиться, но и чтобы неформально пообщаться с коллегами из других команд. Мы обсуждаем всё подряд — от фильмов и игр до планов на вечер, но иногда разговор может плавно перетекать и в рабочие темы. После обеда я часто выхожу на небольшую прогулку по аллее возле офиса. 15-20 минут на свежем воздухе помогают перезагрузиться перед второй половиной дня.
Вернувшись с прогулки, я возвращаюсь к работе над основной задачей. Если мини-тест до обеда показал неожиданный результат, начинается детективная работа: поиск причин и их устранение. Здесь мне помогают корпоративные ИИ-инструменты, которые берут на себя часть рутинного анализа.
Если же эксперимент успешен и не требует масштабной проверки, я оформляю результат в Jira и готовлю Merge Request для код-ревью. Ревьювером, как правило, выступает коллега из команды: его экспертиза в проекте и понимание бизнес-контекста на данном этапе незаменимы и дают гораздо больше, чем даже самые продвинутые ИИ-ассистенты.
Когда для финального решения нужен ещё один полноценный прогон, я вношу необходимые правки в пайплайн обучения и ставлю задачу на ночной запуск.
Вечер: коммуникация, ревью и… спортзал
Затем я переключаюсь на задачи, которые не требуют глубокой концентрации, но не менее важны: проверяю почту, провожу код-ревью для коллег, или объясняю логику работы ML-моделей аналитикам из бизнес-команды. Это важная часть работы – поддерживать общее понимание работы системы и делиться экспертизой.
В 18:30 формально рабочий день заканчивается… но это не всегда значит, что пора домой.
Дважды в неделю я отправляюсь спортзал, который находится прямо в офисном здании (фото зала?). Чтобы полностью переключиться, я провожу час на беговой дорожке, слушая подкасты или энергичную музыку.
А если день пятничный, то могу зайти в игровую комнату — в это время там почти всегда найдётся компания для настольных игр. Это идеальный способ завершить неделю.
Вместо заключения
Так проходит мой типичный день в MAGNIT TECH. Как видите, работа ML-инженера — это не только про алгоритмы и код, но и про решение реальных бизнес-задач, командную работу и возможность расти в современной технологической среде. Если вам близок такой формат — смело начинайте свой путь в машинном обучении. Удачи!
