– Наджима, с чего начался ваш путь в ИТ?
– В 2018 окончила школу и встала перед выбором, куда поступать. Хоть и училась в математическом классе, но была уверена, что работа в ИТ только для мужчин, и мне там делать нечего. Поэтому поступила в Российский государственный социальный университет в Москве на факультет «Социология».
Во время учебы постоянно брала какие-то подработки, а на четвертом курсе решила искать фулл-тайм позицию. Получилось устроиться ИТ-рекрутером в агентство. В процессе найма чаще всего общалась с фронтенд- и бэкенд-разработчиками, однако также встречались ML-инженеры, AI-продакт-менеджеры и другие специалисты, связанные с искусственным интеллектом. Так же была уверена, что ИИ-сфера не для меня, но поняла, что хочу быть по ту сторону ИТ.
После окончания вуза вернулась в Таджикистан и перешла на удаленку. В какой-то момент осознала, что пора что-то менять. Начала проходить курсы по продакт-менеджменту и искать офлайн-позицию в Душанбе: ремоут мне не подошел.
– Какие специальности рассматривали?
– Откликалась на множество разных вакансий, но казалось, что мое место где-то в международных организациях. У близкой подруги был опыт работы в команде zypl.ai, и она посоветовала попробовать податься к ним. Выбрала рандомную позицию в компании и отправила резюме.
Со мной связалась HR. Объяснила ей, что у меня нет особого опыта работы непосредственно в ИТ, но я очень хочу стать частью именно этой команды. В итоге предложили две вакансии: офис-менеджер или ассистент CEO. Естественно выбрала второй вариант и около года была помощником Азизджона Азими.
За это время разобралась, как работает стартап изнутри, и сильно выросла в навыках. Поэтому весной прошлого года, когда у нас начал зарождаться холдинг A7Sigma, меня назначили менеджером исполнительного офиса A7σ. Позже получила повышение и стала директором. В процессе работы у нас с командой появилась идея epsilon3.ai, которую начала развивать команда A7σ.
«Наши модели достигают 99% точности»
– Что сейчас предлагает epsilon3.ai?
– Занимаемся аналитикой и прогнозированием для GovTech-компаний с помощью zGAN — генератора синтетических данных, созданного R&D-командой zypl.ai. Эта технология относится к семейству GAN (Generative Adversarial Network) — генеративных состязательных сетей, основанных на принципах теории игр. GAN состоит из двух частей: генератор создает синтетические данные, максимально похожие на реальные, а дискриминатор учится отличать реальные данные от сгенерированных.
Отличительная особенность zGAN от других подобных сетей в том, что он может направленно генерировать аутлаеры (аномальные объекты в обучающей выборке, которые сильно отличаются от остальных данных – прим. Digital Business). Обычно в машинном обучении принято удалять объекты из датасета, так как они могут сильно влиять на модель. Мы, напротив, с помощью синтетических данных добавляем аутлаеры, чтобы выявлять отклонения от нормы. Например, в кейсе с энергетической компанией zGAN показывает, где может случиться какое-либо внезапное событие: резкий скачок потребления, его снижение или расходование при нулевых счетчиках.
Для одного из кейсов изучали рынок Узбекистана. По официальным данным за 2024 год, в стране похитили электроэнергии на $108 млн. Даже если наша система сможет «поймать» 20-30% от общего объема, это сэкономит десятки миллионов долларов.
Подробнее на сайте Digitalbusiness.kz
– Наджима, с чего начался ваш путь в ИТ?
– В 2018 окончила школу и встала перед выбором, куда поступать. Хоть и училась в математическом классе, но была уверена, что работа в ИТ только для мужчин, и мне там делать нечего. Поэтому поступила в Российский государственный социальный университет в Москве на факультет «Социология».
Во время учебы постоянно брала какие-то подработки, а на четвертом курсе решила искать фулл-тайм позицию. Получилось устроиться ИТ-рекрутером в агентство. В процессе найма чаще всего общалась с фронтенд- и бэкенд-разработчиками, однако также встречались ML-инженеры, AI-продакт-менеджеры и другие специалисты, связанные с искусственным интеллектом. Так же была уверена, что ИИ-сфера не для меня, но поняла, что хочу быть по ту сторону ИТ.
После окончания вуза вернулась в Таджикистан и перешла на удаленку. В какой-то момент осознала, что пора что-то менять. Начала проходить курсы по продакт-менеджменту и искать офлайн-позицию в Душанбе: ремоут мне не подошел.
– Какие специальности рассматривали?
– Откликалась на множество разных вакансий, но казалось, что мое место где-то в международных организациях. У близкой подруги был опыт работы в команде zypl.ai, и она посоветовала попробовать податься к ним. Выбрала рандомную позицию в компании и отправила резюме.
Со мной связалась HR. Объяснила ей, что у меня нет особого опыта работы непосредственно в ИТ, но я очень хочу стать частью именно этой команды. В итоге предложили две вакансии: офис-менеджер или ассистент CEO. Естественно выбрала второй вариант и около года была помощником Азизджона Азими.
За это время разобралась, как работает стартап изнутри, и сильно выросла в навыках. Поэтому весной прошлого года, когда у нас начал зарождаться холдинг A7Sigma, меня назначили менеджером исполнительного офиса A7σ. Позже получила повышение и стала директором. В процессе работы у нас с командой появилась идея epsilon3.ai, которую начала развивать команда A7σ.
«Наши модели достигают 99% точности»
– Что сейчас предлагает epsilon3.ai?
– Занимаемся аналитикой и прогнозированием для GovTech-компаний с помощью zGAN — генератора синтетических данных, созданного R&D-командой zypl.ai. Эта технология относится к семейству GAN (Generative Adversarial Network) — генеративных состязательных сетей, основанных на принципах теории игр. GAN состоит из двух частей: генератор создает синтетические данные, максимально похожие на реальные, а дискриминатор учится отличать реальные данные от сгенерированных.
Отличительная особенность zGAN от других подобных сетей в том, что он может направленно генерировать аутлаеры (аномальные объекты в обучающей выборке, которые сильно отличаются от остальных данных – прим. Digital Business). Обычно в машинном обучении принято удалять объекты из датасета, так как они могут сильно влиять на модель. Мы, напротив, с помощью синтетических данных добавляем аутлаеры, чтобы выявлять отклонения от нормы. Например, в кейсе с энергетической компанией zGAN показывает, где может случиться какое-либо внезапное событие: резкий скачок потребления, его снижение или расходование при нулевых счетчиках.
Для одного из кейсов изучали рынок Узбекистана. По официальным данным за 2024 год, в стране похитили электроэнергии на $108 млн. Даже если наша система сможет «поймать» 20-30% от общего объема, это сэкономит десятки миллионов долларов.
Подробнее на сайте Digitalbusiness.kz
Share
