UNIT.City — місце, де люди працюють... КРАЩЕ! Обирай свій простір просто зараз 👉
Марія БровінськаІсторії
29 вересня 2025, 09:00
2025-09-29
«Я вчився Data Science із 4 років. Кожен урок математики був важливим». Історія математичного генія з невеличкого села на Волині, що нині створює LLM для Lyft, Reface та AppFlame
Уявіть собі українця, який народився і виріс в невеличкому селі з населенням 270 людей, а нині працює на техногіганта в США. Це реальна історія Сергія Савіна — Data Scientist із села Хрипаличі Волинської області. Про свій шлях до глобального IT, роботу на Lyft, Reface, AppFlame в США, прагнення ділитися знаннями й запис курсу для «Дія.Освіта», а також власні плани й амбіції Сергій розповів dev.ua. Далі — його пряма мова.
Уявіть собі українця, який народився і виріс в невеличкому селі з населенням 270 людей, а нині працює на техногіганта в США. Це реальна історія Сергія Савіна — Data Scientist із села Хрипаличі Волинської області. Про свій шлях до глобального IT, роботу на Lyft, Reface, AppFlame в США, прагнення ділитися знаннями й запис курсу для «Дія.Освіта», а також власні плани й амбіції Сергій розповів dev.ua. Далі — його пряма мова.
Математичний геній
Я родом із невеличкого села Хрипаличі у Волинські області, з населенням близько 270 осіб, де життя було простим і скромним. З дитинства батьки навчили мене цінностей важкої праці та самостійності. Коли мене запитували, ким я хочу бути, я відповідав «фінансовим директором». Мабуть, це пов‘язано із тим, що у цій професії потрібно багато рахувати, що мені дуже подобалось.
Бувши ще малюком (4–5 років), я вже освоїв програму перших класів із математики. Пам‘ятаю, як їхав в автобусі із батьком, він мені задавав приклади з додавання/віднімання чисел і я їх вирішував в умі. Люди в маршрутці постійно дивувались.
Тому мені дуже подобалось навчатись у школі, освіта стала моїм шляхом до ширших горизонтів. Я був найкращим учнем у сільській школі, особливо вирізнявся в математиці.
Моя вчителька математики помітила мій талант і порекомендувала змінити школу. Тому у 14 років я поїхав з рідного дому за 140 км до Львова, щоб жити та навчатися у фізико-математичному ліцеї.
Шлях до IT
Хоча я не мріяв про конкретну професію Data Scientist у дитинстві, я завжди прагнув до STEM-предметів та хотів навчатися у найкращому університеті. Моїм рушієм було прагнення до отримання нових знань. Я вдячний за можливості та досвід, які сформували мене.
Мій шлях до техногігантів почався з академічної досконалості та вивчення математики та економіки. У школі я здобув численні нагороди на Всеукраїнських олімпіадах з математики та економіки, а також отримав ідеальний бал 200/200 на ЗНО з математики. Ці предмети є основою Data Science, адже вони розвивають навички статистичного аналізу, моделювання та аналітики.
У 2015 році я вступив до Київського національного університету імені Тараса Шевченка на факультет економіки, спеціалізуючись на фінансах, і посів перше місце у списку вступників, що забезпечило мені повну стипендію.
Під час навчання на бакалавраті, я паралельно підпрацьовував у сфері фінансів та бізнес-консалтингу. Цей досвід дав мені зрозуміти, що це не та професія, в якій я хочу працювати. Тому я почав шукати інші сфери, де мої навички були б цінними. Так я знайшов свого професійного ментора — Олександра Кутового, який допоміг мені обрати професію, яка мені дійсно до душі — Data Science.
Але одразу потрапити у цю індустрію — важко. Тому я вступив на магістерську програму у в Київській школі економіки (КШЕ), де відвідував курси по Data Science.
Саме навчання у КШЕ дало мені фундаментальні знання, які необхідні для Data Science.
Ідеальна робота
Загалом історія мого життя — це ріст через постійне навчання. Саме заклади освіти стали фундаментом для мого соціального ліфта.
Я вирішив працювати з даними, оскільки усвідомив, що Data Science — це моя ідеальна робота. У цій професії я можу приносити реальну користь шляхом застосування моїх STEM-знань та бізнес навичок.
Можна сказати, що я вчився Data Science із 4 років. Кожен урок математики від 1-го класу до останнього курсу магістратури був важливим.
Найбільше фундаментальних знань я отримав на магістерській програмі у Київській Школі Економіки (КШЕ).
Також я проходив онлайн курси, які розвинули мої навички: MITx «6.431x: Probability — The Science of Uncertainty and Data», The Complete SQL Bootcamp, Tableau 20 Advanced Training: Master Tableau in Data Science, та SQL Habit.
Моя перша робота в ІТ була у компанії AppFlame, де я відточив свої навички з А/В тестування, працював із покращенням продуктових метрик та запуском нових функцій у продуктах. Згодом, я перейшов у компанію Reface, де розробляв модель для розумної розсилки push-сповіщеннь.
Data Science — це індустрія, яка дуже швидко розвивається, тому потрібно постійно вчити щось нове. Якщо ти нічого не вчиш, то твої знання застарівають за 3–4 роки, і ти опиняєшся поза ринком. Тому на всіх роботах, я постійно проходив навчання. Кожна компанія дає багато ресурсів на навчання своїх працівників, чим я активно користуюсь.
Конкурс до техногіганта
Процес відбору у Lyft був одним із найскладніших на ринку. Весь процес дуже схожий та структурою та складністю до відбору у FAANG компанії. Він складається із шести етапів, кожен з яких повністю англійською мовою: скринінг резюме, співбесіда з рекрутером, технічна співбесіда, бізнес-інтервю, інтерв‘ю по теорії ймовірності, інтерв‘ю із живим написання коду та інтерв‘ю про професійний досвід.
Кожне із інтерв’ю проходить 45-60 хвилин. Підготовка до всіх інтерв‘ю зайняла у мене два місяці.
У Lyft я працював над покращенням прогнозування часу поїздки та побудові оптимальних маршрутів для водіїв. Це дуже цікава та складна тематика, адже в її основі — це теорія графів. Кожне завдання — це виклик для теоретичних та технічних навичок.
Один із проєктів, яким я пишаюсь — це покращення досвіду користувачів під час проїзду платними дорогами. У США поширені платні дороги, мости та тунелі, за проїзд якими потрібно платити. Це було комплексне завдання, пов’язане з фрагментацією даних та проблемами точності, що вимагало інноваційних рішень та координації між командами. Традиційні системи узгодження ґрунтуються на статичних правилах, але я застосував моделі машинного навчання для виявлення закономірностей у даних про платні дороги та автоматичного позначення розбіжностей. Це дозволило Lyft проактивно виправляти помилки. Завдяки цій моделі, розрахунок вартості поїздки став набагато кращим, мільйони водіїв отримують більш справедливу оплату за поїздки, а пасажири мають краще розуміння вартості поїздки.
Ще один проєкт, яким я займався, — покращення безпеки маршрутів. Я будував алгоритми, які виявляють проблемні маневри на дорозі. Дорожня сітка в США — це мільйони кілометрів, які перетинаються між собою із тисячами знаків та правил. Тому необхідно мати моделі, які автоматично знаходять маневри, які не варто рекомендувати. Завдяки моїм алгоритмам вдалось знайти безліч таких «проблемних маневрів» та виключити їх із рекомендацій у маршрутах.
Кожен із реалізованих проєктів — це мільйони доларів для водіїв, пасажирів та компанії. Тому кожне рішення має бути виваженим. З іншого боку, компанія дає повний кредит довіри. Ніхто не перевіряє твою роботу, кожен повністю відповідає за свою роботу. Це вчить брати відповідальність та швидко розв’язувати проблеми.
Хоча створення складної моделі вимагає глибокої технічної майстерності та використання просунутих алгоритмів, більш важливим є здатність переконати бізнес у цінності цієї моделі.
Одним із плюсів компанії Lyft є високе заохочення до експериментів, тому я часто пробую робити щось своє. Інколи це переростає у повноцінні проєкти. Проте важливо розуміти, що люди — це найдорожче, що є у компанії, у буквальному значені. Тому всі зацікавлені інвестувати час працівників у найкращі проєкти. Тому потрібно мати чітку відповідь на питання: «скільки часу і ресурсів потрібно на цю модель/проєкт», «яка потенційна вигода для користувачів/компанії». Також, важлива комунікація із колегами, та іншими командами всередині компанії, адже часто нововведення впливають на суміжні команди й потрібно це ефективно менеджити.
Мислити як бізнес-аналітик, а не лише як інженер
Мій досвід як бізнес-аналітика навчив мене застосовувати консалтингові підходи та бізнес-логіку у роботі з Data Science. Моя економічна освіта та консалтинговий досвід дозволяють підходити до проблем комплексно (holistically). Це відрізняє мене від колег, які часто зосереджуються лише на оптимізації алгоритмів.
Я завжди впевнююсь, що мої рішення узгоджуються з ширшими бізнес-цілями — чи то підвищення прибутковості, покращення клієнтського досвіду, чи стратегічне зростання.
Як казав Стів Джобс: «Інновації — це сказати „ні“ тисячам ідей» (Innovation is saying no to 1,000 things). Завжди є більше ідей та пропозицій, що можна зробити та покращити, ніж часу та ресурсів на фактичну імплементацію. Тому вміння пріоритезувати задачі — це важлива бізнес-навичка для Data Scientist-а.
Якщо на початку кар‘єри, у Data Scientist-а можуть бути точкові завдання із чітко описаними очікуванням, то на позиціях middle+ завдання стають більш розмитими та business-oriented. Тому розвиток бізнес мислення — це запорука професійного розвитку у цій індустрії.
Data Science-фахівці потрібні всім
Попит на Data Science-фахівців у США продовжує зростати. Бюро статистики праці США (BLS) прогнозує, що зайнятість для Data Scientists зросте на 36% з 2021 по 2031 рік, що робить цю професію однією з трьох найбільш швидкозростальних.
Водночас спостерігається видозмінення ринку. По-перше, зростає попит на senior спеціалістів, але падає попит на junior/inter спеціалістів. Компанії, шукають досвідчених фахівців, які за допомогою штучного інтелекту розроблятимуть моделі під потреби компанії. По-друге, ринок стає ширшим. На противагу «традиційним» технологічним компаніям, такі галузі, як охорона здоров’я, фінанси, транспорт та інші все активніше наймають Data Scientist-ів, для розвитку їхніх продуктів. Тому на ринку з‘являється все більше вузькоспеціалізованих Data Scientist-ів. Якщо у людини крім технічної освіти, є ще якась — це стає конкурентною перевагою.
Прагнення навчати інших
З вересня 2021 року я є Competence Lead in Data Analytics в організації Ampersand Foundation, де допомагаю молодим спеціалістам будувати кар'єру в аналізі даних. Я також менторю молодих колег і всередині компанії Lyft. Моя менторська діяльність є надзвичайно важливою для мене з декількох причин:
Це мій спосіб віддячити за допомогу яку я отримав у всій час. Як я згадував раніше, саме ментор з Ampersand Foundation у свій час допоміг мені обрати професію Data Scientist-а та побудувати стратегію переходу із фінансів у Data Science. Без ментора ця дорога зайняла б набагато більше часу і зусиль. Тому я відчуваю потребу допомагати іншим талановитим людям, бо колись допомогли мені.
Роль ментора сприяє професійному та особистому розвитку. Мені подобається, коли мої менті ставлять складні питання, над якими я б не задумувався за інших обставин. Досить часто, я дізнаюсь нову цікаву для себе інформацію від своїх менті: нові інструменти, нові методики, цікаві бізнес-рішення — все це розширює мій кругозір.
Цей досвід дозволяє мені зрозуміти тенденції індустрії. Коли я починав свою кар‘єру, ринок ІТ сильно відрізнявся від того, що ми маємо сьогодні. І саме комунікація із менті дає мені змогу розуміти, що реально відбувається на ринку, в різних індустріях та країнах. Таким чином у мене є краща картина реальності.
А ще я був співавтором двох комплексних освітніх курсів у сфері Data Analytics, у співпраці з українською науково-популярною медіаплатформою «Куншт».
Я вважаю, що такі проєкти є дуже важливим для ІТ-освіти. По-перше — це безплатні курси, які доступні всім українцям. Зазвичай такі курси організовуються приватними компаніями і є платними. По-друге, ці курси повністю українською мовою, на противагу англомовним курсам, які є більш поширеними. По-третє, ці курси підготовлені досвідченими працівниками з індустрії, тому сфокусовані на практичні знання які реальні необхідні в роботі. Я вважаю, що це game-changer на ринку ІТ-освіти в України, адже робить якісну освіту доступною кожному українцю.
Я маю чіткий намір продовжувати створювати більш просунуті освітні програми. Моя освіта та професійний досвід дають мені змогу робити значний внесок у сферу навчання.
Упродовж останнього року я займаюся написанням власного курсу з просунутих методів SQL для Data Scientist-ів. У цьому авторському курсі я фокусуюся на розширених темах, таких як оптимізація запитів, робота з великими даними й використання складних кастомізованих функцій тощо. Я планую випустити цей курс на одній з освітніх платформ наприкінці цього року.
Амбіції й перспективи
Звісно, як і багато ІТ фахівців я задумуюсь над власною справою. Я думаю, що це буде щось у сфері IT освіти, менторства та консалтингу — заняття від яких я отримую задоволення. Проте наразі, я більше сфокусований на професійному розвитку. Адже хочу закріпити свої знання та навички на більш глибокому рівні. Вірю, що коли прийде час, все стане на свої місця, і я зможу поєднати те, що люблю, з можливістю допомагати ще більшій кількості людей досягати своїх професійних цілей.
Дуже важливий наразі для мене баланс між роботою і особистим часом. Повне відключення від роботи — це must have.
З досвідом роботи я зрозумів наскільки важливо розділяти роботу та особистий час. Щоб не вигоріти на роботі, я регулярно беру відпустку, і намагаюся подорожувати в інші міста.
Я полюбляю готувати, хоча не завжди виходить смачно. Також, люблю складати пазли та різні конструктори, дивитись серіали Netflix. Цього року відкрив для себе нове цікаве заняття — це книжковий клуб. Кожного місяця ми читаємо нову книгу та збираємось на її обговорення, виходить дуже цікаво. Рекомендую такий формат, якщо вам як і мені складно почати читати художні книги. Також, я ходжу в зал та у басейн для підтримання здоров‘я, адже постійну роботу за комп’ютером потрібно компенсувати регулярними фізичними навантаженнями.
Топ помилок дата-сайєнтистів
На основі того, що вважається критичним для успіху у великих компаніях, таких як Lyft, я можу виділити наступні потенційні помилки, які я бачу у менш досвідчених колег:
Нездатність мислити глобально про бізнес-вплив (нестача Business Acumen): багато фахівців зосереджуються лише на оптимізації алгоритмів і моделей, а не на тому, щоб забезпечити відповідність рішень ширшим бізнес-цілям — таким як підвищення прибутковості, покращення досвіду користувачів або стратегічне зростання. Важливо підходити до проблем комплексно, розуміючи операційні та довгострокові стратегічні цілі компанії.
Недостатнє освоєння внутрішніх (proprietary) інструментів та інфраструктури: у великих компаніях існує безліч внутрішніх інструментів для оптимізації роботи. Досить часто, молоді Data Scientist вивчають лише базовий мінімум і на цьому зупиняються. Проте у великих компаніях є спеціальні команди, ціллю яких є покращення інструментів та інфраструктури для Data Scientist-ів. Варто слідкувати за оновленням, відвідувати курси по підвищення продуктивності та надавати власний фідбек.
Невміння ефективно комунікувати технічні результати: навіть найдосконаліші моделі не матимуть цінності, якщо їх не можна чітко донести до нетехнічних зацікавлених сторін. Я раджу всім Data Scientist-ам пройти курси з публічних виступів та курси із побудови й дизайну презентацій у PowerPoint. Досить часто геніальні поради та рішення залишаються непоміченими через недостатню комунікацію.
Must-have навички для Data Scientist-а у найближчі 3–5 років
Базуючись на власному досвіді, я вважаю, що в найближчі роки Data Scientist-и повинні будуть володіти не лише технічними, але й високоспеціалізованими бізнес-орієнтованими навичками:
Бізнес-кмітливість та цілісний підхід (Holistic Problem-Solving): Це, мабуть, найважливіше. Застосування консалтингових методик та бізнес-логіки — це must have для Data Scientist-а. Поширення ШІ дозволяє вирішувати більшість простих завдань, тому роль Data Scientist-а буде змішувати у роль «арбітра». З‘явиться більше можливостей для розробки та впровадження моделей, а отже треба буде частіше приймати рішення: «що потрібно робити, а що ні», «що буде корисним, а що ні», і саме консалтингові методики та бізнес-логіки допомагають у цьому.
Причинно-наслідковий аналіз (Causal Inference): Важливою навичкою, для Data Scientist-а є вміння та знання A/B тестування. Проте все більше компанії починають використовувати альтернативну/допоміжну методику Causal Inference, яка дозволяє квантифікувати причинно-наслідкові зв’язки без проведення A/B тестування. Я бачу як попит на спеціалістів із Causal Inference зростає, адже все більше і більше компаній ставлять питання «чому?».
Масштабованість (Scalability) та Розподілені Обчислення: Data Scientist-и повинні вміти працювати з масивними наборами даних у режимі реального часу. Згідно з різними оцінками, глобальний обсяг даних може подвоюватися кожні 2–3 роки. За прогнозами, до 2030 року глобальний обсяг даних може досягти 175 зетабайт, що в 10 разів більше, ніж сьогодні. Тому потрібно буде працювати із все більшими і більшими масивами даних, і потрібно вчитись відповідним інструментам та методикам.
«Замовники й PM жартували, щоб я не поспішала та трохи розслабилася». Як розробниця зі Львова будує AI-Healthcare систему в США: інтерв’ю з українкою, яка підкорила глобальне IT
24-річний Data Scientist з Маріуполя опублікував свій щоденник про будні в місті в облозі та втечу з пекла. Історія з хепі-ендом не без допомоги LinkedIn
24-річний Data Scientist Олексій Малишев три тижні виживав у блокадному Маріуполі. Коли йому вдалося виїхати з Маріуполя, він почав писати щоденник.
Хлопець розповів DOU, про те, як зустрів війну, довоєнні будні життя у військовому Маріуполі та висновки, які зробив в обстріляному російськими солдатами місті. Публікуємо оповідь в скороченому вигляді.
