Jovana Milosavljević

Da li ti se javlja osećaj da jednostavno ne postižeš da postigneš sve što želiš - što na poslu, što u privatnom životu, a onda pogledaš ljude oko sebe, i neki od njih deluju kao da imaju supermoći: nekako stižu i da rade, i da rade na sebi, i u teretanu, i da se vide sa prijateljima, i svašta još nešto pored toga? A kada ih pitamo kako: uvek je odgovor dobra organizacija vremena. Kakva dobra organizacija vremena? Šta je to?  (više)

Kad pomislim CTO, zamislim Stack Overflow u ljudskoj formi: nekoga ko zna sve o svim tehnologijama za razvoj softvera ikada, ali isto tako sjajno barata sa ekonomijom, marketingom, ljudskim resursima… (više)

Maša Milošević je najmlađa sagovornica sa kojom sam imala čast da popričam kako bismo predstavili uspešne devojke u IT-ju i razbili mitove da ih u ovoj industriji nema dovoljno. Želela sam da prikažem priču iz ugla jedne uspešne devojke, kojoj joj je sećanje na početke i dalje sveže, jer je mnogo lakše da se poveže i da savete devojkama koje tek počinju. Mašo, hvala puno na odvojenom vremenu! (više)

Dokaz da neki programeri ostanu programeri i duže od deceniju jeste Marija Milojković, treća sagovornica sa kojom sam imala priliku da popričam u okviru osmomartovskog predstavljanja uspešnih žena u IT-ju. Marija je prošla kroz različite domene, radila u nekolicini većih i manjih kompanija, oprobala se u project management-u, ali je programiranje, ipak, njena strast kojoj se uvek vrati. Hvala za odvojeno vreme, Marija! (više)

Povodom dana žena rešismo da dokažemo da je IT svet jedno magično mesto koje podržava ravnopravnost kroz niz razgovora sa uspešnim ženama koje u ovom okruženju rastu, oblikuju se i cvetaju, metaforički rečeno.  (više)

Danas je Dan žena, praznik nastao kao dan borbe za ženska ljudska prava i muško-žensku ravnopravnost, a pošto postoji verovanje da je IT mesto za muškarce, gde ženska noga nije kročila, reših da te upoznam sa par uspešnih žena u našim IT kompanijama. Ono što sam primetila i pomalo me je razočaralo je da sam, dok sam tražila sagovornice, videla da je stvarno većina devojaka u IT firmama ili na juniorskim pozicijama ili u HR-u. Postade mi jasno odakle takva ideja o IT firmama i zašto taksisti pretpostavljaju da radim u HR-u kad me voze na posao. Volela bih da za par godina, kada pretražujem na LinkedIn-u, vidim više devojaka programera, jer ima žena u IT-ju, uspešne su, imaju jednake uslove i plate kao momci - pa da to i dokažem. Prva devojka sa kojom bih da vas upoznam je  Milana Ceković. Ona je odlučila da ide težim putem i sama ga kreira. Hvala na odvojenom vremenu, Milana. U kojoj kompaniji radiš i koja je tvoja pozicija?  Zaposlena sam u svojoj firmi Agile Management, koja se bavi edukacijama u oblasti agilne metodologije. Na poziciji sam direktora i trenera.  Koliko dugo se baviš agilnom metodologijom?  Zaista dugi niz godina. Uvek sam težila upravo agilnom načinu poslovanja iako u početku nisam znala šta je to tačno. Ali napornim radom i istraživanjem spoznala sam šta je to zapravo i koliko svima nama može pomoći u poslovanju. Tako se i rodila ideja o osnivanju kompanije i prenošenju znanja na druge ljude.  Koji fakultet si završila i koliko ti je značilo to znanje u IT karijeri?  Diplomirala sam u oblasti finansija, bankarstva i osiguranja na Ekonomskom fakultetu u Subotici. Potom sam upisala Master studije na Fakultetu Tehničkih nauka u Novom Sadu, Inženjerski menadžment/Projektni menadžment. Kada sam počela da radim u jednoj IT firmi konstantno sam učila i dosta toga je bilo novo za mene, počevši od nekih osnovnih stvari. Ukoliko ste spremni i željni učenja, bez obzira koji ste fakultet završili, smatram da možete biti uspešni u onome što vas zaista zanima.   Možeš li da navedeš neke od izazova sa kojima si se susretala u toku svoje IT karijere?  IT sektor je veoma zanimljiv i inspirativan za mnoge, izrazito za nekoga ko dolazi iz totalno drugačije oblasti poslovanja. Pa tako je bilo i za mene, mnogo novih stvari, znanja i informacija. Međutim kada želiš da učiš i unapređuješ svoje znanje, nema izazova koji može da te poljulja već svaki shvataš kao mogućnost za napredovanjem.  Odakle najčešće učiš i stičeš znanja vezana za posao?  Zaista mnogo volim i uživam u čitanju knjiga i članaka. Pretplaćena sam na gomilu zanimljivih newslettera iz raznoraznih oblasti i na taj način širim vidike na svim poljima.  Kakav je odnos muškaraca i žena u tvojoj kompaniji?  Kako agilno poslovanje i zastupa, svi u timu smo jednaki. Bez obzira na pol, starost ili poziciju u kompaniji. Trudimo se da svakim danom to ističemo i naši zaposleni to znaju. Zato se svi vrlo dobro slažemo i napredujemo u pojedinačnom ali i timskom smislu.   Koji su izazovi sa kojima se susrećeš kao žena u IT-ju?  U IT sektoru mnogi i danas vide samo muškarce. Međutim, to je daleko od istine. Zaista veliki broj žena se trenutno tu nalazi i ja verujem da će taj broj u budućnosti da raste. Ono što mogu da kažem iz iskustva, na mojim edukacijama prisustvuje drastično veći broj žena u odnosu na muškarce i to me zaista raduje.  Koje su prednosti sa kojima si se susrela kao žena u IT-ju?  Kao i u svakoj drugoj oblasti poslovanja, zaista postoje mnoge šanse i prilike koje van mogu biti prednost, samo kada vi to sami zamislite i težite ka tome. Bez obzira da li ste muškarac ili žena i za koju oblast poslovanja ste se odlučili.  Šta bi navela kao veštine koje su ti značajno doprinele u karijeri?  Osnovnom veštinom za postizanje uspeha smatram veštinu efikasnog učenja. Možete imati bilo koje druge veštine i znanja ali ukoliko niste spremni da učite i radite na sebi, ne možete verovati u sjajnu karijeru. Pored toga, tu su veštine komunikacije koje su neophodne danas. Izdvojila bih još jednu, a to je motivacija. Morate biti motivisani i imati želju za tim što radite. Jedino tada možete uspeti jer radite ono što volite i gde sebe zaista vidite.  Koje bi savete dala mladim devojkama koje tek ulaze u IT svet?  Da veruju u sebe i hrabro koračaju ka svom cilju. Znam da je kod nekih ljudi i dalje zastupljeno mišljenje koje se odnosi na to da je IT sektor za muškarce i da ženama tu nije mesto. Ali nemojte to da vas pokoleba. IT jeste za žene i sigurno ćete se sjajno snaći ako to zaista žarko i želite.

Vreme je da obnovimo gradivo o pisanju CV-ja. Šta bi jedan CV početnika trebalo da sadrži kada: nemaš relevantnog iskustva, nisi siguran/na koje tehnologije da staviš, koje ne, kako da predstaviš projekte i sve ostale stvari vezane za CV i prvi intervju.  (više)

Pera ulazi u salu za sastanke, nosi sa sobom dve kesice u ruci i ne baš zadovoljan izraz lica. Očito je da ga nešto muči. Ostatak ekipe se utišava, danas je retroaktivni sastanak kojim završavaju trku na kratke staze, što je jedna iteracija u Skramu, najpoznatijoj okretnoj metodologiji za razvoj računarskih programa. (više)

Kad pomislim Data Scientist - pomislim na osobu koja zna gomilu matematike, integrale drži u malom prstu, piše silne neke algoritme za mašinsko učenje, i sl. Popričah sa Nemanjom Čukarić, iz kompanije Grid Dynamics koji trenutno radi na outsource data science projektu za detekciju prevara u online igricama, ali već duže vreme se bavi ovim poslom o tome šta on konkretno radi i kakve savete ima za ljude koji bi okušali sreću u ovoj oblasti. Kako izgleda jedan radni dan Data scientist-a?  Moj dan obično počinje sastankom na kome se planiraju dnevne aktivnosti i rezimira se prethodni dan. Nakon sastanka počinje rad, koji se obično sastoji iz sledećih aktivnosti: rad sa sirovim podacima, eksplorativna analiza, modelovanje korišćenjem algoritama mašinskog učenja, čitanje radova/blogova na temu obrade podataka…  Često imam i sastanke sa klijentima gde se analiziraju i reevaluiraju zahtevi, prezentuju rezultati analize i slično. Opiši nam svoju ulogu u timu..  Ja sam senior data scientist timu koji se sastoji iz data scientista, data inženjera i machine learning inženjera . Moja uloga je da na osnovu zahteva klijenta i raspoloživih podataka predložim prototip rešenja. Težište aktivnosti je u istraživanju: ispitivanje informativnosti podataka, feature engineering, pronalaženje i testiranje adekvatnog algoritma mašinskog učenja. Redovna komunikacija sa klijentom, gde iznosim rezultate istraživanja I na osnovu njih zajedno formiramo dalje aktivnosti, je neizostavan deo mog mog posla. Omiljena stvar u poslu ti je..  Analiza podataka i osmišljavanje machine learning rešenja. Iako često zanemaren korak u kursevima o data science-u, dobro izvedena analiza podataka je ključni deo svakog procesa. Ovaj korak je takođe nešto što odnosti I najveći deo vremena, a zahteva I dozu domišljatosti. Bitno je imati na umu i problem kompleksnosti i interpretabilnosti rešenja, tako da predloženo rešenje ne mora uvek da uključuje algoritam mašinskog učenja. Treba biti svestan “publike” kojoj je rezultat namenjen. A manje omiljeni deo posla? :)  Analiza podataka :) Kao što sam prethodno pomenuo, ovo je aktivnost koja oduzima najviše vremena. Ako podaci nisu “sređeni”, a najčešće nisu, puno vremena se provodi u analizi kvaliteta, ispitivanju informativnosti I generalno, sređivanju podataka. Proces je manuelan I iterativan, pa stoga može da bude zamoran.  Šta je najveći izazov za tebe?  Najveći izazov je komunikacija sa klijentom, koji čine ljudi kako iz tehničke, tako iz biznis sfere. Dešava se da klijent nije svestan kakvim podacima raspolaže, pogotovu ako je u pitanju biznis. Samim tim, ni zahtevi nisu “izbrušeni”. Zato je artikulisana i jasna komunikacija sa klijentom neophodna za uspešnu saradnju i konačno, dobar ishod. Mislim da je ova veština trenutno neadekvatno pokrivena u programima tehinčkih i prirodnih fakulteta, odakle većina data scinetista dolazi.   Koje su veštine potrebne da bi bio odličan Data scientist?  Pre svega želim da naglasim da je u oglasima za posao Data Scientist pozicija prilično nedefinisana - kreće se od data engineeringa, preko klasičnog softver developmenta, machine learning modelovanja, business intelligence… Tako često vidimo oglase koji navode podužu listu veština koje kandidat treba da poseduje. Iz ovakvih oglasa može da se zaključi bar jedna stvar – poslodavac ne zna šta mu treba, pa se vodi logikom “ako ne znam šta mi treba, sve mi treba”.  “Osnovi paket” potrebnih veština bih podelio u tri kategorije:  1) Software development – osnovi programiranja i poznavanje standardnih data science alata, 2) Matematika i statistika – linearna algebra, osnovi matematičke analize, verovatnoća I statistika, teorija mašinskog učenja,  3) Veština komunikacije – o ovome sam već govorio.  Uvek je dobro imati domensko znanje, npr. data scientist koji radi u logistici bi trebalo da se što vise upozna sa oblašću , a ne da slepo primenjuje machine learning algoritme i nada se najboljem. Važnost svake od ovih grupa veština za određeni poslao je promenljiva. Tako su neki data scientist bliži data inženjeringu, neki istraživanju i machine learning modelovanju, a neki produkciji. Alati koje jedan Data scientist koristi u svakodnevnom radu su…  Opet bih alate podelio u nekoliko grupa. Ono sto trenutno koristim: standardni Python alati za obradu podataka  (numpy, pandas, scikit-learn, pytorch, matplotlib), alati za analizu grafova (networkX, pytorch Geometric), SQL, servise u okviru AWS okruzenja, airflow… Na prethodnih projektima sam koristio R, alate za obradu jezika, vremenskih serija itd. Alati koji su danas na raspolaganju su mnogobrojni i ne treba se grčevito držati određenog izbora alata. Tako se često pojavljuju diskusije na temu R vs Python, tensorflow vs pytorch,…. Ovakvi izbori su manje značajni, pogotovu na početku. Izaberite određeni skup alata i kroz njega pre svega naučite kako se radi sa podacima. Ako već znate Excel a ne znate osnove obrade podataka, zašto ne biste učili kroz alat koji već poznajete – tabela je ista radili vi sa njom u Python-u, R-u, Juliji ili Excelu. S druge strane, ako je potrebno da celo rešenje spakujete u aplikaciju, verovatno ćete to najlakše da uradite u Pythonu. Ako tražite okruženje sa najvećim skupom funkcionalnosti, najveći ekosistem imaju Python i R. Koje savete bi dao ljudima koji žele da se bave tvojim poslom - šta da uče, na šta da obraćaju pažnju?  Učite osnovne stvari – osnove verovatnoće i statistike, linearne algebre, mašinskog učenja i programiranja. Uporedno izaberite neki skup alata za obradu podataka (u skladu sa prethodnim iskustvom i sklonostima) i praktikujte ono što ste naučili. Obilje podataka je dostupno – pronađite za vas interesantan probem i radite na njemu. Povezujte se sa ljudima. Data science zajednica u Srbiji je prilično velika i mesto za vas sigurno postoji. Hvala, Nemanja za odvojeno vreme i objašnjenja!