Игорь Илюнин: «Заказчик попросил собрать команду, которой не нашел в Кремниевой долине»

в 16:42, , рубрики: big data, IoT, R&D, Блог компании DataArt, интервью, Интернет вещей

Игорь Илюнин: «Заказчик попросил собрать команду, которой не нашел в Кремниевой долине» - 1

«Интернет вещей» — направление, на котором развитие идет с невероятной скоростью, где даже стратегические планы приходится пересматривать чуть ли не ежегодно. О том, чем живет передний край ИТ, как изменились подходы к найму и обучению инженеров, какие перспективы это открывает для молодых специалистов, рассказал Игорь Илюнин, лидер IoT-практики DataArt.

И. И.: Около полутора лет назад мы поняли, что в области IoT ветер начинает дуть немного в другую сторону. Раньше клиентов интересовали подключение устройств, знание конкретных протоколов обмена данными между ними, различные типы подключения к сети, построение инфраструктуры на уровне устройств. Но в этот момент к нам пришли сразу несколько заказчиков – достаточно крупных компаний, причем одним из них был производитель компьютерной техники. Эта компания собиралась строить собственный IoT-cloud, который бы обслуживал всех их клиентов, хотела обеспечить перемещение данных, самостоятельно их обрабатывать, позволив самим клиентам делать кастомизацию. То есть создать платформу на все случаи жизни. При этом они озвучили список современных технологий, которыми должны владеть инженеры их поставщика, и на тот момент во всей компании мы нашли всего пару человек, которые хотя бы частично удовлетворяли этим требованиям. Надо сказать, что и сам заказчик говорил: «нам нужна команда в 3-4 человека, которые будут работать над нашим проектом — в Кремниевой долине мы таких не нашли». Мы увидели в этом отличную возможность — тогда появился концепт внутренней Big Data академии.

— Раз команду нужных специалистов не могли собрать в Кремниевой долине, значит ее просто не существовало?

— Да. Клиент тогда сразу объяснил: он понимает, что у нас не может быть экспертов, которые уже сейчас владеют всеми нужными технологиями, но знает – у нас есть грамотные инженеры, способные и желающие обучаться. После этого мы собрали команду из трех человек. Одного из них назначили solution-консультантом, на тот момент он был самым опытным, знал ландшафт Big Data и мог общаться с клиентом на одном языке. Затем первые полгода вся команда занималась тем, что изучала новые технологии. На основе полученных знаний они сделали R&D и бенчмарки, сравнивали и проверяли, как система работает. В принципе на тот момент мы под проект собрали наиболее подходящих инженеров из всех, кого могли найти внутри компании.

Другой клиент пришел с похожей проблемой. Их компания делает умные кровати: в кровать вкладывают тонкий матрас, в который встроены датчики, подключенные к устройству, передающему всю информацию в cloud. Это позволяет отслеживать режим сна, а в больницах собирать различные данные о состоянии пациентов – точность некоторых датчиков даже сердечный ритм позволяет отследить. У заказчика на момент нашего знакомства было около десяти тысяч устройств, и даже при этом количестве системы обработки данных едва справлялись с объемом поступающей информации. При этом у бизнеса были планы выйти на уровень в миллион, а потом и в пять миллионов устройств. К нам они пришли, посмотрев на нашу экспертизу в нашей собственной платформе DeviceHive. Но как раз после того, как у нас стали появляться клиенты с такими крупными проектами, мы поняли, что в самом DeviceHive многое нужно поменять. И правда, смотреть на собственные планы годичной давности в IoT обычно приходиться с широкой улыбкой.

Заказчику понравился наш концепт, а мы поняли, для того, чтобы масштабировать платформы, консультировать клиента, задействовать необходимые ресурсы, нам нужно научиться готовить людей. Сейчас забавно вспоминать, как мы пробовали нанять человека, владеющего нужными технологиями, с рынка. Вакансия тогда провисела четыре недели без единого отклика, вернее, на нее откликнулась только пара смелых джуниоров, которые, конечно, не знали ничего из того, о чем шла речь. Мы оказались в патовой ситуации: нам было очень интересно развивать технологическую экспертизу, но заниматься этим без инженеров нужной квалификации было невозможно. Тогда стало ясно, людей нужно обучать самостоятельно.

— Обучать всем технологиям, нужным в конкретных проектах компании?

— Big Data — это огромный набор наиболее современных инструментов и фреймфорков. Мы решили сконцентрироваться на некоторых из них, поскольку, если понимаешь, как работают 3-4 современных фреймворка по обработке данных или построению масштабируемых систем, дальше намного проще знакомиться с остальными.

Мы взяли команды, которые работали на DeviceHive и упомянутых коммерческих проектах, и сделали небольшой курс лекций, посвященный Big Data: основными тенденциям и инструментам. Сейчас этот курс состоит из шести часов видеоматериалов и практических заданий, находится он на внутреннем образовательном портале. Вокруг его подготовки образовалась довольно большая группа людей, которые периодически обсуждают тенденции рынка, новинки — от Amazon до Microsoft — сложилась своя технологическая тусовка.

— Курс можно считать успешным? Те, кто его прослушал, разобрались в новых технологиях?

— Пока мы записывали курс, собрали небольшую тестовую аудиторию из семи-восьми слушателей, чтобы понять, насколько понятной будет подача материала. В итоге все они попали в проекты, где требуются достаточно серьезные технологические знания. Кто-то из них уже занимается консалтингом в проектах, связанных с обработкой данных и построением масштабируемых систем, кто-то — инжинирингом, при этом все помогают с продажами.

— Планируете ли вы размещение курсов в открытом доступе?

— В октябре мы собираемся запустить тестовый курс для студентов. Я вижу тенденцию — если раньше людям было интересно учить Java, C++ и т. д., то сейчас их все больше привлекает решение конкретных сложных задач. Я сам дошел до этого только в процессе работы, теперь студенты уже в институте понимают, что знание подходов к решению сложных задач важнее владения определенным языком программирования. Попробуем провести вводный курс IoT и его сочетанию с Big Data, посмотрим на отклик. Интересно было бы наладить контакты с мотивированной группой студентов, готовых не только приходить к нам самим, но и собирать аудитории, которым такие задачи интересны. Пробный заход думаем сделать в Харькове, где у нас достаточно большая группа участников Big Data академии. Если на выходе все будет неплохо, продолжим работу и в других городах.

Сейчас мы понимаем, куда направлять сотрудников уровня middle или senior, но пригласить к себе молодежь бывает непросто. На входе получается немного человек, и мы хотим слегка расшевелить студентов, посмотреть, кому действительно интересны передовые исследования.

— Насколько высоки изначальные требования к тем, кого команды IoT-проектов хотят видеть у себя?

— Недавно мы пересмотрели подход к приглашению в проекты: если раньше в центре был перечень технологий и языков программирования, то сейчас главным становится желание решать конкретные проблемы заказчика, умение переключаться с языка на язык, готовность учить новые языки, фреймворки и тулзы, инженерный подход в целом. Когда мы общаемся с людьми, мы смотрим на то, насколько они готовы учиться, не только углубляя, но и расширяя свои знания. Сейчас в наших проектах, судя по рынку, на котором мы работаем, эта тенденция будет сохраняться достаточно долгое время.

— Всего полтора года назад произошел прорыв в понимании перспектив отрасли, и совершенно новые люди уже заняли серьезные позиции в проектах. Значит, обучение в IoT дает быстрый рост?

— Так и есть. Дело в подходе к оценке специалистов: например, рынок определяет человека как middle developer, но мы видим, что он не стесняется задавать вопросы клиенту, предлагает варианты решения проблемы и, в конце концов, получает результат – для нас он выглядит скорее как senior. Он может не знать каких-то особенностей и тонкостей языка или технологии, но при этом делать конкретные правильные вещи.

— Звучит привлекательно для всех, кто не знает тонкостей языков программирования.

— Обычно довольно быстро становится ясно, на что человек способен. В принципе хорошую возможность получить нужные знания дает участие в R&D-проектах, один из которых — наш DeviceHive. Кроме того, проекты возникают на этапе продаж, или когда клиент ищет новую модную технологию, которая будет сочетаться с тем решением, которое он сам изначально предлагает. Мы любим привлекать к такого рода R&D новых людей. Естественно, они работают вместе с консультантами и более старшими разработчиками, которым мы уже по опыту доверяем. И не готовые совершенствоваться кандидаты обычно отсеиваются очень быстро.

— Быстрые изменения технологии и рынка в целом сильно сказываются на организации продаж? В IoT должно появляться очень много исследовательских проектов?

— Да, за прошлый год у нас было очень много таких проектов, именно на R&D тратится огромное количество сил и ресурсов. Причем даже если проект не выстреливает, для нас он все равно становится достижением, ведь мы получаем опыт, который сможем использовать в дальнейших продажах.

— Структура самих R&D-проектов меняется?

— Если в первом R&D, который мы делали для клиента, участвовало очень много людей, потому что, во-первых, им было просто интересно, а во-вторых, у нас было мало опыта, то по мере его накопления управлять ресурсами становится проще. Сейчас мы можем ставить на R&D уже по 1-2 человека. Все знают, где можно обсудить вопросы и проблемы, R&D намного быстрее закрывается, и у нас появилась очень сильная pre-sales команда, которая умеет не только проводить исследования, но и делать из них выводы. В среднем, наши проекты рассчитаны на 1,5-2 года, некоторые должны уложиться и в полгода, но обычно они не связаны с новомодными технологиями.

— Как сейчас обстоят дела с коммерческим проектом, подсказавшим идею Big Data академии?

— Наша команда добилась огромного прогресса. Мы делали нагрузочное тестирование, научились делать инфраструктуру линейно масштабируемой. Мы можем выдерживать нагрузку в 100 тысяч устройств, например, на кластере из двух виртуальных машин. Проверили на четырех отрабатывать 200 тысяч, восьми — 400 тысяч и смогли продемонстрировать клиенту линейную масштабируемость – его все устроило. Так что сейчас при наличии конкретной задачи мы способны легко привести работу системы в соответствие с масштабом бизнеса заказчика.

Автор: DataArt

Источник

Поделиться новостью

* - обязательные к заполнению поля