Нужна ли математика программистам? Отвечает гендиректор Яндекса

Всем привет! Меня зовут Самат Галимов, и это подкаст «Запуск завтра». Как технический директор я пытаюсь разобраться, как устроены сложные и интересные штуки. Я зову профессионала, с которым можно поговорить простым человеческим языком.

Подписывайтесь

и ставьте нам пять звезд. Это для нас очень важно. Есть такой миф, что для того, чтобы быть хорошим программистом, нужно хорошо разбираться в математике. Я, мне кажется, уже много раз по ходу про это говорил, что это всё неправда, но, конечно, доля правды в этом тоже есть. Подробно разобраться в этом вопросе хочется с профессионалом, который разбирается и в математике, и в программировании. Второй миф, который я часто слышу и с которым я сталкиваюсь, это то, что девушкам в программировании не место, что лучшие программисты и лучшие математики— это мужчины, и вообще это не женская профессия. Сейчас я буду смеяться, потому что (лишняя вставка) Елена Бунина, это живой ответ на все эти вопросы. Говорить я сегодня буду с Леной Буниной. Лена профессор Мехмата МГУ. Она занимается суперсложной, суперкрасивой областью математики. Во-вторых, Лена, HR-директор и гендиректор Яндекса в России. Извините, что я смеюсь. Вообще весь смех внутри эпизода мы вырезали, а вот сейчас я отсмеюсь, потому что, представляете, да, вопросы, которые мы ставим, и человек, который на них отвечает, мне кажется, в принципе, есть ответ на большинство вопросов. Мне даже было неудобно задавать часть вопросов, но сейчас вы услышите и поймете, что Лена— это такой классный собеседник, что с ней можно обсуждать что угодно, и это дико интересно. Это подкаст студии Либо-Либо, и мы его сделали вместе с сервисом онлайн-образования Яндекс Практикум. У Практикума есть курсы по разработке, по анализу данных, по веб-дизайну и по английскому языку. Если вы хотите освоить цифровую профессию, переходите на сайт Яндекс Практикум и учитесь.

Меня Лена Бунина зовут. Я в Яндексе являюсь HR-директором, генеральным директором ООО Яндекс, еще отвечаю за образовательные проекты, а еще параллельно я являюсь профессором Мехмат МГУ.

Я, честно говоря, очень волнуюсь. У меня, наверное, в первой записи подкаста такого не было, так что не удивляйтесь, у меня будет дрожать голос. Поехали. Есть миф, что для того, чтобы стать программистом, нужно хорошо разбираться в математике. Вот ты, Гендир, крупнейшая IT-компания России и при этом профессиональный математик, профессор МГУ. Как ты считаешь, нужно ли знать математику программисту?

Ну, я, конечно, отвечу, что нужно, потому что я явно заинтересована. Но если серьёзно говорить, то всё зависит от того, что программист делает, и на самом деле сколько математики им надо знать. То есть давайте как бы разбирать вообще, что бывает. Чтобы писать просто программный код с не очень сложными алгоритмами, нужно уметь писать программный код, а это значит, нужно на самом деле обладать хорошей логикой. Логика является частью математики, но такой как бы базовой некоторой. Хотя, мне кажется, математика вся тренирует ум, тренирует логику, там же всё взаимосвязано одно с другим, поэтому лучше всё-таки знать разные области математики, и логика будет лучше. Дальше в IT возникает ещё две больших ветки. Одна ветка – это серьёзные алгоритмы структуры данных, когда, например, нужно разместить очень много данных, и потом к ним очень иметь быстрый и удобный доступ. Для этого уже больше математики надо. Это тоже такая специфическая математика, непрерывная, она там связана со всякими тоже алгоритмическими вещами, но это уже всё-таки в большей степени называется математикой. Это одно ответвление. А другое, последние 10 лет очень много есть всякого в IT машинного обучения. Это когда большие данные берутся, они анализируются, они анализируются разными тоже алгоритмами, но эти алгоритмы, они уже сильнее завязаны на математике. Там есть математическая статистика, там есть линейная алгебра, там нужно уметь брать производные, там, на самом деле, много уже Ну, такой не суперсложной математики, но вполне себе 2-3 курса какого-нибудь технического математического вуза здесь содержатся. Поэтому тоже есть. Ну и вообще, когда анализируются данные, нужна разная статистика теории вероятности, это тоже, в общем-то, раздел математики. Понятно, что не все курсы математические, например, Мехмата, понадобятся, но мы же никак не знаем, что в реальности понадобится, что было важно. Поэтому, в целом, лучше бы математику знать.

Вот ты сказала, что математика есть вот базовая логика, такая ясность мышления, наверное, я даже назвал, которая нужна для программирования. Точно, без неё вообще никак.

Ясность точно нужна.

Вообще всем людям бы лучше.—

Да-да-да.—

Потом есть еще чуть более сложная математика, и уже совсем анализ данных, в которых математика просто как инструмент используется. Все-таки, по твоим ощущениям, или, может быть, расчетам, какая доля программистов использует что-то выше этой базовой логики?

Ну, если так брать, условно, по всей России, например, вот программистов, которые работают во всей России, я думаю, что больше, чем эта базовая логика, используют, ну, 20%.

А в Яндексе?

Ну, в Яндексе я бы оценивала в 50%.

Как изменилось это соотношение в бэкграунде программистов и в требуемых скиллах в последние, например, 15 лет? Есть какие-то тренды?

Ну, я бы сказала, что тренды такие немножко, может быть, другого рода. Значит, во-первых, тренд такой. Раньше как-то считалось очень важным, какой у человека язык программирования в бэкграунде. В последнее время, мне кажется, это вообще перестало обсуждаться. Считается, что если один какой-то, ну, там, понятный, распространенный язык программирования человек знает, ну, его даже можно взять, если даже надо на другом писать, сейчас быстро выучат. Второй тренд – появились более удобные языки, более удобные интерфейсы, и не нужно быть таким коржелезным человеком, который умеет в Линуксе хорошо писать. Питон, например, довольно легкий. Я, кстати, вот скажу про питон. Я сама никогда не была профессиональным программистом, но так случилось смешно, что, когда я осталась в университете после защиты, мне пришлось преподавать программирование, а не математику некоторое время. В 90-е годы, когда я училась на Мехмате, считалось, что если человек хорошо программирует, то он, конечно, математик плохой. И то есть было немодно программировать в начале 90-х именно конкретно на Мехмате. Ну, типа, иди на ВМК, если ты. программировать любишь. Ну, я очень плохо умела программировать, когда училась, и за меня мальчики программы писали, я помню, там, на первом-втором курсе, а я за них задачи решала математические. И мне потом говорят, ну, ты можешь остаться в университете преподавать, только если будешь вести программирование. Я такая, ого, наказание настигло меня. Вот. И говорят, не это в июне, а ходить преподавать нужно в сентябре.

А в августе у тебя три месяца.

Да. Ну, я села. Ну, конечно, никаких вот Яндекс. практикумов не было в тот момент. Я, честно, села, взяла книжку с алгоритмами, взяла там, что нужно рассказывать студентам. Ну, с другой стороны, преподавать – это же не программировать, это же надо рассказать. Какие-то легкие задачки программирования. Ну, у нас был C, а потом C++. Ну, я как-то, в общем, освоила и довольно много лет вела. Не могу сказать, что мне нравилось, как я это делаю, но вроде все так, было ок. Потом, наконец, я стала вести свой любимый предмет алгебру, быстренько бросила это программирование, и дальше у меня никакого контакта особенного с программированием не было. И потом так получилось, что в школе анализа данных, мы там с ребятами, еще двумя тоже, которые там администраторы, мы решили тайком закончить школу анализа данных на троих в Яндексе. В смысле, мы сами вроде её придумали, делаем, ведём, а при этом не заканчивали ничего и многие курсы не знаем. Мы решили, поступим тайком, заведём такую тайную студентку, у которой будет фамилия одного, имя другого, отчество третьего. Там нужно три курса за семестр сдавать. Вот мы будем каждую давать по одному курсу. Как раз получится, что времени хватит. Как раз на второй и третий семестр я взяла машинное обучение. Очень было интересно его хорошенько выучить. А выучить, кроме как вот так, было явно невозможно. Работы много. А там для того, чтобы машинное обучение сдавать, нужно питон немножко знать, ну, как бы не очень сильно, но по какой-то степени. И я для того, чтобы машинное обучение сдавать, я, значит, решила немножко поучить питон. И была совершенно потрясена, насколько он проще для изучения, чем тот самый C++, который я вот давным-давно преподавала. просто в разы. Это что означает? Означает, что уже немножко другие скиллы требуются. То есть, может быть, алгоритмы более сложные, может быть, там какой-то анализ данных более сложный, а вот, например, сложность именно технический, как запомнить, какие функции где, она отпадает. То есть, по-моему, это немножко тоже другие нейронные связи в голове получается. Ну, ещё история 15 лет последних – это, конечно, то, что появилось, то самое машинное обучение, и как бы считается неприличным хоть как-то его не знать. Все как-то пытаются его изучить хотя бы немножко.

Ты сказала, что по твоей оценке 20% программистов используют в своей работе математику.

Да.

И я, наверное, согласен с этой оценкой. Мне очень интересно как раз поговорить про вот эти 20%, потому что все мои прошлые эпизоды, они про прикладное программирование, в котором пойди, положи, блоки сделай, и основной профит он в бизнес-плоскости. То есть программирование довольно тупое. Ну, если уж совсем честно прямым текстом говорить, то там ничего умного нет. Люди, которые думают, что это какая-то магия, они сильно заблуждаются. Нужно просто ясно мыслить. А вот с тобой я хочу поговорить про те части программирования, в которых нужна математика. И вот такой, наверное, первый вопрос. А для каких, собственно, IT-задач нужна математика?

но я вижу так крупными блоками 3, но я могу что-то не видеть. Две части из них в Яндексе активно используются, третья просто тоже на слуху, в Яндексе её не очень много. Значит, первая часть – это то самое машинное обучение, про которое я говорила. На самом деле там так, пользователем вот этого машинного обучения может быть человек, который не очень понимает математику, а вот те, кто разрабатывает сами алгоритмы, они должны хорошо понимать, потому что когда вот придумывается алгоритм машинного обучения, они основаны на куче разных математических историй. Я это недавно узнала, но еще не разбирала, что даже супер всякие сложные структуры алгебры сейчас начали применяться в сверточных сетях, в нейросетях. То есть я узнала, и студент мой на Мехмате рассказал, что вот, мол, ему хочется из абстрактного там, совсем абстрактного алгебры, которым мы занимаемся, начать заниматься чем-то более прикладным, связанным с машинным обучением, Я расстроилась в смысле, что, видимо, ну как-то я-то не очень помогу уже, я на кафедре алгебры работаю. А он говорит, а вот я тут прочитал, что группы Ли. Ну, группа ли – это реально абсолютно абстрактно, суперабстрактная математика. Я очень удивилась, но вот он недавно прислал статьи, я ещё не смотрела, где реально такое вот происходит. То есть там всё время какой-то идёт прорыв, связанный как раз с сильной математикой. Но даже если это не прорыв, то там надо хорошо понимать несколько математических предметов. То есть линейный алгебра, там есть перемножение матриц, там вообще есть всякие матричные операции, там есть логистическая регрессия, там есть всякая статистика, много-много разных предметов математических, их кусков сплетаются в машинном обучении. Ну, то есть, всё-таки это много, да? Понятно, что здесь можно на очень разных уровнях знать машинное обучение, то есть, можно всего этого не пройти. Но вот как бы потому, что здесь нет предела совершенства, и, возможно, в будущем ещё более сложные математические структуры будут в это вовлечены.

Слушай, я должен для своей мамы пояснить, высшая алгебра, про которую говорит Лена, Я чуть-чуть ее захватил, я как раз из ВМК, то есть тот, кто не знает математику и поэтому, значит, пошел на ВМК. Я захватил чуть-чуть вот эти выше алгебры. Вот у меня чувство осталось очень сильное, что это просто чистое искусство. Это безумно сложно, там голова взрывается, но при этом это так красиво. Но я не представлял, что это может применяться в реальной жизни. И ты говоришь, что вот эта самая суперсложная, суперкрасивая математика, которая к импрессионизму, она, значит, применяется в настоящих алгоритмах машинного обучения.

Вот я пока не уверена до конца, что прямо много из неё, но вот это буквально неделю назад такое узнала, и я пока нахожусь в некотором возбуждении на тему вообще почитать и понять, правда ли это. Волнение есть. Потому что это здорово, но у меня ещё есть проблема. Я вот, например, ради просто абстрактной красивой алгебры готова ею заниматься, и я ещё поколение немножко другое. У меня такое поколение, которое... Ну, нравится вот эта красивая алгебра, как это к миру применить, неважно. Идеология математиков ещё советского периода осталась. А мои студенты сейчас, которые на мехмат и, например, хотят пойти ко мне на кафедру как к научному руководителю, они часто аккуратненько так задают вопрос. А вот в жизни эта ваша алгебра, она вообще как-то применяется в сельском хозяйстве? Ну или просто на лекциях. Я читаю лекции по алгебре. Там первокурсники, ладно, еще там матрица, там все очень понятно. А потом второкурсники, и вот там начинается вот то, про что ты сказал. Вот такая очень абстрактная красивая теория. Теория групп, теория полей. очень красивая. Рассказываю, мне так нравится. Мне кажется, вот я рассказываю, вообще не надо думать о том, для чего это нужно. Уже просто прекрасно, волшебный мир. И некоторые действительно так же чувствуют. Но многие подходят, и так очень аккуратно тоже, скромно, такие как бы глаза вниз, говорят, ну вот вы скажите. Но всё-таки это для чего-то надо.

Ты что, дурак? На мехмат припёрся, если тебя такие вопросы задаёшь. Мой ответ был бы такой, из души такой. Ты что, дурак? Пришёл на мехмат вообще. Тут же ты этим занимаешься.

Я, конечно, умею задвигать там целый текст про то, что это вообще база для всего, что очень важно абстрактно мыслить математику. Ну ещё, говорю, а ещё вот есть вот ещё несколько вот этих тем, вот кристаллографии, вот это применяется. Чуть-чуть. Чуть-чуть, да, вот это вот физики чуть-чуть. Но мне как-то всегда так неудобно, стыдно. И вот если действительно такие штуки ещё и в машинном обучении будут применяться, ого-го, то есть это прямо можно рассказать. Поэтому я, конечно, кровно заинтересована. То есть я к тому, что никто сегодня не знает, какая математика послезавтра или даже завтра применится в этом самом машинном обучении. Это важно. Важно это понимать, что никто не знает. Теперь про всякие сложные структуры данных. Вот это тоже у нас есть, этого у нас много очень в Яндексе. Там идея, я про это уже чуть-чуть сказала раньше, про то, что есть какая-нибудь сложная структура данных, надо в неё быстро положить, быстро из неё достать, и там, в общем, тоже возникает математика. На самом деле такая. Это то, что называется более дискретная часть математики. Отдельно стоящее, наверное, за такое-то количество операций что-то сделает. И вот все ставят задачу. Это тебе нужно сделать за n квадрат операции, это за n, это за n куб, это за константу. И нужно придумать такую структуру, которая так делает.

Это та же самая логика, но она настолько сложная, большая, что уже так немножечко начинает вписываться в математику, затесывается так. Я тоже математик.

Да, однозначно. И там есть свои теоремы, идеи, методы, и это прямо такая тоже математика. У нас вот в Яндексе работает такой Максим Бабенко, он довольно известный на самом деле вот в смысле всякой науки, алгоритмов.

И олимпиадного движения. Он учил меня олимпиадного программирования.

Он очень крутой вообще, просто классный. И он как раз занимается в Яндексе очень большой штукой, которая вот такие вещи делает. И он себя отбирает самых математических таких крутых ребят, потому что с другими у него не получается работать, потому что они просто не смогут. То есть там вопрос не просто в прогоне. Третья часть, по которой я покасательно пройдусь, потому что в Яндексе с этим не очень много есть, но криптография. Но про это все знают, что в криптографии тоже используется, например, алгебра.

Примерно 10 человек в мире знают, как криптография применяется в шифровании. Ну, в смысле, в программировании. Ну, окей, не 10, 100. В смысле, все сайты сейчас применяют шифрование. Но надо понимать, что 99.99, это много девяток программистов, понятия не имеют, какая математика лежит под капотом у этого шифрования, у этого вот замочка, который сделает так, чтобы ваши данные не стырили хакеры. Никто не понимает.

Наверное. Ну, то есть не возражаю. В отличие от email, здесь их меньше, конечно.

То есть ты назвала три области?

Ну, те, которые вот сразу приходят в голову.

Тогда я предлагаю сыграть в игру. Я сейчас буду называть проекты Яндекса, а ты скажешь, какое там соотношение математики и нематематики.

Ну, я буду очень, конечно, пальцем в небо, да? Ничего страшного, я так наизусть не могу.

Ну, окей, конечно.

Хорошо.

Поиск. Сколько программистов в поиске?

Ну, пару тысяч.

Пару тысяч. Сколько из них реально используют математику в работе?

Ну, хоть в какой-то степени тысячи используют.

Какая это математика?

Там очень много просто машинного обучения, и там есть вот эта инфраструктура, про которую я говорила, алгоритмическая. Там и то, и то имеется.

А это вот соединяется вот как раз в вопрос, есть как бы условно 500 человек, которые умеют машинное обучение, 500, которые программировать сложные структуры данных, или это один и тот же программист, он умеет и то, и другое?

Ну, чтобы и то, и другое, я бы сказала, это редко. Ну, то есть бывает, что умеют, но все-таки как бы применяют скорее или там, или там, из тех, кого я знаю. Мне кажется, скорее так, например, 100 человек таких крутых алгоритмистов, там, я не знаю, 400 человек, которые машинное обучение, и еще 500 человек, которые чуть-чуть из всего этого. Ну, как бы меньше им надо.

Вот эти программисты, они сами пишут код, или они скорее придумывают, как его надо написать, а дальше уже более простые чуваки уже кодируют?

Не, ну, у нас все пишут. Ну, в смысле, можно делегировать подчинённому куски, да, но, как бы, в принципе, все пишут. То есть, у нас перестают писать код, мне кажется, уже люди уровня руководителя такой большой службы, и то они страдают от этого. У нас вообще есть эта проблема, что ребята-руководители вырастают обычно из хороших разработчиков. Ну, так уж получается. Ну, потому что обязательно человек должен всё-таки, когда он руководителем группы становится, он должен быть очень в контексте, и он ещё пишет, конечно, код. А когда он становится более крупным руководителем, руководителем службы, у него не остаётся времени особенно писать код, вообще ему надо делегировать. Но он ещё это не умеет, поэтому часто руководители службы тоже пишут код, а когда руководитель службы уже дорастает, руководители отдела, ну, скорее всего, он уже почти не пишет код.

Так группы сколько человек?

Ну, группа это 5 человек, например, 7.

Служба?

Служба, например, 30. А дел 100, например, да?

И вот когда 100, уже перестают писать, наверное.

Некоторые тоже ещё это делают, страдают.

Не поощряются, да?

Ну, это как-то времени не хватает.

Второй, наверное, самый популярный сервис Яндекса – почта, который на слуху. Яндекс.Почта.

Ну, может быть, пальцем в небо, но, мне кажется, там скорее процентов 20 математикой пользуются.

В почте есть тоже поиск по письмам. Это тот же самый поиск, который большой поиск, или там отдельные люди его делают?

Это отдельные люди.

Ого. То есть это не такой блок, который можно вытащить и вставить?

Нет, ну как, можно вытащить блок из поиска, некий движок, и надо его дорабатывать. Это, кстати, мало людей делают, это как раз небольшая команда.

А сколько, если не секрет?

Ну, от 100 до 200 максимум. Там антиспама, кстати, много, вот. Там скорее антиспам.

Антиспам, антифрод вообще это суперважная отдельная штуковина.

Да.

Больше 90% всех писем на свете это спам. То есть e-mail постоянно бомбардируется спамом. И еще там 15-20 лет назад это было серьезной проблемой. То есть ты заводил почтовый ящик, где ты его один раз засветил и все, типа открываешь почтовый ящик, думаешь, о, у меня 10 писем пришло, из них 7, это просто какая-то рассылка там увеличителя члена или еще чего-нибудь такое. Сейчас мы этого не замечаем, потому что алгоритмы Яндекса или Гугла уже достаточно хорошо фильтруют спам, это на самом деле гигантское достижение такого человечества, вот мы типа на Луну там ракету запустили и от спама научились бороться, это в принципе сравнимая штуковина, мне кажется. Это машина обучения, да, наверное, или нет?

Ну, близко, да. Это смесь и машинного обучения, и некого понимания, как отлавливать этот антиспам и без машинного обучения. То есть, это как бы сумма двух вещей. Либо у тебя письмо похоже на спамовое, то, которое в почте, и это машинное обучение, когда мы говорим слово «похоже». И тогда, раз оно похоже на спамовое, ну, как бы мы его отправляем в спам. Либо есть явные маркеры того, что оно спам, поэтому можно написать «if…else», и это не машинное обучение, поэтому это некая смесь. Карты. Яндекс.Карты. Там много умных алгоритмов, кстати. Там, например... Ну, если всё с пробками вместе брать, правда же, да? Яндекс.Карты, навигатор. Ещё 10, если не 12 лет назад, была, например, крутая математическая задача – предсказание пробок заранее. Тогда не было никакого предсказания до 2008 года. Пришла команда довольно умных, математически одарённых ребят, и она стала решать эту конкретную задачу прогноза пробок. Не могу точно сказать, какая там была математика, я не вникала, но я помню, что это была серьёзная такая математическая задачка, потому что это прогноз, то есть это про будущее, там нужны всякие временные ряды, вот эта вот вся история, это тоже как бы математическая составляющая. Это точно есть. С другой стороны, в моём представлении, в картах есть и не столь математическое содержание. Поэтому, если опять оценивать, я бы, наверное, на карты поставила 30-40% математики, чуть меньше, чем в поисках.

Про предсказание у меня какой-то флешбек такой. Я помню, еще когда школьником был на какой-то Олимпиаде по программированию, как раз давали задачу про то, чтобы предсказать пробки. Ну, понятно, что мы там не придумали какие-то суперклассные алгоритмы, но это, в принципе, была такая задача на Олимпиаде. Ты сказала, что... Вот задача предсказания. Мне стыдно признаться, но я вообще не понимаю, как работает машинное обучение. В смысле, я много всего видел, у меня нейросети уже в голове, я обучился, я могу сказать, что какие задачи можно решать, какие нет, типа, с некоторой точностью. Если бы мне сказали, давай предсказывай пробки, я бы сказал, а, это модель машинного обучения, просто закидываешь все данные, которые были, и она типа выплевывает тебе результат. Вот сейчас,

мне кажется, да, а в 2008-м никто так не мыслил. В 2008-м уже нейросети ещё даже нормально не были задействованы. И вообще, мне кажется, в 2008-м вот это самое машинное обучение, оно было такое очень простенькое, в смысле алгоритмы только простенькие очень применялись, и скоростей не было нормальных. Ну, короче, тогда, я думаю, они использовали что-то, что мы сейчас бы написали как машинное обучение, но, мне кажется, тогда это было более такое математическое, они придумывали что-то с нуля.

И правильно понимаю, что они, может быть, даже делали то, что сейчас называется машинообучением, но не использовали весь этот аппарат, который сейчас уже наработан, они просто с нуля это делали

на коленке? Конечно. И нейросетей тогда не было. В смысле, невозможно было их обучать тогда. Не было мощностей. Там какая проблема? Нейросети как-то начали играть уже сильно после десятого года, когда появились мощности, на которых можно было обрабатывать.

То есть просто тупо железо стало выдерживать

такое количество? Да. Смешно еще то, что придуманы были нейросети в 70-е годы прошлого века. И вот придумали и положили в стол. Это вот как бы так математика и действует. Это как с этими группами ли, если мы сейчас узнаем, что они там в нейросетях применяются, то эти группы вообще тут были ни при чём. Вот и тогда нейросети были придуманы, они были положены в стол, была написана там одна статья, вторая, третья. Как-то некие математики вот эти вот любители чего-то развивали дальше, и все считали, что вообще не работает. А потом, когда мощности нужные появились, нейросети вдруг раз и оказались круче всех. И тут-то все эти работы и всплыли. Это удивительно.

Музыка. Яндекс.Музыка. Ну,

Яндекс.Музыка, она вообще основана исключительно на рекомендациях. Там ничего больше интересного нет, кроме как рекомендации. Рекомендации – это одно сплошное машинное обучение. Так что давай считать, что-то нам там движок надо программировать, в общем 80 процентов, ну или 70, ладно. Скажи, пожалуйста, рекомендации

вот тоже кажутся в 2021 году уже решенной задачей. Типа есть миллионы алгоритмов, есть какие-то принципы, там коллаборативная фильтрация, еще что-то, еще что-то. Ну, у всех на слуху. А в реальности, для того, чтобы сделать алгоритмы, предсказания, рекомендации музыки для Яндекс.Музыки, там всё равно применяется какое-то вот наострие. ML-щиков.

Они, во-первых, сами пытаются всё время на нужные данные настраиваться, то есть применяя уже известные вещи, а ещё они всё время читают какие-то статьи, а что оказалось теперь более классной, как бы, алгоритмы машинного обучения, не надо ли здесь подкрутить, а как теперь в нейросетях делают там какие слои, короче, и все это они накручивают. То есть там как бы есть всегда две составляющие. Одна такая практическая, понять, а что, собственно, мы улучшаем, какова метрика. Это по жизни понять, и потом уже математически, потом уже настраивать на эту метрику. Это одна

тема. Можешь привести пример метрики для мамы?

Ну, если понравились какие-то треки, важно давать похожие на них. Или, если не понравились, важно ли никогда не давать похожие на непонравившиеся. Вот что важнее, например? На это настраиваться

или на другое? В моем представлении это как раз работа продукта. Это человек, который думает о пользователях, пытается быть им. Такая эмпатичная работа. А в Яндексе это делают сами специалисты

PML? Есть продакт, есть ребята, которые являются интерфейсом уже в машинное обучение. Вот ребята в машинном обучении, они вместе это обсуждают, ну и дальше как бы заказ формируется всё равно совместно. Тот, кто настраивает, тот, кто занимается конкретно машинным обучением, должен понимать заказ очень хорошо и понимать его сути. Он как раз не должен быть тем математиком в мире фантазии, про который мы говорили, что это прекрасно, это искусство. То есть он должен всё-таки быть интерфейсом в жизнь, понимать задачу и дальше эту задачу применять

и сам проверять. Сколько человек работает над рекомендациями в музыке? Ну, я бы,

наверное, сказала, что 10, может, 20. Диск? Ну, мне кажется, там как раз мало математики.

И вот тут как раз у меня вопрос, знаешь, он немножко с другого угла. Правильно ли я понимаю, что есть вот какие-то строительные блоки технологические, например, хранение файлов? Оно есть, наверное, и в фото, и в почте, и в чём-то ещё. Есть такие строительные блоки или всё-таки каждый сам делает?

Конечно, и строительные блоки, которые делаются в общей инфраструктуре Яндекса. Ну, у нас известна компания нашим велосипедизмом, это такая ещё, я помню, с 2008 года картинка про то, как устроена какая компания, там в Microsoft, а в Яндексе такие велосипеды. Слово «велосипеды» что назначает? Велосипед что означает? Да. Означает, что в каждом куске может возникнуть своя какая-нибудь инфраструктурная штуковина, написанная совершенно независимо от других, и, возможно, это изобретение велосипеда с нуля. Это как бы взялось из вот этого «изобрели велосипед», да? Угу. При каждом месте пришла команда разработки и говорит, мы с нуля сейчас разработаем своё, потому что не подходит никакое рыночное решение, никакое решение в другой куске Яндекса, и мы сейчас своё разработаем. Не то, чтобы это полностью исчезло, но сейчас у нас много есть централизованных инфраструктурных вещей, которыми как бы иногда все пользуются, прям все обязательно. Иногда желательно, но если ты такой стартап внутри можешь не пользоваться, но иногда вот предлагаем решение, хотите берите, хотите

нет. А можешь привести примеры таких вещей, которые либо обязательны, либо можно попользоваться? Нет, ну вот, например,

как с Максом Бабенко, я как раз про него рассказывала, он делает какую-то такую большую-большую структуру хранения данных, она у нас «ыть» / «Ыть» (русское чтение YT), это прекрасное слово. Он делал долго, он сделал очень классную, она и на Яндекс настроена, при этом офигенски математическая такая, классная. И не то, чтобы прям все обязательно-обязательно должны её пользоваться, но, по-моему, пользуются почти все, потому что она классная. Это такая

бесконечная большая таблица, насколько я понимаю? Да-да-да.

Большая таблица, которая правильно хранится, которая хранится распределённо, так, чтобы потом на то, чтобы вытащить данные или положить данные, как можно меньше времени требовалось, при этом, чтобы если там что-то поломалось, то оно не поломалось полностью. Сложная очень такая инфраструктура. Нужно пояснить,

что вообще-то это задача баз данных, программа баз данных, и я в своей работе использую там баз данных MySQL или Postgres, ну, в общем, стандартный баз данных. Там у них проблема в том, что когда данных больше, чем помещается на один компьютер, начинаются всякие очень сложные вопросы. И, видимо, вот «Ыть» (YT), она как раз умеет... О,

да. Это не один компьютер, да. Мягко скажу.

Причем, мне кажется, у всех технологических компаний есть такие таблицы. У Google называется Bigtable или BigQuery, наверное. У Amazon есть такая же. Какие еще есть такие вот

инфраструктурные детальки? Нет, но есть вот у нас место, куда можно весь свой код выкладывать, и там есть какие-то куски, которые можно брать. Как бы такая удобная штука, в которой можно код еще проверять. Ну, короче, такая общая инфраструктура для разработки кода, да? Называется Arcadia. Подожди, своя система контроля версий? Да-да-да, конечно. Ну, это же Яндекс с велосипедами,

ты чего? Хорошо, таблица. Вот рекомендательные системы, я так понял, не являются таким комодити, то есть каждый сервис встроит их для себя сам самостоятельно? Ну, опять

же, есть некоторая общая платформа, которая помогает рекомендательную систему на себя настраивать. Вообще, во всех вот таких вещах, типа рекомендательной системы, типа комитов, кода, есть какая-нибудь общая разработанная хорошая платформа, которую в той или иной степени берут и настраивают под себя или в ней работают. Вот это прямо всегда. Ну, всё-таки очень уже мы давно существуем, и очень большие, поэтому такие большие вещи, конечно, есть. Ещё одна

штука. Я, на самом деле, забыл про этот сервис. Вы же поставляете рекламу. В смысле, вот эта штука, она называется arbitrage traffic или RTB, real-time bidding. Да.

Сколько там математики? Там только математика, мне

кажется. Да? Во-первых, в чём задача? Подожди.

Ну, нужно делать следующее. Есть рекламодатель, который хочет прорекламироваться тем и только тем людям, которым, вообще говоря, релевантно, то есть, именно подходит их реклама. То есть вот человек сейчас, например, празднует день рождения, хочет заказать торт. Вот в этот момент ему надо показать заказ торта, да? Или у человека... Хочешь купить новый айфон? Почему-то мы это поняли. Надо показать ему рекламу нового айфона. что от нас хочет вот этот рекламодатель, что хочет от нас фирма, чтобы мы показывали как можно более тем, кто потом воспользуется. То есть, на самом деле, он хочет, чтобы как можно больше кликали, а потом переходили к нему на сайт, ну и дальше заказывали и покупали. Это его задача. У нас есть страницы выдачи Яндекса по какому-то запросу. Есть еще много всего другого, сейчас просто по-простому. Вот есть страницы выдачи Яндекса по запросу. На самом деле человек, он не читает 20-ую строчку выдачи, правда же? Ну, редко читает. Он читает первые 2-3 рекламные, которые помечены как рекламные, и еще 2-3 органической выдачи, которая не рекламная, за которую деньги не платят. какая наша цель? Наша цель, во-первых, рекламу показать как можно более контекстную, то есть, подходящую на этот запрос. И

конкретно этому

человеку. Конкретно этому человеку, конкретно на этот запрос, конкретно в этот момент, ну, то есть, вот это. Ну, и второе, в органической выдаче, то есть, в бесплатной, тоже показать самое полезное для этого человека. То есть, он должен, с одной стороны, как сам человек, должен, с одной стороны, любить наш поиск, потому что поиск показывает, ну, правильно, это в органической бесплатной выдаче. А с другой стороны, рекламодатель должен до него достучаться самым простым образом. У нас, естественно, чем мы будем лучше показывать вот эту вот рекламу, тем будет больше денег от тех самых рекламодателей, то есть мы будем лучше их обслуживать. Ну и вот это, согласись, что звучит как математическая задача, правда? Ну нет

там ничего другого. А сколько людей вообще работает на этой сети крутилка рекламы условно? Давно не смотрела

в эту сторону, сколько их там сейчас в баннер-крутилке, но я помню, что там несколько лет назад их было, допустим, 40. Из них? Ну, я бы сказала, что все были из школы анализа данных, значит, математика была нужна. То есть я так прям фамилии видел и знал

их. 40 технорей, таких супервысококачественных, которые умеют такое делать. Это жесть. Страшно, что они могут сделать. Вообще, мне кажется, лучшую умы человечества занимается именно задачами баннер-крутилки. Даже немножко жалко как-то.

Ну, был период, когда надо было прям сильно улучшение делать, я помню. То есть вот я тоже сейчас не знаю данный момент. У нас всегда есть разные периоды. Период поддержки, период прорыва. Вот был какой-то, я помню, период прорыва, когда мы туда кидали прям типа правды лучше умы.

Мы забыли какой-то важный технологический

блок еще? Нет, конечно, забыли. Беспилотники.

А, у вас же есть. Это же все понтуются, Путину показывают. Ну, расскажи, как это работает.

А, ну ты же правильно, ты же не в Москве живёшь. А те, кто живут в Москве, видят их всё время, они ездят по городу непрерывно, они ездят и

тренируются. Какая это математика? Мне кажется, я знаю ответ. Нет, ну

как бы есть железяка, и эта железяка должна понять всё, что происходит вокруг. Люди, знаки, кошки, коляски, другие машины, что происходит. Это громадная машинное обучение. Ну, там же как бы есть очень много людей, которые что-то собирают, железо само, да, вот это вот не совсем математики, а другая часть это машинное обучение, это математики.

А инфраструктурная-то сложная задача? В ней есть какая-то инженерная часть про то, что типа собрать кучу данных или

все это вторично? Это инженерно тоже сложно, но как бы вот эта вот машинно-обучающая / ML-часть, эмельная часть, она, ну, мне кажется, тяжелее. Там знаешь, какая главная сложность? Что достичь некоторых приличных более-менее результатов можно довольно быстро, а достичь идеальных – это ещё много-много-много работы. Что значит «идеальных»? Идеальных это значит, чтобы эта машина ездила лучше, чем человек за рулём, или так же, как хороший водитель за рулём.

Мы пока ещё не там? Ну, я

бы сказала, что мы уже как средний, но ещё не как хороший. Но надо как хороший, чтобы выпустить эти машины всё-таки на улице, честно ездить, даже чтобы это были хорошие водители. тогда мы точно будем уменьшать аварийность, потому что есть хорошие, средние, плохие. Явно тогда будет лучше. И вот этот вот такой длинный хвост улучшений, то есть до идеала, до хорошего водителя, даётся сильно тяжелее, чем первый кусок, ну, до чего-то более-менее пристойного, чтобы она как-то ехала. Кстати, вот тебе, конечно, нужно сюда добраться и съездить. Мы даже катаем нас, друзья, катаем на заднем сиденье можно. Я ездила несколько раз,

мне очень нравилось. Как только откроют границы, я сразу приеду. Давай. Знаешь, я тебе задаю вопросы, и очень часто ответ— это машинное обучение. И это такая чёрная дыра, которая... Я не ожидаю, что ты мне сейчас расскажешь, как работает машинное обучение. Почему? Я могу. Ну хотя бы вот первым приближением. Какие там вообще бывают? Это всё одно или там есть какие-то

подкатегории внутри? Давай я по-простому попробую это рассказать совсем. Идея следующая. Есть куча-куча данных. Например, человек ходит к врачу и сдаёт кучу разных анализов, ему измеряют температуру, есть вот этот набор данных. Такой вектор в каком-то смысле, то есть много параметров. И про какие-то из этих данных мы знаем, условно говоря, результат. Ну, например, с врачом. Человек болен, не болен? Болен чем-то, не болен чем-то? Ну, то есть какой-то результат. Результат может быть 0-1 в стиле да-нет или что-то. Вот про некоторый набор данных мы знаем и сами данные, и результат. Нам дается новый данный или другой кусок данных, и нам надо для них прогнозировать

результат. То есть тебе показывают на этом так, а теперь скажи,

как будет на этом. Да. Вся идея машинного обучения только на этом. Давай я очень простой алгоритм расскажу. Простейший алгоритм. Представим себе, что у нас данные имеют всего лишь два параметра. A и B. То есть температура и вес человека, я не знаю, совершенно случайно я сейчас сказала. Мы можем тогда нарисовать как точки на плоскости, правда же? Температура и вес. И вот как бы от температуры и веса у нас есть зависимость какая-то, про которую мы знаем. Вот это те данные, про которые мы всё знаем. Болеет, не болеет. Причём какой-то конкретной болезнью. Ну, покрасим, например, тех, кто болеет в красной точке, а тех, кто не болеет в зелёной. У нас получится на плоскости много красных и зелёных точек. Теперь представь себе, что мы можем провести на этой плоскости прямую так, чтобы красные точки все были с одной стороны прямой, а зелёный с другой.

Ну, повезло нам. Ну вообще, что данные так образованы, а это не такое, что там кружочек в центре, а по краям... Да, но я сейчас

как бы очень упрощаю. Я пытаюсь лёгкий чёрный ящик показать. Представили себе, что мы такое можем сделать? Тогда у нас очень понятный алгоритм. Всё, что со стороны прямой, где красный, будем красить в красный, а всё, что со стороны прямой, где зелёный, будем красить в зелёный.

И даже сам механизм подбора прямой тоже становится довольно ясен. Ты просто перебираешь разные градусы, и всё получается. Да-да-да.

Дальше очень много деталей. Я суперупростила, а деталей много. Во-первых, данные совершенно разнородные. Одно дело вес, другое дело температура. Поэтому сначала нужно придумать, как правильно эти данные перевести в числа. Ну, в смысле, в какие-то векторы. Вектор – это набор чисел для мамы, говорю. Это первое. То есть, как это данные правильно перевести, и там от того, как ты переведёшь, возможно, у тебя результат зависит. Второе, ну, вот эта правильная разметка. У тебя в данных с ответами могли быть ошибки. Надо их как-то уметь устранить, увидеть какие-то выбросы случайные, условно говоря, мутации. У человека всегда может быть 38, всю жизнь может быть. Ну, надо его выкинуть, потому что

это странно. То есть, мы даже не можем предположить, что данные чисты. В математике же всё как бы идеально, а здесь получается реальный мир, то, что люди неправильно разметили. Дальше

следующая часть. Теперь надо выбрать, а какие мы алгоритмы... Вот я сказала такую прямую провести, да, рассказала такой алгоритм. Есть всякие другие, много-много других. И даже когда не было нейросети, был набор возможных способов, как вот здесь

можно мыслить. Предсказаний как-то

здесь встроить, да? Каких-то, да. То есть модель эта называется. Дальше надо выбрать вот эту модель, как мы придумаем это делать. Выбрали, почему-то решили, что именно такая. Ну, пусть у нас интуиция или какое-то правило было. А вот дальше уже начинается какая-то такая работа. Ну, вот эту прямую, например, пытаемся провести самым лучшим образом. Что значит лучшим образом? Еще вопрос. Что лучшим образом, это надо еще уметь проверять, хорошо ли у тебя получается.

Есть те данные, которых обучаешься, и их нельзя использовать для обучения, потому что иначе не получится.

Да, совершенно верно. А есть специально отделенные тестовые, закрытые данные, на которых ты проверяешь, получается ли у тебя. Ну и дальше вот настраиваешься, вот такая у тебя идёт как бы процедура. Теперь

понятно, теперь понятно. Теперь я как бы не точно не смогу это повторить, но я хотя бы понимаю, что люди делают, какие этапы у них работы.

Так, как я рассказываю, это как бы до нейросетей было ровно так.

О, нет, то есть это всё теперь...

А когда нейросеть, вообще непонятно, что она там делает, но она сложно устроена, ты не можешь вот как-то... То есть нейросеть, в неё так, ты закидываешь данные с ответами, а потом она что-то такое тебе вдруг выдаёт. А

в чём тогда работа

инженера-то заключается? Такой уже не инженер, это, конечно, математик в каком-то смысле. очень прикладной математик. Такой, в моем понимании, не математик. Да-да-да, в моем понимании, конечно, это не математик, но можно считать, что математик. Он такое знает, что если задача про тексты, то там скорее нейросети должны быть вот так сконструированы. Если там про картинки, то всяк. А что значит сконструировано? Он прямо

руками типа строит эти графики? Да, нейросеть

состоит из слоев, Там эти слои бывают разных типов, эти типы всякие новые еще придумывают, и их можно поэтому по-разному делать. Слоев, как бы количество, какие слои, там это все разное. Мне кажется, что это уже такой ситуация становится довольно инженерной наукой.

Сколько программистов в месяц вообще нанимает Яндекс?

Мы нанимаем, мне кажется, примерно сотню программистов в месяц. А уходят? Значит, я не права, это значит, что мы, наверное, нанимаем чуть больше 100, а уходит примерно 100, вот так. Ну, потому что у нас рост всегда есть, он не очень большой, поэтому баланс примерно чуть-чуть плюс, поэтому где-то это как бы сотня ходящих туда-обратно.

А всего человек 5 тысяч, наверное, да? 7,

сколько? Программистов примерно 5 тысяч, да. У нас сейчас 12 тысяч сотрудников всего, я бы считала, что программистов 5 тысяч. Вот ты

гендир крупной IT-компании. В моем представлении к тебе приходят чуваки по работе, довольно-таки подготовленные, то есть там все четенько, ты как глава государства по сути. А в универе препод, он общается там со вчерашними школьниками, довольно оболтусы такие. Как ты себя чувствуешь? Нет какого-то диссонанса, когда ты приезжаешь из Яндекса на факультет? У меня такое смешное

ощущение бывает, так как я, в общем, из универника не уходила, и довольно много преподаю, и там я, ну, профессор, конечно, но всё-таки просто профессор, да, и читаю лекции, с студентами очень близко, семинары веду, мы очень много общаемся вокруг молодёжи, как-то они меня... Ну, я бы сказала, не боятся, мы в таком контакте, и я там такой, ну, скромный профессор, да. А потом я приезжаю в Яндекс, я-то себя ощущаю, конечно, скромным профессором по-прежнему. И у меня иногда разрыв шаблона возникает, потому что я понимаю, что многие сотрудники меня считают уже там кем-то, кто, я не знаю, кто на метро не ездит. Ну, не знаю, ну, понимаешь как бы мою мысль? Ну ты в

метро-то ездишь? Да, езжу.

Ну как, когда это быстрее, чем такси, езжу. Ну у меня всё просто очень, да, как бы я смотрю, что быстрее

еду. Есть такая тема, что программистов всех бесит whiteboard-интервью. Это когда тебя заставляют писать программы или придумывать вот эти самые сложные умные алгоритмы на доске. И есть мнение, и я с ним согласен, что 90% программистов 90% времени вообще математикой сложными ничем не занимаются, они сидят и пишут код. И это очень сильно отличается от этого собеседования. Есть даже там смешная история... С задачками. С задачами какими-то, господи, сложными математическими задачами, которые я уже с детства не видел. Есть даже такой интересный твит, очень популярный, где чувак, который придумал Homebrew, это программа, которой пользуются все программисты на маках, вообще просто все, тотально. Его не взяли на собеседование в Google, потому что он не смог там какое-то бинарное дерево перевернуть, то есть математическую задачу решить. Как ты вообще относишь к Whiteboard-интервью и есть ли они в Яндексе? В

Яндексе есть. В Яндексе есть так называемые АА-секции для тех бэкендеров, которые приходят в Яндекс, то есть обычных программистов. Мы делаем некоторые АА, это алгоритмические секции, где есть задачки, не олимпиадные уж прямо, но про сортировочку, которую нужно написать. У нас очень большие споры про это ведутся, надо, не надо. Но мы к этому сейчас так относимся, что, в принципе, любой нормальный программист, которого мы хотим видеть у себя, зная, что у нас такая секция будет, и примерно про что, она подготовится какое-то конечное время, может, то есть покажет некую мотивацию. С другой стороны, это все-таки какое-то единообразие отбора. То есть мы вот взяли людей, которые такое, в принципе, умеют решать. Это значит, что, например, когда он из одного отдела вдруг захочет перейти в другой отдел, где, например, может быть уже алгоритмическая задача, его можно будет спокойно ротировать. Это тоже важно. Неоднозначный вопрос. Я согласна с тобой, что здесь вопрос сложный немножко. Вот надо или не надо так иногда излишне мучить на входе. Но, с другой стороны, это всё-таки объективная штука. Вот как бы решил, не решил такую задачу, это штука объективная. Ну а что она показывает? Ну она показывает умение решить некую... Такие задачки? Такую задачу. Я из этих секций задачу могу решать. Я

не сомневаюсь, ты преподаватель Мехмата, Господи. Ну

и что? Я здесь за своё мнение вот так вот железно не держусь. Мы, правда, это обсуждаем, тема сложная.

Как ты начала заниматься математикой?

Когда мне был год и месяц, мне подарили лопатку синюю. Я ушла в комнату, вернулась с зелёной лопаткой, взяла две лопатки в руки и сказала, два. Папа мой это увидел и сказал, у меня растёт гениальный математик в семье. Вот. Поэтому, наверное, тогда, да? В смысле, я любила математику безумно всегда. Потом я побеждала в олимпиадах, ну, вот так я, собственно, и стала

математиком. А в Яндекс ты как попала?

в Яндекс, тоже смешно, вот я была преподавателем на Мехмате. Еще там паре мест работала, на самом деле преподавала. И мне это очень нравилось, кстати, наукой занималась. И знакомый мне позвонил в какой-то момент, это был 2007 год, и предложил мне почитать какой-нибудь предмет айтишный. в школе анализа данных, которая ещё только начала придумываться. То есть, ещё даже у неё как бы не было такого названия. Я ничего не знала про Яндекс, я совершенно не хотела ничего пройти, читать. Я только-только, наконец, избавилась от преподавания программирования, читала только алгебру. Ну, или даже ещё, может, не избавилась, но точно не хотела больше. Я сказала, что ну, я как бы, нет, не готова. Он говорит, ну, а просто познакомиться с основателем Яндекса Воложем, ты готова сегодня? Ну, просто поговорить об этой школе. Ну, тут мне стало интересно. Вот. Поехал знакомиться. Ну и что-то мы поговорили о том, как мы вообще такую школу можем было организовать. Это было серьёзное дело, потому что 2007 год был тот год, когда в Яндексе поняли, что вот этих вот крутых специалистов, на самом деле, это вот эти дату-сайентисты, которые сейчас так называются, тогда никто не знал такого названия, что их на рынке не найти, и надо что-то делать, надо как-то их начать учить. Причем непонятно, кто их будет учить, как, никаких не было ни вузов, ни программ обучающих, ничего не было, такое пустое поле абсолютно. И вот Аркадий тогда придумал, что это нужно как-то организовать. И вот он мне рассказал свою идею, я очень обрадовалась, сказал, что идея классная, мы там прям все обсудили, ну просто теоретически. У меня не было никакой идеи, что я что-то буду делать с этим. Буквально через несколько дней мне позвонили, говорят, приходи на встречу, где мы будем обсуждать открытие этой школы. Я пошла на эту встречу, тоже было интересно, и мне предложили стать директором этой школы, в смысле, организовать её. Звучало так интересно, что я сказала, да, только если я не уйду из университета и буду по-прежнему преподавать. Аркадий сказал, ну, хорошо. Собственно, так я пришла

в Яндекс. Подожди, это же не твоя область математики,

да? Вообще нисколько. То есть, я, на самом деле, просто очень любила всё организовывать. Ну, такой характер. Была главой звёздочки, представляете, это отряды в советское время, старостой в группе, там, олимпиады какие-то организовывала. Мне нравилось организовывать. Поэтому, скорее, это была про организацию и понять, как надо. Никакой содержательной моей роли вот именно, как бы, типа, какие предметы должны быть, в это не было. А было так, чтобы всё собрать, то есть

такой менеджер. В мехмате ты просто преподавала, а здесь ты начала прямо организовывать программы обучения. Почему эта штука не проявилась?

Просто очень отвечу. Это был 2007 год. Я первого ребёнка взяла в 1999, второго в 2002. То есть у меня было двое маленьких детей. Я преподавала в трёх местах в школе и в двух вузах. У меня было довольно много научных учеников. В смысле, у меня был очень большой скоп работы. Научные ученики – это тоже как организовать что-то. То есть было много разных занятий. Маленькие дети, три работы. Понимаешь? Мне было вполне хорошо.

Что такое шат? Ну вот шат –

это, собственно, такая школа, мы это называли школой, но это похоже на магистратуру, очень крутую магистратуру для тех, кто занимается анализом данных и вот этими крутыми алгоритмами, как у Макса Бабенко. То есть такие суперумные математические программисты, да, давай так это называть. Мы набираем ребят на 2 года. Это бесплатное обучение, но отбор жестокий достаточно. Отбираем примерно по 200 человек, заканчивает его в результате обычно где-то 120 человек за 2 года. Вечернее обучение. Ну вот, собственно, там программирование, математика, машинное обучение, всякие приложения. Никаких обязательств у студентов нет, ШАД, ну, они делают, что хотят. По факту, конечно, очень большой процент, там, типа, две трети приходят в Яндекс работать, потому что там предметы очень близкие для нас. У нас даже есть курс по беспилотникам

сейчас. Лена, я правильно понимаю, что ШАТ – это такая элитная школа, а условный практикум, она гораздо более прикладная. То, что вот обычный программист, которому математика не нужна. Ну, в каком

смысле да? У меня есть

такая фантазия, гипотеза, что дата-сайентистов, поэтому сделали шат, а потом уже выскребли даже рынок обычных программистов, поэтому сделали практикум. Или это не связано?

Практикум мы делали не ради себя все-таки. Ну, то есть практикум – это наш такой небольшой бизнес, мы же из него даже деньги берем. Мы делаем для индустрии во многом, для всей. А шат, конечно, очень большой степенью для себя.

Ты начал заниматься математикой и работать в IT еще до того, как стали говорить о том, что вообще ты женщина тоже можешь быть программистом. Вот стандартная феминистическая идея, это еще не было мейнстримом. Ты замечаешь какое-то изменение вообще вот вопроса гендера за последние 15 лет? Я замечаю,

в мат-классах раньше в моё время и даже 10 лет после моего обучения в мат-классе было девочек примерно по 3 на 20 человек, на 25 даже иногда. А сейчас в мат-классах количество девочек доходит до 10, например, от 25. Это школа. Я пока про школу, да. Если смотреть, например, на МИХМАТ, тоже состав гендерной стал меняться в сторону большего количества девочек. Не так существенно, как вот я видела в мат-классах. Меня прям удивляло в мат-классах. Ну, прям бывало, ого, думала, какие новые вещи. Тоже стало больше девочек. С чем я это связываю? Мне кажется, есть момент, что отбор у моего класса очень объективный. Мало того, в те времена, когда девочек было мало, которые хотели, девочек брали легче, очевидно просто, потому что хоть сколько-то девочек приведите. Вот сейчас, может быть, это уже не так, сейчас, может, просто равноправно берут, но тут как бы точно объективный отбор, дискриминации девочек точно нет. Но девочки как бы не приходят, потому что до сих пор есть некая традиция, когда родители, причем интересно, что чаще мамы или бабушки даже, говорят, девочке не надо идти в математику, математика не для девочек. Какие-то вот такие мягкие слова вот вокруг этого. Причем иногда прямо видно просто по поведению вот этих мам и бабушек. Это прямо даже чаще, чем папы делают. Ну и девочка, она копирует вот это вот, где-то у нее подсознание, она знает, математика не для меня, пойду во что-нибудь другое. И это то, что ухудшает ситуацию. Но так как все уже стали меньше такое говорить, математика стала популярнее на самом деле, и девочек тоже стали, родители как-то в эту сторону толкать, то вот всё-таки изменилось в лучшую сторону. Есть даже исследование, мы на самом деле накопали такое, которое показывает, что чем больше учителя младших классов говорят о том, что девочкам не нужно математику, тем хуже девочки успевают вообще по всем предметам. То есть, очень сильное влияние учителя младших классов, который может так невзначай бросить какую-нибудь фразу. Но уж, я думаю, родители еще больше влияют. Про родителей мы не знаем, ну, это сложнее понять. Я не совсем понимаю, как с этим бороться. То есть, может быть, поколение сменится, оно само так произойдёт. Но вот как-то идти в каждую семью и говорить, только

не говори такого. Я надеюсь, что наш подкаст немножко в этом поможет, знаешь ли. Просто я такой панчлайн хочу сделать, что это сейчас говорит генеральный директор компании Яндекс в России и профессор мехмата МГУ Лена Бунина. Просто, господи, когда ты это произносишь, мне тут больно становится просто. Ну,

у меня в жизни не было личного такого опыта, поэтому, конечно, я это говорю немножко абстрактно. В смысле, со мной лично никто так не разговаривал, и меня всегда очень поддерживали в смысле, что, ого, как у тебя с математикой классно, давай-давай. Ну, и тоже, и не давили. Давить тоже было бы неправильно. То есть, я любила её, я ею занимаюсь. Там ещё про деньги раньше была проблема, на самом деле, что, говорили, пойдёшь заниматься математикой, как ты будешь зарабатывать деньги? Это в 90-е было. Сейчас всё знают, что это нужно. Хорошо знать математику, деньги. Но в 90-е это было, это было вообще серьёзной темой. То есть, мои одноклассники, выпускники маткласса 57-й школы, некоторые из них имели премии на Всероссии, на Всероссийской олимпиаде по

математике. Это топ-1 процент математиков в мире.

Абсолютно, да. Суперталантливые ребята зачастую уходили со второго курса Мехмата со словами, а зачем... Ну, то есть, это 1993-1994 год, да, это тяжёлое время было такое, да. Лучше пойду там торговать модемами, условно говоря. Это было ужасно обидно. То есть, мне и тогда было обидно, а потом

ещё более. Где этого дисбаланса гендерного меньше, в математике или в ИТ? Смотря что считать IT.

Если мы берем, например, дизайнеров, продактов, проджектов, суммируем вот как бы всю эту индустрию, там девочек довольно много. Потому что девочки все-таки любят больше коммуникации. И вот когда можно еще в работе, кроме того, что разбираешься в IT, что-то придумывать, разговаривать, там девочек довольно много сразу становится. Поэтому дизайнеров, продактов, проджектов, девочек много. Поэтому баланс как бы улучшается. Если мы берем только такую core-разработку, там девочек

очень мало. Вы в Яндексе ведёте статистику, какое соотношение мужчин, женщин в программистах, и меняется ли оно с ростом в иерархии? Я

расскажу, какую я знаю, как мы ведем статистику. Значит, у нас, в принципе, в Яндексе суммарно треть это женщины. Во всем Яндексе, все профессии берем. Мы сравниваемся с западными компаниями, большими всегда, с Facebook, Google, Microsoft, Amazon. Там точно то же самое, но у них есть квоты, у нас нет. У них же специально стараются сейчас больше женщин иметь, мы как бы просто берем, как берем. Вот, значит, дальше среди прям айтишников у нас женщин 20%. И, кстати, вот выросло за последние три года было 20, 21, сейчас 22. Ну, чуть-чуть, но растёт. Примерно столько же на Западе. То есть, видите, это как бы такие какие-то мировые константы пока что. Среди просто руководителей у нас женщин... Сейчас я вспомню, мне кажется, 28 у нас получалось процентов. Те, кто руководят, мы брали ещё такую выборку. И вот мне кажется, тут у нас чуть-чуть меньше, чем на Западе, но я думаю, что это тоже квоты могут работать. Ну, не знаю, чуть-чуть. Но как бы на самом деле мы супер сравнимы с Facebook, Google, Microsoft по вот

этому гендерному балансу. Ты как-то работаешь над тем, чтобы целенаправленно? Пытаешься сдвинуть? Нет, я пока этого

ничего не делала. Я считаю, что нашими образовательными программами широкими, которые и онлайн, и всякая агитация, и там Яндекс.Лицея, которую мы делаем для школьников, вот всеми-всеми образовательными инструментами мы на самом деле помогаем этому, то есть даём как бы более лёгкий вход в IT. А уже когда мы нанимаем на работу, я не хочу при найме на работу как-то специально выделять женщин и мужчин. Это как-то нечестно, кажется. Есть одна маленькая деталь. Мне кажется, про неё важно сказать. В дискриминации женщин в России вот эта проблема точно есть, но она вообще в мире есть. Женщины рожают. Когда женщина рожает, она сколько-то времени ушла в декрет, потом она родила, потом она кормит. И даже если у неё есть няня, муж сидит, всё равно есть кусок времени, который она ну, не может не выпасть. Понятно, что сейчас там папы бывают, уходят в декрет, но папа всё равно уходит в декрет через какое-то время после родов этой женщины. Ну, и, во-первых, из-за этого многие руководители такие как бы... Ну, просто не руководители в Яндексе, а руководители вообще во всём мире начинают думать, ой, она ещё не рожала, она тут вышла замуж, сейчас родит. Многие пишут женщины про такие случаи. Я читала в Фейсбуке много случаев про так, прямо в явном виде. Говорим, тебя не возьму, потому что ты ещё можешь родить. Плюс есть ещё вторая проблема. Допустим, взяли на работу, и дальше вот она рожает, и, в принципе, непонятно, как с ней, о чём договариваться. Потому что она же вот, правда, сейчас в декрет уходит, и место это, с одной стороны, она вроде на нём остаётся, с другой она работать не будет. Вот что с этим делать? Это такой очень сложный разговор и вообще сложный план. Это же проблема объективная. Честно скажем, что она есть. Мне кажется, что очень важно, и в этом смысле я в Яндексе стараюсь всеми силами объяснять, рассказывать, помогать. Это то, что мы должны обязательно, все работодатели, все-все-все должны к этой части жизни женщины относиться с бесконечным уважением. То есть, во-первых, никогда нельзя не взять женщину с того, что она потенциально может родить. Это вообще какой-то полный бред. Ну, то есть, вот нельзя. То есть, надо просто себе как бы это блок ставить. Никогда нельзя так мыслить. Второе, когда женщина уже беременеет, с ней нужен очень длинный, откровенный, открытый разговор, в котором нужно ей сказать несколько вещей. Первая вещь, которую нужно сказать, это то, что, допустим, особенно если она рожает первый раз. что я не знаю, ты когда родишь, вот ты сейчас говоришь, что там выйдешь через три месяца, но ты родишь, ты, может быть, не захочешь выйти через три месяца. Пожалуйста, думай о том, как тебе лучше, не надо, вот ты мне пообещала, а потом через три месяца обязательно должна выйти. Так нехорошо. И вот что еще очень здесь важно, что сценариев очень много. Сценарий, может быть, родила и чуть-чуть работает из дома, на 0,1 ставки, потом постепенно выходит. Нужно придумать вот этот плавный-плавный выход обратно, потому что когда женщина долго сидит в декрете, ей самой потом становится очень некомфортно выходить, она уже немножко отстала, и там вот начинается её уже собственное эмоциональное какое-то наслоение. Каждый руководитель со своей беременной сотрудницей обязательно должен договориться о каком-то очень мягком, правильном плане и обязательно сказать ей, что если она передумает, это её право, и он не будет на это обижаться. Ну, это же сложно, потому что это как бы не то, что это прямо какой-то закон, который мы можем где-то прописать, но вот это то, что я стараюсь, насколько я дотягиваюсь в Яндексе, я стараюсь как-то обсуждать. Я за последние шесть лет родила двоих, будучи уже сначала там HR-директором, генеральным директором. Ну, я точно знаю, как это происходит, поэтому я как бы чувствую себя вправе, по крайней мере, ну, как бы про

это разговаривать. Как ты делала после родов?

сначала только из дома, потом я проходила две недели, я приходила на одну двучасовую встречу в неделю, потом я приходила, не знаю, два раз в неделю двучасовой встречи очно, а остальное из дома. То есть я постепенно-постепенно выходила, я ни в какой момент не отрывалась. Ну, мне немножко легче, это у меня был третий-четвёртый ребёнок, я чуть-чуть как-то понимала. как здесь должно быть. Ну, и потом я сама, в принципе, решаю, выхожу я или не выхожу. То есть я, конечно, говорю об этом, с другими руководителями всегда обсуждаю. Ну, понятно, что у меня как-то здесь есть какая-то воля принять решение. Но я делала такой очень постепенный выход, я всегда долго кормила. То есть я, правда, честно кормила грудью и не могла поэтому сразу выйти надолго. При этом, ну, мне кажется, работа страдала, ну, не очень сильно. Конечно, чуть-чуть страдала, но тут уж, ну, извините, говорила я, ну, мне надо побыть с ребенком.

Мужчины в Яндексе берут декретные выпуска? По-моему,

у нас два или три брали.

У нас есть финальный вопрос, который я всем задаю. Что ты читаешь в интернете? Может быть, слушаешь, смотришь по профессии или какой-то guilty pleasure? Именно в

интернете. Я вообще, конечно, чтец, а не смотритель совершенно. То есть вот я из того поколения, которое любит читать тексты. Посоветуй

какую-нибудь книжку из сайта или статью. О,

я сейчас посоветую книжку. Можно? Как раз про нашу тему. Я вообще влюбилась в эту книжку. Она, по-моему, недавно вышла. Называется так. Почему у женщин при социализме секс лучше? Ну, это реально такая полунаучная книжка, очень классная. Она абсолютно про вот этот самый гендерный баланс, дисбаланс и про историю. Вообще просто

книжка огонь. И название классное. Супер. Лен, спасибо большое, что нашла время. Я счастлив, что ты пришла. Спасибо тебе большое. Мне было приятно. Счастливо. Это подкаст Студии Либо-Либо, и мы его сделали вместе с сервисом онлайн-образования Яндекс Практикум. Над подкастом работали редактор Юлия Яковлева, продюсер Павел Боровков, звукорежиссёр. За джингл спасибо Алексею Зеленскому.