В гостях у «Российского бизнес-журнала» специалист из сложной, наукоёмкой области, которая абсолютно непонятна подавляющему большинству предпринимателей. Точнее, скажем так: когда они слышат о системной аналитике и эконометрике, возникает ассоциация с чем-то серьёзным, важным и нужным. Но – непонятным. А вот наш гость чувствует себя в этой сфере, как рыба в воде. Знакомьтесь: Эдвард Бахитов.
- Эдвард, здравствуйте! Ваша профессиональная биография впечатляет. Вы учились в ведущих вузах России и США. Какой образовательный опыт Вы считаете наиболее значимым для развития Ваших аналитических способностей и профессиональных навыков?
— На каждом этапе — от бакалавриата до аспирантуры — я сталкивался с колоссальными объёмами информации: лекции, статьи, учебники, семинары. Университетская среда научила меня самому главному — как эффективно работать с этой информацией, как отделить важное от второстепенного, как использовать материал для решения конкретной задачи — будь то экзамен, проведение исследования или подготовка статьи. Этот навык оказался фундаментальным и в моей профессиональной жизни.
Например, чаще всего исследовательская задача формулируется не в виде чёткой гипотезы, которую необходимо подтвердить или опровергнуть, а как общий запрос: «Что-то здесь не работает» или «Хотим понять, как влияет X на Y». И задача аналитика — разобрать и конкретизировать этот запрос, превратить его в формальную модель, определить метрики и понять, с какими данными можно работать для решения задачи. Если на этом этапе правильно сформулировать вопросы, то всё остальное — выбор метода, проверка гипотез — становится, фактически делом техники. Главное — понимание и нахождение первоначальной идеи.
Я считаю, что наиболее поспособствовало развитию у меня критического мышления обучение в аспирантуре. Когда ты регулярно читаешь аналитические материалы и сам пишешь научные тексты, постепенно формируется профессиональная насмотренность: ты учишься быстро оценивать качество исследования, видеть слабые места в аргументации и находить возможности для улучшения. Этот навык особенно полезен в индустрии, где важно не просто использовать имеющиеся навыки и применять конкретные методы, но и понимать при этом их ограничения, быть способным предлагать более надёжные решения.
- Продолжаете ли повышать свой уровень квалификации сейчас?
— Я убеждён, что постоянное развитие — неотъемлемая часть моей профессии. Я работаю на стыке экономической науки и информационных технологий. В этой сфере всё меняется очень быстро, появляются новые подходы, и чтобы оставаться на волне, нужно одновременно углубляться в свою специализацию и следить за более широкими, чем твоя ниша, трендами. Я стараюсь регулярно читать свежие научные статьи, смотреть лекции, а иногда — просто пробовать что-то своими руками, на практике, чтобы лучше понять, как работает новый метод или инструмент.
- С чего начался Ваш научный путь?
— Мой научный путь начался с интереса к анализу данных. Уже в аспирантуре я понял, что мне гораздо ближе работа с конкретными данными, чем абстрактное моделирование в рамках экономической теории. Современная прикладная экономика — это, по сути, аналитика, требующая глубокого знания статистики и работы с данными.
Например, эконометрика — ключевое направление в экономике — изучает, как с помощью статистических методов выявлять причинно-следственные связи в реальных данных. С развитием технологий и ростом объёмов данных, особенно неструктурированных — текстов, изображений, видео — всё большую роль стало играть машинное обучение. При этом подходы в эконометрике и машинном обучении заметно отличаются. Эконометрика помогает понять почему что-то происходит — она ищет причинно-следственные связи. Машинное обучение, наоборот, нацелено на то, чтобы как можно точнее предсказать, что произойдёт, даже если мы не до конца понимаем, почему.
Мне стало интересно, можно ли объединить эти подходы. Так я пришёл к направлению, которое сейчас называют causal machine learning — извлечение причинно-следственных связей с помощью методов машинного обучения. Это быстро развивающаяся область, востребованная и в теоретической науке, и в практической деятельности, особенно в крупных технологических компаниях, где важно не просто видеть, что работает, но и понимать, почему.
- Что Вы можете посоветовать молодым людям, которые хотят развиваться в сфере экономической аналитики?
— Начинающим специалистам я бы посоветовал внимательно присмотреться к этому направлению, понять, что оно собой представляет. Оно находится на стыке экономики, статистики и компьютерных наук, и как раз на таких пересечениях сейчас рождаются самые интересные идеи. Также обязательно нужно развивать технические навыки: уметь работать в Python или R, знать инструменты для анализа данных, машинного обучения и ИИ — без этого сложно быть эффективным в современной аналитике.
- Поделитесь с нашими читателями впечатлениями от своей преподавательской деятельности!
— Мой преподавательский опыт пока не так обширен, как мне бы хотелось. В аспирантуре я вёл семинары и иногда подменял профессоров на лекциях. В целом, я получаю большое удовольствие от работы со студентами, особенно когда вижу искренний интерес с их стороны. Но, пожалуй, самое вдохновляющее — наблюдать прогресс. Когда студент сначала плохо ориентируется в теме, а к концу семестра уверенно решает сложные задачи — это невероятно радует и даёт ощущение, что твоя работа важна и полезна.
В будущем я бы хотел вернуться к преподаванию уже в роли практикующего профессора. Мне нравится делиться знаниями, которые я узнал и применил на практике — особенно в контексте анализа данных, причинно-следственного анализа, машинного обучения и искусственного интеллекта.
Я убеждён, что курсы, ориентированные на практику, — важнейший элемент современного образования. Они помогают студентам не просто «выучить» материал, а понять, как те или иные методы работают при решении реальных задачах, имеющих конкретные ограничения и нюансы. Подобный подход активно используется в ведущих вузах мира, и, к счастью, такие примеры появляются и в России — например, совместная программа РЭШ и ШАД.
- Планируете ли развивать свой личный бренд в сфере образования, консалтинга или коучинга?
— Это интересное для меня направление. Я не исключаю, что в будущем буду делиться опытом шире: возможно, через собственные или сторонние образовательные проекты, лекции, менторство или консалтинг. Главное — суметь сохранить баланс между преподаванием и основной профессиональной деятельностью.
- Как Вы считаете, насколько выражена наукоёмкость современных экономических и технологических процессов?
— Уровень наукоёмкости сегодня во многом зависит от конкретной индустрии. Если говорить про IT-сектор, то здесь он, безусловно, очень высок — и это касается не только гигантов вроде Meta, но и малого и среднего бизнеса. При этом приоритеты различаются: для небольших компаний в фокусе — быстрая аналитика и эффективная настройка баз данных, тогда как крупные технологические компании могут позволить себе инвестировать в фундаментальные научные разработки и создавать целые исследовательские отделы. Именно в таких командах и работают учёные с академическим бэкграундом, в том числе с учёными степенями — они не только применяют передовые методы, но и сами разрабатывают новые подходы прямо внутри компании.
За пределами IT тоже есть примеры наукоёмких отраслей. Финансовый сектор — особенно хедж-фонды — активно нанимает PhD-специалистов из числа физиков, прикладных математиков, статистиков и экономистов. Там они занимаются анализом больших массивов данных (Big Data), построением моделей прогнозирования и разработкой алгоритмических трейдинговых стратегий. В таких областях, как и в IT, научный подход играет критически важную роль.
В целом, граница между теоретической наукой и практической деятельностью всё больше размывается — особенно в технологическом секторе, где научный подход становится неотъемлемой частью повседневной работы. Более того, именно крупные IT-компании сегодня часто выступают главными двигателями научного прогресса.
Исследователи из таких компаний регулярно публикуются в сборниках ведущих научных конференций, таких как NeurIPS, ICML и ICLR, причём не только с прикладными разработками, но и с работами, которые вносят фундаментальный вклад в понимание архитектур, свойств и предельных возможностей современных моделей машинного обучения.
- С какими из наукоёмких процессов Вы непосредственно работали при реализации своих научных исследований?
— В Meta я занимался развитием одного из ключевых инструментов принятия решений — A/B-тестирования. Это мощный экспериментальный метод, позволяющий оценивать влияние изменений в продукте: например, влияет ли новый алгоритм ранжирования новостной ленты на активность пользователей. Такой подход требует не только инженерной инфраструктуры, но и точной статистической оценки эффектов, особенно если речь идёт о сложных сценариях взаимодействия между пользователями.
Моя работа заключалась в разработке новых методов, которые позволяют учитывать такие взаимные влияния и давать более точную оценку эффекта. Это особенно важно для крупных платформ, где даже небольшие отклонения в показателях могут привести к неэффективным решениям, неправильно выбранным стратегиям и, как следствие, в снижении эффективности и доходности проекта.
- Расскажите об одном из своих исследовательских проектов, который Вы считаете наиболее значимым и перспективным с практической точки зрения?
— Таким проектом я считаю мою работу над статьёй Causal Gradient Boosting: Boosted Instrumental Variable Regression. В ней мы разработали новый алгоритм в области causal machine learning (машинного обучения в области причинно-следственных связей), который объединяет силу современных бустинговых моделей с классическим методом инструментальных переменных.
Данный подход позволяет получать более надёжные оценки причинно-следственных связей в тех случаях, когда нельзя провести прямой эксперимент (А/В-тест), а классические методы машинного обучения дают неточные результаты из-за скрытых факторов.
Алгоритм не только устойчив к множеству нарушений классических предпосылок, но и хорошо масштабируется, что делает его применимым к большим и даже неструктурированным данным — например, текстовым или визуальным. Благодаря этому он может быть полезен в самых разных областях — от оценки эффективности образовательных программ до оптимизации рекламных механизмов в онлайн-сервисах. Работа была представлена на конференции Economics and Computation, а также на ведущих воркшопах по причинно-следственному анализу при NeurIPS, ICML и UAI.
- Вы занимаетесь не только исследовательской и аналитической работой, но также участвуете в семинарах и конференциях. Какие из них были наиболее интересны для Вас?
— Мне ближе не масштабные междисциплинарные конференции, а более камерные и сфокусированные мероприятия с чёткой тематикой. Крупные конференции, такие как NeurIPS или ICML, конечно, очень престижны, особенно в плане публикаций — они задают тренды и собирают тысячи участников. Но лично для меня, как для исследователя, также важна возможность глубокого диалога, обмена опытом и общения с людьми, которые работают над схожими задачами, а она характерна для нишевых мероприятий.
В последние пару лет таким местом стала для меня Conference on Digital Experimentation (CODE), которую ежегодно проводит MIT. Это отличная площадка, где встречаются ведущие исследователи в области A/B-тестирования и цифровых экспериментов — как из научной, так и из бизнес-сферы. Я дважды выступал там со статьями, написанными совместно с коллегами из Meta, и каждый раз это был очень продуктивный опыт. На CODE всегда можно получить качественную обратную связь и познакомиться с людьми, которые решают похожие задачи в других компаниях.
- На каких подобных мероприятиях Вас можно услышать в качестве спикера в ближайшее время?
— Пока не могу точно сказать, где и когда буду выступать в ближайшее время, но не исключаю, что снова приму участие в CODE — эта конференция остаётся одной из моих любимых.
- В какой форме Вы делитесь с профессиональным сообществом результатами своих исследований?
— В этом смысле я придерживаюсь классического академического пути: результаты своих исследований я оформляю в виде научных статей и представляю их на профильных конференциях и семинарах. Некоторые из моих работ были представлены на престижных международных мероприятиях и воркшопах, я получал приглашения сделать доклады по своим разработкам.
В частности, свою диссертацию я презентовал на закрытой конференции по машинному обучению в экономике и финансах, организованной Федеральной резервной системой Филадельфии. Кроме того, мне посчастливилось выступать на научных семинарах в университетах и исследовательских центрах, таких как РЭШ, Бостонский колледж, Эразмус, МакГилл и Университет Париж-Сакле.
- Возможно, Вы планируете издание книги, чтобы сделать Ваши разработки более доступными для заинтересованной аудитории?
— Такой идеи у меня пока не было, но я не исключаю, что в будущем займусь этим вопросом. Сейчас мне интересно получить как можно больше практического опыта, понять, какие подходы реально работают в прикладной среде, и только потом, возможно, оформить это знание в более обобщённом формате.
- Расскажите о Вашем опыте работы в Meta. Что Вас больше всего впечатлило в этой компании? Какие функции Вы выполняли в этой компании? Чему научились?
— В Meta я работал в центральной исследовательской команде, которая занимается разработкой и внедрением новых научных методов, помогающих улучшать продуктовые решения. Это не просто теоретическая работа — исследователь здесь сопровождает проект на всех этапах: от формулировки задачи и построения методологии до создания прототипа и его интеграции в реальный продукт.
Такой формат требует не только глубоких знаний в своей научной области, но и хороших инженерных и коммуникативных навыков: умения программировать, анализировать данные, работать с инфраструктурой и эффективно взаимодействовать с продуктовыми командами.
Меня особенно впечатлили масштаб и сложность внутренних систем компании — как с инженерной, так и с научной точки зрения. Доступ к огромным массивам данных открывает уникальные исследовательские возможности, но при этом требует учитывать огромное количество технических и организационных нюансов. Это делает работу одновременно очень интересной и по-настоящему сложной.
Кроме технических навыков, таких как написание ETL-пайплайнов и работа с базами данных и сложными инфраструктурами, я многому научился в плане коммуникации. В крупной корпорации ты постоянно взаимодействуешь с представителями разных команд — продукт-менеджерами, инженерами, аналитиками — и важно уметь объяснять даже самые сложные вещи понятным языком.
Особенно это важно, когда нужно аргументировать выбор методологии или описать ограничения подхода. Умение говорить на «двух языках» — научном и продуктово-прикладном — на мой взгляд, ключевой навык для успешной карьеры исследователя в технологической компании.
- Над какими проектами Вы работаете сейчас?
— Сейчас я продолжаю работать в области экспериментального анализа, и один из недавних проектов — статья Experimentation on Endogenous Graphs. В ней мы изучаем важную проблему: как изменения, вводимые в рамках A/B-теста, могут не только влиять на поведение пользователей, но и трансформировать саму структуру их взаимодействий.
Например, представим, что в социальной сети появляется новая функция, повышающая вовлечённость. Пользователи начинают чаще общаться: если раньше кто-то взаимодействовал с 10 людьми, то теперь — с 20. Это означает, что сама структура сети — то, кто с кем взаимодействует — становится переменной, зависящей от проводимого эксперимента. Это нарушает базовые предпосылки классического A/B-тестирования — в частности, независимость наблюдений и статичность структуры.
Существующие решения этой проблемы либо слишком ресурсоёмки (что ограничивает их применение в масштабных системах), либо делают слишком упрощающие допущения. В нашей работе мы предложили подход, который сохраняет баланс между точностью и практичностью, что делает его особенно полезным для применения в индустрии.
- Какие исследования Вы хотите осуществить в ближайшем будущем?
— Я планирую продолжить исследования на стыке экспериментального дизайна, причинно-следственного анализа, машинного обучения и ИИ. Особенно интересны задачи, где необходимо учитывать как прямые, так и косвенные эффекты.
Например, внедрение ИИ-инструмента может напрямую повлиять на пользовательский опыт, а косвенно — на инфраструктурные аспекты: увеличить нагрузку на серверы, повысить вычислительные издержки, связанные с обучением и эксплуатацией моделей, или изменить характер взаимодействия между пользователями и системой.
Разработка методов, позволяющих точно оценивать такие многоуровневые эффекты в условиях сложной и изменяющейся среды, — одна из ключевых задач, над которой мне бы хотелось работать дальше.
- В завершение поделитесь, пожалуйста, рассказом о своих увлечениях.
— В свободное время я увлекаюсь музыкой — играю на гитаре с 14 лет, а раньше, в начальной школе, занимался саксофоном. Он до сих пор хранится у родителей, и, возможно, после пары занятий я бы смог что-то вспомнить. Музыка для меня — способ отвлечься, перезагрузиться и справиться со стрессом, как и спорт.
Помимо музицирования, я сам сочиняю и записываю музыку. Этот процесс во многом напоминает научную работу. Сначала появляется какая-то идея — мелодия или рифф, а затем, методом проб и ошибок, ты пытаешься её развить: находишь гармонию, подбираешь ритм и ударные, которые органично дополняют основной мотив.
Это похоже на построение модели и эмпирическую проверку гипотезы — чтобы убедиться, что всё работает вместе и звучит так, как задумано. В последнее время также стал интересоваться звуковой инженерией — изучаю, как работает миксинг и мастеринг, осваиваю новые плагины, смотрю обучающие видео. Это целый новый мир, сочетающий творчество и техническую точность, и мне очень интересно развиваться в этом направлении.
— Эдвард, благодарим Вас за интересую беседу и желаем Вам дальнейших научных и творческих успехов!
Новые комментарии: