Чем занимается бизнес инженер

Данные — один из активов организации. Поэтому вполне вероятно, что перед вашей командой в какой-то момент могут возникнуть задачи, которые можно будет решить, используя эти данные разными способами, начиная с простых исследований и вплоть до применения алгоритмов машинного обучения.

И хоть построение крутой модели — неотъемлемо важная часть, но все же это не залог успеха в решении подобных задач. Качество модели в большой степени зависит от качества данных, которые собираются для нее. И если Data Science применяется не ради спортивного интереса, а для удовлетворения реальных потребностей компании, то на это качество можно повлиять на этапе сбора и обогащения данных. И за это отвечает скорее не дата-сайентист, а другой специалист — дата-инженер.

В этой статье я хочу рассказать о роли дата-инженера в проектах, связанных с построением моделей машинного обучения, о зоне его ответственности и влиянии на результат. Разбираемся на примере Яндекс.Денег.

Инженер: плюсы, минусы, зарплата

Какие роли есть в Data Science-проекте?

Существуют разные подходы к делению сфер ответственности в команде, которая занимается DS-проектами.

К сожалению, не для всех названий ролей есть аналоги в русском языке. Если у вас в компании есть устоявшееся русское название, например, для Data Ingest, то поделитесь им в комментариях.

Например, можно выделить следующие роли:

• Data Scientist — тот человек, который непосредственно делает модели машинного обучения,
• Data Ingest — отвечает за загрузку данных, разрабатывает ETL-пакеты,
• Data Steward — тот, кто следит за качеством этих данных,
• Data DevOps — примерно как девопс, но с упором на процессы, связанные с загрузкой и обработкой данных,
• Специалист в Information Security — отвечает за безопасность исследуемых данных, доступы, и т.д.
• и др.

Что такое Data Science-проект?

Это ситуация, когда мы пытаемся решить какую-то задачу при помощи данных. То есть во-первых, эта задача должна быть сформулирована. Например, один из наших проектов начался с того, что нам нужно было распознавать аварии в приеме платежей (далее распознавание аварий будет упоминаться как исходная задача).

Во-вторых, должен быть набор конкретных данных, датасет, на котором мы будем пытаться ее решать. Например, есть список операций. Из него можно построить график количества операций по каким-нибудь временным периодам, например, часам:

Сам график с количеством не требует дата-сайенса, но уже требует дата-инженерии.

Не будем забывать, что помимо простых показателей, таких как количество, показатели, которые нас интересуют, могут быть достаточно сложными в получении: например, количество уникальных пользователей или факт наличия аварии в магазине-партнере (который достоверно определять силами человеческого мониторинга весьма дорого).

При этом данных с самого начала может быть много либо их в какой-то момент внезапно становится много, а в реальной жизни — они еще и продолжают непрерывно копиться даже после того, как мы сформировали для анализа какой-то датасет.

Как, наверное, для любой проблемы сначала стоит посмотреть, есть ли на рынке готовые решения. И во многих случаях окажется, что они есть. Например, существуют системы, которые умеют детектить простои тем или иным способом. Однако та же Moira не справлялась полностью с нашими проблемами (из коробки она ориентируется на статические правила — которыми задать наши условия достаточно сложно). Поэтому мы решили писать классификатор самостоятельно.

И дальше в статье рассматриваются те случаи, когда нет готового решения, которое полностью бы удовлетворяло возникшим потребностям, или если даже оно есть, то мы не знаем о нем или оно нам недоступно.

В этот момент из инженерной области, где что-то разрабатываем, мы переходим в RnD-область, где пытаемся изобрести алгоритм или механизм, который будет работать на наших данных.

Порядок действий в DS-проекте

Давайте посмотрим, как это выглядит в реальной жизни. Дата-сайентический проект состоит из следующих этапов:

1. сбор датасета — в нашем примере это извлечение из источников истории операций,
2. формулировка проблемы с позиции Data Science, определить тип задачи — классификации, регрессии или что-то другое,
3. выбор модели, ее подготовка, построение и обучение,
4. оценка результатов, скоринг модели — нужно выяснить, насколько хорошо она определяет аварийные ситуации, или не определяет вовсе, или только в некоторых случаях,
5. обратная связь.

В проектах, которыми мы занимались, один такой круг занимал по времени около 1,5-2 недель.

Дата-сайентист точно участвует на этапе построения модели и при оценке результата. Все остальные этапы чаще ложатся на плечи дата-инженера.

Теперь рассмотрим этот процесс подробнее.

Сбор датасета

Как мы сказали, без набора данных бессмысленно начинать любой Data Science. Давайте посмотрим, из каких данных получился график с количеством платежей.

В нашей компании применяется микросервисная архитектура, и в ней для дата-инженера наиболее важный момент, что нужные данные еще нигде не собраны воедино. Каждый микросервис льет свои события в брокер, в нашем случае Kafka, ETL оттуда их забирает, кладет в DWH, откуда их забирают модели.

Каждый микросервис знает только свой кусочек: один компонент знает про авторизацию, другой — про реквизиты и так далее. Задача дата-инженера — эти данные собрать в одном месте и объединить их друг с другом, чтобы получился необходимый датасет.

В реальной жизни микросервисы появились неспроста: такой атомарной операции, как платеж, не существует. У нас даже есть такое внутреннее понятие, как процесс платежа — последовательность операций для его выполнения. Например, в эту последовательность могут входить следующие операции:

1. авторизация в личном кабинете,
2. сбор реквизитов,
3. авторизация карты,
4. зачисление денег в систему,
5. перевод на счет получателя,
6. уведомление получателя,
7. клиринг и т.д.

Действия могут быть как явно существующими в этом процессе, так и суррогатными (расчетными).

И в нашем примере мы решили, что нам будет достаточно знать два следующих шага:

• сбор реквизитов (когда человек хочет за что-то заплатить, заходит на форму и вводит реквизиты карты/кошелька),
• уведомление получателя о том, что платеж успешно прошел (это значит, что перевод на счет/зачисление денег и авторизация прошли благополучно).

На этом этапе собранные данные уже могут представлять ценность не только для главной задачи. В нашем примере уже здесь без применения ML можно брать количество процессов, прошедших каждый из этих шагов, поделить друг на друга и рассчитывать таким образом success rate.

Но если вернуться к главной задаче, то после того, как мы решили выделить эти два события, следует научиться извлекать данные из этих событий и куда-то их складывать.

На этом этапе важно помнить, что большинство моделей классификаций на входе принимает матрицу признаков (набор m чисел и n столбцов). А события, которые мы получаем, например, из Kafka, — это текст, а не числа, и из этого текста матрицу не составишь. Поэтому изначально текстовые записи нужно преобразовать в числовые значения.

Составление корректного датасета состоит из следующих этапов:

• интеграция,
• очистка,
• разметка,
• расчет фич,
• актуализация.

1. Нужно прочитать все данные — топики, в которых содержится то, из чего мы будем составлять датасет. В зависимости от архитектуры приложений одно и то же событие может записываться в брокер событий по-разному: at-least-once, exactly-once (at-most-once не рассматриваем, так как строить аналитику на таких данных не слишком надежно). Так вот в случае at least once залитые в Kafka данные требуется отфильтровать (например, избавиться от дублей одной записи) и оставить только те события, которые реально нужно рассматривать.
2. Если разные части нашего будущего датасета пишутся в разные топики, то данные, прочитанные из разных топиков, следует объединить между собой. Часто для этого нужно, чтобы в записях разных топиков были общий идентификатор.
3. Из текстовых данных нужно получить числовые значения, которые в последующем мы будем анализировать.

Например, в поле «дата» появился платеж 1970 года, и такую запись, скорее всего, не следует учитывать (если мы в принципе хотим использовать время как признак).

Это можно делать разными способами. Например, полностью исключить строки с неправильными значениями. Это хорошо работает, но могут потеряться остальные данные из этих строк, хотя они могут быть вполне полезными. Или, другой вариант — сделать что-то с неправильными значениями, не трогая остальные поля в этой строчке.

Например, заменить на среднее или мат. ожидание по этому полю или вовсе обнулить. В каждом случае принять решение должен человек (дата-сайентист или дата-инженер).

Следующий шаг — разметка. Это тот момент, когда мы помечаем аварии как «аварии». Очень часто это самый дорогостоящий этап в сборе датасета.

Предполагается, что изначально мы знаем откуда-нибудь про аварии. Например, операции идут, затем их количество резко падает (как на картинке выше), а потом они восстанавливаются снова, и кто-то нам говорит: «Вот там и была авария». А дальше нам хочется автоматически находить идентичные кейсы.

Интереснее ситуация, когда операции прекращаются не полностью, а только частично (количество операций не падает до нуля). В этом суть детектинга — отслеживать изменение структуры исследуемых данных, а не их полное отсутствие.

Возможные неточности разметки приводят к тому, что классификатор будет ошибаться. Почему? Например, у нас есть две аварии, а размечена только одна из них. Соответственно, вторую аварию классификатор будет воспринимать как нормальное поведение и не рассматривать как аварию.

В нашем случае мы специально собираем вручную историю аварий, которую потом мы используем в разметке.

В итоге после серий экспериментов одним из решений задачи поиска простоев получился следующий алгоритм:

1. Определяются граничные условия: минимальный размер выборки для расчета срезов, минимальная история, которую принимаем во внимание, коэффициент для расчета критической задержки (λ), а также трешолды для расчета аномальных значений.
2. Определяется размер окна: каждый час истории операций берется с временным окном, размер которого увеличивается, пока не наберется достаточное число платежей.
3. Накопив данные за нужный период, рассчитываем количество платежей в каждом окне за эту историю, и выполняем фильтрацию аномальных значений в рамках срезов: если значение, полученное в текущем окне, сильно отклоняется от медианы предыдущих значений, то считаем значение аномальным.
4. Для каждого ряда рассчитываем критическую задержку — например, как величину окна, деленную на медиану + стандартное отклонение по неаномальным значениям, взятое с коэффициентом (λ).

И не стоит забывать про последний пункт — актуализацию данных. Особенно если проект длинный, готовится несколько недель или месяцев, датасет может устареть. И важно, когда весь пайплайн готов, обновить информацию — выгрузить данные за новый период. Именно в этот момент становится важна роль дата-инженера как автоматизатора, чтобы все предыдущие шаги можно было дешево повторить на новых данных.

Только после этого дата-инженер передает эстафету (вместе с датасетом) дата-сайентисту.

А дальше.

Что же делает дата-сайентист?

Предполагаем, что проблема у нас сформулирована, дальше дата-сайентисту ее нужно решить.

В этой статье я не буду детально затрагивать вопрос выбора модели. Но для тех, кто только начинает работать с ML, отмечу, что есть множество подходов к выбору модели.

Например, такие:

1. Применить экспертные знания — это тот случай, когда вы знаете, какая модель в каком случае работает. Например, если у вас антифрод, то скорее всего вам нужна какая-то из моделей классификации. А если рекомендательная система, то применить коллаборативную фильтрацию. Если таких знаний нет, то можно пойти куда-нибудь, где эти модели перечислены (см. следующий пункт).
2. Например, на machinelearing.ru есть целый список моделей с описанием того, что они делают и какие данные им нужны на вход. Описания разной степени сложности (где-то можно почитать и понять с первого раза, а где-то с пятого). Помимо общего описания модели важно извлечь из такой документации, как исходные данные должны выглядеть и в каком виде модель дает ответ. Если вы, например, строите регрессию и вам нужно на выходе число, то понятно, что бинарная классификация вряд ли поможет.
3. Если таким способом построить гипотезу не удалось — стоит поискать опыт других компаний, кто что недавно в этой области делал (например, прочитать статьи или узнать эту информацию на конференциях/митапах).
4. Ну а если все предыдущие шаги не сработали — можно думать про разработку собственного алгоритма.

Если путем настройки гиперпараметров дата-сайентисту не удалось добиться хорошего качества работы выбранной модели, то нужно выбрать другую модель либо обогатить датасет новыми фичами — значит, требуется пойти на следующий круг и вернуться на этап расчета фич или еще раньше — на этап сбора данных. Угадайте, кто это будет делать?

Предположим, что модель выбрана, отскорена, дата-инженеры оценивают результат и получают обратную связь. Заканчивается ли на этом их работа? Конечно, нет. Приведем примеры.

Сначала немного лирического отступления. Когда я учился в школе, учительница любила спрашивать:
— А если все спрыгнут с крыши, ты тоже спрыгнешь?
Спустя какое-то время я узнал, что для этой фразы есть стандартный ответ:
— Ну… вам же никто не мешает говорить фразу, которую все говорят.

Однако после изобретения машинного обучения ответ может стать более предсказуемым:

— А если все спрыгнут с крыши, ты тоже спрыгнешь?
[изобретено машинное обучение]
— Да!

Такая проблема возникает, когда модель ловит не ту зависимость, которая существует в реальной жизни, а ту, которая характерна только для собранных данных.

Причина, по которой модель ловит не те зависимости, которые есть в реальной жизни, могут быть связаны с переобучением либо со смещением в анализируемых данных.
И если с переобучением дата-сайентист может побороться самостоятельно, то задача дата-инженера в том, чтобы найти и подготовить данные без смещения.

Но кроме смещения и переобучения могут возникнуть и другие проблемы.

Например, когда после сбора данных мы пытаемся на них обучиться, а потом выясняется, что один из магазинов (где проходят платежи), выглядит вот так:

Вот такие у него операции, и все другие наши размышления про падения количества операций, как признака аварии, просто бессмысленны, так как в данном примере есть периоды, где платежей нет совсем. И это нормальный период, тут нет ничего страшного. Что это для нас означает? Это как раз и есть тот случай, когда указанный выше алгоритм не работает.

На практике это частенько означает, что следует перейти к другой проблеме — не той, что мы изначально пытались решать. Например, что-то сделать до того момента, как мы начинаем искать аварии. В рассматриваемой задаче пришлось сначала привести кластеризацию магазинов по профилю: часто платящие, редко платящие, редко платящие со специфическим профилем и другие, но это уже другая история. Но важно, что это, в первую очередь, тоже задача для дата-инженера.

В итоге

Основной вывод, который можно сделать из рассказанного выше, что в реальных ML-проектах дата-инженер играет одну из важных ролей, а возможностей по решению бизнес-задач у него зачастую даже больше, чем у дата-сайентиста.

Если сейчас вы разработчик и хотите развиваться в направлении машинного обучения, то не сосредотачивайтесь исключительно на дата-сайенсе и обратите внимание на дата-инженерию.

• дата-инженер
• машинное обучение
• e-commerce

• Блог компании ЮMoney
• Big Data
• Машинное обучение
• Карьера в IT-индустрии
• Data Engineering

Источник: habr.com

Чем занимается бизнес инженер

Современность
Система Бизнес-инженер является наиболее современным средством бизнес-моделирования и управления эффективностью бизнеса. Несмотря на то, что первая версия продукта вышла в 2003 году — она обладала небольшой функциональностью, которая в настоящий момент соответствует части функциональности Базового модуля. Новая и основная функциональность системы, представленная модулями График-студио, Кокпиты, HTML-навигатор, Сервер и График-студио Малыш, была разработана в 2008-2010 годах с учетом всех преимуществ и недостатков распространенных зарубежных и отечественных систем бизнес-моделирования.

Простота и Легкость
Простота и легкость освоения продукта и интуитивно-понятный интерфейс делают систему Бизнес-инженер доступной даже для начинающих специалистов.

Быстрота и Производительность
Высокая мобильность и производительность продукта позволяют уменьшить время и трудозатраты на применение системы.

Табличное и Графическое моделирование
Система позволяет разрабатывать бизнес-модели двумя взаимосвязанными способами: графическим и табличным, позволяет создавать многоуровневые графические модели, а также эффективно поддерживает технологии быстрого описания бизнес-процессов — БОП.

Модульность и Оптимальная цена
Бизнес-инженер — модульная система, что позволяет приобрести индивидуально необходимый набор инструментов для реализации поставленных задач, не переплачивая за ненужный функционал (см. Программные продукты и модули системы).

Широта методологии
Типовая конфигурация системы позволяет моделировать большое количество элементов организации, включает 12 нотаций процессного описания, а также поддерживает разнообразные методики бизнес-моделирования и анализа.

Конвертация графических диаграмм
Бизнес-инженер содержит уникальную разработку — конвертер графических диаграмм. Конвертер позволяет в автоматическом режиме преобразовать графические диаграммы различных методологий и нотаций процессного описания из одного вида в другой. А также возможна конвертация и импорт графических диаграмм продуктов бизнес-моделирования Microsoft Visio, Business Studio и ARIS.

Гибкость и возможности Конструктора
Система Бизнес-инженер из себя представляет несложный конструктор для создания и настройки конфигурации модели. С помощью этого конструктора можно просто и быстро создавать новые классификаторы и матрицы, атрибуты и типы данных, кокпит-таблицы и хранилища данных, График-студио диаграммы, иерархические диаграммы и кокпит-диаграммы, шаблоны отчетов и регламентов, а также разделы меню и иконки.

Моделирование для «Чайников» Распространяется бесплатно.
Система Бизнес-инженер обеспечивает бизнес-моделирование для «чайников» благодаря модулю График-студио Малыш, который является упрощенной версией модуля График-студио и может применяться как самостоятельный программный продукт. Также Малыш обеспечивает эффективную групповую распределенную работу по разработке локальных графических бизнес-моделей.

«On-line»-моделирование
Быстрота и производительность позволяют эффективно применять продукт в «On-line»-режиме, например во время проведения групповых рабочих сессий, в ходе которых результаты работы группы оперативно вносятся в систему Бизнес-инженер и с помощью проектора отображаются на экране.

Многопользовательская работа
Система Бизнес-инженер благодаря модулю Бизнес-инженер Сервер поддерживает многопользовательскую работу по созданию единой комплексной бизнес-модели организации. Система обеспечивает удобное и несложное администрирование прав доступа различных пользователей.

Удаленная работа через Интернет
Благодаря модулю Бизнес-инженер Сервер также поддерживается удаленная работа через сеть Интернет. Трафик между различными пользователями и Интернет-сервером минимален, что позволяет производительно работать даже при низкой скорости и стабильности Интернет-связи.

«Off-line»-работа
Благодаря модулю Бизнес-инженер Сервер имеется возможность локальной (в режиме «Off-line») работы над проектами нескольким пользователям с последующим совмещением изменений на удаленном сервере.

Референтные модели
В состав продукта входят 16 референтных бизнес-моделей и библиотек типовых бизнес-процессов , что облегчает внедрение и повышает эффективность применения системы. Помимо этого на информационном портале Betec.Ru размещены десятки других бизнес-моделей и процессов организаций, перечень которых регулярно пополняется новыми примерами. Любой пользователь свободно может скачать их и поместить в локальный репозиторий системы Бизнес-инженер.

Использование Microsoft Visio
Разработка графических диаграмм в системе Бизнес-инженер ведется в модуле График-студио, который использует функциональные возможности редактора деловой графики Microsoft Visio.

Автономность
Все модули системы, за исключением модуля графического моделирования График-студио, могут работать автономно и не требуют установки на компьютер пользователя редактора деловой графики Microsoft Visio.

Источник: plansys.ru

Профессия: Инженер

Придумал, спроектировал, испытал — заработало! Сегодня рассказываем о профессии инженера, какие они бывают, сколько зарабатывают и что нужно делать, чтобы стать инженером. Читая статью, вы сможете оценить, интересно ли вам будет работать инженером.

Описание профессии

Инженер – это специалист-изобретатель, который создает или совершенствует технические механизмы. Профессия насчитывает уже несколько сотен и даже тысяч лет. К величайшим известным инженерам относятся Архимед, Леонардо да Винчи, Никола Тесла, Генри Форд, Сергей Королев, Илон Маск, и череда гениальных технарей никогда не иссякнет.

Популярные направления и специализации
Специалисты инженерных профессий работают в машиностроении, добыче нефти и газа, строительстве, на всех типах производства. Они задействованы на каждом этапе создания продукта. Поэтому есть специалисты, которые проектируют, те, что налаживают производство деталей. Есть инженеры, которые следят за безопасностью, и те, кто обслуживает созданную технику.

✔ Инженер-конструктор — специалист, который проектирует схемы деталей и механизмов, а также участвует в процессе их производства, сборки и тестирования.
✔ Инженер-проектировщик — проектирует целые строительные объекты или отдельные системы коммуникации (например, водоснабжение, отопление, телефония и интернет, электрификация объектов).
✔ Инженер-испытатель — технический специалист, который проводит испытания новых машин, техники, оборудования или отдельных компонентов и дает рекомендации по доработке изделия.
✔ Инженер-строитель — специалист, который занимается проектированием, возведением и ремонтом зданий и сооружений, мостов и дорог, а также планированием, организацией и координированием строительных работ.
✔ Инженер-робототехник, мехатроник — разрабатывает архитектуру и вводит в эксплуатацию роботов, приборы и сложные робототехнические системы.
✔ Инженер-технолог — специалист, который организует производственный процесс.
✔ Инженер-энергетик — занимается проектированием и эксплуатацией систем теплового и энергетического обеспечения.
✔ Инженер в сфере телекоммуникаций — проектирует станции и узлы связи, сети передачи данных.
✔ Сервисный инженер — специалист, который занимается установкой, обслуживанием и ремонтом механизмов.

Профессия «инженер» становится синонимом «технического специалиста», поэтому среди инженерных специальностей есть и инженеры-химики, инженеры по бурению, инженеры по безопасности, QA-инженеры (тестировщики программного обеспечения). Более полную подборку и описание инженерных профессий вы найдете в разделе Профессии >>

Знаете ли вы , что самый богатый человек в мире, глава Amazon Джефф Безос, по образованию инженер? Он закончил Принстонский университет по специальности «Электроинженерия и компьютерные технологии». В 2000 году Безос даже основал частную аэрокосмическую компанию Blue Origin, которая может похвастаться успешными тестовыми запусками корабля New Shepard.

Плюсы и минусы профессии

Профессия инженера — это творческая и социально значимая профессия, но в ней есть как плюсы, так и минусы.

+ Уважаемая профессия. Строить дома и создавать прогрессивные механизмы всегда было нужно, полезно и престижно.
+ Результаты работы видны сразу. Даже если цикл производства занимает некоторое время, инженер увидит результат и услышит отзывы.
+ Всегда актуальная профессия. В отрасли всегда ощущается дефицит кадров, поэтому работа есть и для молодых и для опытный специалистов.

Какими качествами должен обладать инженер

Работа инженера требует, в первую очередь, креативности, потому что его задача — увидеть проблему и создать устройство, примерный образ которого существует пока только в голове. Инженер должен в совершенстве владеть как карандашом и линейкой, так и современными программами для проектирования — ArchiCad, КОМПАС-3D.

Что еще ему пригодится в работе?
✎ Пространственное мышление
✎ Креативность
✎ Логика
✎ Ответственность
✎ Усидчивость
✎ Обучаемость

Где учиться

• Техника и технологии строительства (08.00.00)
• Электроника, радиотехника и системы связи (11.00.00)
• Фотоника, приборостроение, оптические и биотехнические системы и технологии (12.00.00)
• Электро- и теплоэнергетика (13.00.00)
• Ядерная энергетика и технологии (14.00.00)
• Машиностроение (15.00.00)
• Физико-технические науки и технологии (16.00.00)
• Оружие и системы вооружения (17.00.00)
• Техника и технологии наземного транспорта (23.00.00)
• Авиационная и ракетно-космическая техника (24.00.00)
• Аэронавигация и эксплуатация авиационной и ракетно-космической техники (25.00.00)
• Техника и технологии кораблестроения и водного транспорта (26.00.00)
• Управление в технических системах (27.00.00)
• Нанотехнологии и наноматериалы (28.00.00)
• Технологии легкой промышленности (29.00.00)

• МФТИ (Московский физико-технологический институт)
• МГТУ им. Баумана (Московский государственный технический университет им. Н.Э. Баумана)
• НИТУ МИСиС (Национальный исследовательский технологический университет «МИСиС»)
• НИУ МГСУ (Московский государственный строительный университет)
• МИРЭА (Российский технологический университет)
• МАИ (Московский авиационный институт)

Где работать инженеру

✔ Корпорации — Росатом, Роснефть, Газпром
✔ Компании-производители самолетов, автомобилей, спецтехники
✔ Военная промышленность
✔ Пищевые, химические, текстильные производства
✔ Строительные компании
✔ или открыть свою компанию по ремонту техники

Средняя заработная плата и востребованность

Оплата труда инженеров зависит от должности — руководитель инженерной группы, ведущий инженер-конструктор получают больше 100 тысяч. Имеет значение и востребованность сферы, в которой трудится инженер. Самыми денежными и перспективными остаются строительство и нефтегазовая сфера.

Диапазон зарплат инженера:
✔ 45 000 – 220 000 рублей

Что делать уже сейчас

Если вы хотите разрабатывать медицинских роботов, собирать автомобили, проектировать аэропорты или обслуживать ракетные пусковые установки, то можно приблизиться к профессии уже сейчас:
✎ Углубленно изучать математику, физику и практиковаться в черчении и рисунке.
✎ Найти в вашем городе и регионе детско-юношеские центры, технопарки, центры молодежного инновационного творчества (ЦМИТы), фаблабы, где есть занятия инженерно-технического направления.
✎ Посетить Информационно-техническое направление на Городских Профканикулах в нашем Центре. Полное погружение в мир профессий данной сферы.
✎ Участвовать в конкурсах и инженерных олимпиадах, например, Всероссийской робототехнической олимпиаде, конкурсе «Реактор», Всероссийском конкурсе научных работ школьников Юниор по инженерным наукам, соревнованиях JuniorSkills Russia.
✎ Записаться на «университетские субботы школьника» — бесплатные лекции в университетах, в том числе по техническим специальностям (идут в МАДИ, НИУ ВШЭ, МГТУ им.Н.Э.Баумана, МГСУ, МИФИ и др.).

Желаем вам самореализации в инженерных специальностях и не только.

Если вы хотите получать наши свежие статьи о профессиях, подпишитесь на нашу рассылку.

Источник: proforientator.ru