Ученый в мире технологий: как исследователь меняет продукты в Meta*

Исследователь в Meta* работает на пересечении науки и продукта. Основная задача — разрабатывать и внедрять новые научные методы, которые позволяют принимать более обоснованные решения и в конечном счете улучшают пользовательский опыт или бизнес-показатели.

Работа начинается с понимания бизнес-проблемы: не просто предложить интересную с научной точки зрения идею, а убедиться, что она релевантна для компании и имеет потенциал быть внедренной.

Поэтому исследователь участвует на всех этапах — от формулировки задачи и выбора подхода до построения прототипа и сопровождения интеграции в продукт. Такой подход требует не только научной и технической экспертизы, но и умения взаимодействовать с продуктовыми и инженерными командами. Именно тесная работа с ними реально влияет на продукт.

Какие отличия вы заметили между научной работой в академии и в Big Tech?

Самое заметное отличие — это целеполагание. В академии главной целью является публикация: исследование должно быть теоретически выверенным, обладать новизной и признанным научным сообществом. Это требует времени и часто означает, что ты постоянно возвращаешься к одному и тому же проекту, вносишь правки, отвечаешь рецензентам. В индустрии акцент смещается на скорость и практическую ценность: задача — разработать решение, которое внедрят в продукт и получат пользу.

При этом требования к качеству и глубине остаются высокими, но на первый план выходят масштабируемость, вычислительная эффективность и интеграция в реальные системы. Вместо долгого цикла «исследование — публикация» быстро проверяешь гипотезы, видишь результат своей работы в продукте и сразу переходишь к следующей задаче. Такая динамика мне ближе: она поддерживает высокую мотивацию и создает ощущение постоянного прогресса.

Насколько важно уметь сотрудничать с инженерными и бизнес-командами?

Если коротко, то очень важно — от этого зависит, будет ли научная разработка внедрена и принесет ли реальную пользу. Инженеры отвечают за интеграцию решений в продакшн, а бизнес-команды оценивают практическую ценность продукта. Даже лучшее решение окажется бесполезным, если его сложно внедрить или оно не отвечает бизнес-потребностям. Поэтому важно договариваться о целях и формате работы еще до начала активной фазы проекта.

Многое зависит и от организационной структуры. В вертикальных командах ученые встроены в продуктовую вертикаль — коммуникация проще, но зона охвата уже. В горизонтальных исследователи работают с разными продуктами, активнее взаимодействуют и договариваются с разными стейкхолдерами.

Вы много работаете с причинно-следственным анализом. Как объяснить неспециалисту, зачем бизнесу вообще нужны причинные связи, а не просто корреляции?

Понимание причинно-следственных связей — это основа для принятия правильных бизнес-решений. Корреляция говорит нам, что два события происходят вместе, но не объясняет почему. Например, рост продаж может совпасть с запуском рекламы — но это не обязательно значит, что реклама сработала. Может быть, в это время изменились цены, начался сезонный всплеск спроса или сработало сарафанное радио.

Если принимать решения только на основе корреляций, мы рискуем инвестировать в то, что не приносит результата. Причинно-следственный анализ показывает:действительно ли наше действие вызвало желаемый эффект? Это дает возможность инвестировать в то, что работает, оптимизировать расходы и увереннее управлять продуктами и стратегиями.

Когда мы говорим о научной строгости при принятии решений в индустрии, невозможно не затронуть А/В-тесты. Какую роль они играют в больших IT-компаниях?

A/B-тесты играют ключевую роль в принятии решений в больших IT-компаниях. Это один из самых надежных способов понять, действительно ли то или иное изменение — будь то новая функция, дизайн или алгоритм — приносит пользу пользователям и бизнесу.

Суть метода проста: пользователей случайным образом делят на две группы. Одна группа получает новое изменение, вторая остается с текущей версией. Сравнивая поведение этих групп, выявляют, влияет ли нововведение на ключевые метрики — например, на вовлеченность или выручку.

В больших технологических компаниях A/B-тесты ценят за понятность и масштабируемость. Для них выстраивают мощные внутренние инфраструктуры, позволяющие запускать сотни, а порой и тысячи экспериментов параллельно. Кроме того, результаты A/B-тестов легко объяснить как инженерам, так и бизнес-командам, поэтому инструмент универсальный и практически незаменимый в продуктовой разработке.

Можно ли привести пример, когда результат А/В-теста шел вразрез с ожиданиями команды?

Такие ситуации бывают, хотя и нечасто. Перед запуском A/B-теста команды тщательно готовятся: анализируют исторические данные, строят прогнозы, чтобы отобрать самые перспективные идеи. Поэтому кардинальные расхождения с ожиданиями — скорее, редкость.

Более распространенный сценарий — когда команда рассчитывает на эффект определенной величины, а по итогам A/B теста он заметно слабее или вовсе нейтральный. Это происходит по разным причинам: от ошибок в методологии до технических сбоев на этапе запуска.

Тогда мы проверяем данные, настройку теста, анализируем поведение пользователей. Иногда это помогает найти ошибки и скорректировать эксперимент, а иногда — дает понять, что идея не сработала и нужно искать другой подход.

Насколько сложно применять такие методы в условиях огромных данных и сложных взаимодействий между пользователями?

Работать с экспериментами в таких условиях — это всегда вызов. Классические методы A/B-тестирования хорошо работают в «идеальном» мире, где пользователи не влияют друг на друга. Но, например, в социальных сетях все иначе: люди активно взаимодействуют, делятся контентом, и любое изменение затрагивает не только отдельного пользователя, но и всю его сеть. Данные эффекты взаимодействия искажают результаты эксперимента, если их не учитывать.

Есть и другая сложность: по мере развития продукта становится труднее добиться заметных улучшений. Например, очередная версия модели ранжирования контента в ленте может давать прирост в доли процента, что отражается в очень слабом сигнале на бизнес-метриках. Стандартные методы часто не способны зафиксировать такие слабые сигналы. Поэтому применяются более продвинутые подходы, которые выявляют даже минимальные, но устойчивые эффекты.

И не стоит забывать про вычислительные ограничения. Многие сложные методы требуют больших вычислительных затрат. Однако в продакшене критически важно находить баланс между точностью оценки и вычислительной эффективностью. В своей работе мы много внимания уделяли тому, чтобы разрабатываемые решения были масштабируемыми и эффективными — это критично для любой большой компании.

Можете привести примеры своих разработок, которые помогли Meta* улучшить А/В-тестинг?

Одной из моих центральных задач в Meta* была разработка методов, которые учитывают эффекты взаимного влияния пользователей друг на друга и позволяют получать более достоверные оценки.

Один из ярких примеров — методология анализа экспериментов с биграфной интерференцией (bipartite experiments), где нарушаются классические предпосылки A/B-тестов из-за связей между разными типами агентов — например, пользователями и рекламодателями.

Также мы создали систему контроля вычислительных затрат при тестировании эффективности моделей ранжирования рекламы, чтобы оптимизировать ресурсы и повысить точность оценки моделей. Оба решения быстро нашли практическое применение в продуктах Meta*.

Судя по всему, для вас важно, чтобы исследования не оставались «на полке», а приносили практическую пользу. А как вы сами видите будущее роли исследователя в индустрии?

Несмотря на то, что научные разработки в индустрии нацелены прежде всего на практическое применение, многие исследования носят по-настоящему фундаментальный характер. Большие технологические компании работают над масштабными проектами, которые длятся годами и требуют серьезных теоретических исследований до внедрения какой-нибудь революционной технологии в продукт.

Мы наблюдаем это на примере стремительного развития машинного обучения и искусственного интеллекта. Причем именно индустрия сегодня — главный драйвер теоретических инноваций. Исследователи из крупных IT-компаний регулярно публикуются в ведущих научных конференциях, таких как NeurIPS, ICML, ICLR. И речь там идет не только о прикладных решениях, но и о фундаментальных работах, которые углубляют понимание архитектур, свойств и предельных возможностей моделей.

По мере стирания границы между академической наукой и индустриальными исследованиями в области машинного обучения и ИИ роль исследователя в индустрии будет расти — именно как важнейшего участника, формирующего будущее этих областей.

Что бы вы посоветовали тем, кто сейчас работает в академии, но задумывается о переходе в индустрию?

Я бы посоветовал развивать инженерные навыки. В академии часто достаточно глубокого понимания теории, но в индустрии важно уметь реализовать идеи на практике. Исследователь в большой IT-компании должен быть не только экспертом в своей области, но и уверенно работать с кодом, понимать, как устроены базы данных, архитектуры систем и процессы интеграции.

В индустрии вы работаете прежде всего на бизнес. Критерий успешности — это практическая ценность решений, а не количество научных публикаций. Поэтому приходится учитывать не только научный интерес проекта, но и его потенциальное влияние на продукт или бизнес-метрики. Такой подход помогает выбирать направления, которые действительно принесут пользу, а ваши идеи — дойдут до внедрения и создадут реальный эффект.

А если наоборот — инженер или аналитик хочет двигаться в сторону более исследовательских задач, с чего начать?

Если хотите двигаться в сторону более исследовательских задач, разберитесь, в какой научной области хотите развиваться. Затем начните с базовой теории. Например, если вы backend-инженер и хотите разрабатывать модели машинного обучения (МО), изучите статистику и основы МО. Без теоретической базы невозможно стать по-настоящему эффективным в этой сфере.

При этом ваш инженерный опыт — большое преимущество. Понимание системной архитектуры и процессов продакшн-внедрения поможет быстрее освоить практическую сторону работы с моделями. Хороший старт — участие в совместных проектах с МО-инженерами или исследователями, чтобы увидеть, как теория применяется на практике, и постепенно наращивать исследовательскую экспертизу.

И напоследок — лично для вас: что в этой работе дает ощущение смысла?

Больше всего мне в этой работе нравится сочетание высокого темпа и прикладного характера задач. В индустрии научные идеи не остаются на бумаге — они быстро находят применение в реальных продуктах. Это дает ощущение реального влияния: ты видишь, как твоя работа улучшает пользовательский опыт или бизнес-показатели.

А динамика процесса создает постоянное ощущение движения вперед — как только один проект завершен и начал приносить пользу, ты переходишь к следующей задаче. Именно это чувство прогресса и практической пользы придает моей работе смысл.

***

Работа исследователя в технологической компании — это не оторванная от реальности наука, а способ влиять на продукт, бизнес и жизнь миллионов пользователей.

Интервью с Эдвардом Бахитовым показало: фундаментальные знания и научный подход остаются актуальными даже в мире, где все решает скорость. Но именно на стыке глубокой экспертизы, инженерных навыков и понимания бизнеса рождаются решения, которые действительно меняют индустрию.