Як я вирішив запустити благодійний ІТ-курс і що з цього вийшло
Я почав працювати над курсом Machine Learning in Production ще до вторгнення. А після 24 лютого був натхненний зробити і свій внесок у підтримку українців. Свій курс я запустив у 2022-му, але якщо усі оплати стають донатами. А восени 2023-го стартує вже третій набір, і вже втретє з благодійною метою: усі кошти за навчання спрямовують на підтримку критичних потреб бійців одного з полків ССО України через благодійний фонд Projector. Зараз я розповім, як виникла така ідея, з якими труднощами я стикався під час організації курсу і якими були результати.
Про ідею із запуском благодійного курсу
Тривалий час я не мав можливості буквально зробити цей курс. Останні лекції дописував у лютому 2022 року, а старт навчання мав бути у квітні. Однак почалося повномасштабне вторгнення, і, звісно, процес став на паузу. Влітку я повернувся до Projector із пропозицією запустити курс за донат. Ідея зробити це за благодійні внески видалася мені цінною та цікавою.
Наразі ми провели два успішні набори. На кожному навчалися приблизно 18-20 людей. Орієнтовно 80% студентів відвідували заняття від початку до кінця курсу. На першому наборі ми зібрали незначну суму, а от на другому вийшло накопичити набагато більше — його повноцінну вартість.
Про прогрес студентів
На мій погляд, прогрес доволі значний. Під час першого набору я все ще налаштовував певні робочі процеси, а на другому навчання відбувалося набагато жвавіше. До нас прийшли двоє overqualified-студентів, які розумілися на матеріалі, але хотіли освіжити знання. Іншим двом студентам курсу було дуже важко, тож вони не закінчили навчання.
Решта — це sweet spot. Вони знали деякі теми, однак їх було недостатньо, щоб працювати повноцінно, тож саме такі студенти відчутно запрогресували. Цей курс допоможе зрости тим, хто не розбирається в інжинірингу, але працює в data science і знається на інжинірингу, але шукає способи вдосконалити навички роботи у сфері data science.
Підписуйтеся на наші соцмережі
Про організацію курсу
Інколи викладання відчувалось як друга робота: у суботу виділяв три-чотири години на вебінар, по годині на день для перевірки домашніх завдань та до п’яти-шести годин на тиждень на підготовку до вебінару.
Я намагався створити середовище, максимально схоже на реальні робочі умови, аби студенти могли працювати над своїми проєктами. Наприклад, вони виконували домашні завдання на Github, Pull Requests та design doc — ресурси, з якими працює більшість компаній. Ми встановлювали очікування від навчання на початку курсу й обговорювали результати на останньому вебінарі, підсумовуючи роботу впродовж усього курсу. Усі матеріали за вебінарами є на Github у відкритому доступі — завжди можна подивитися тему вебінару.
Про мотивацію — свою та студентів
Іноді через брак часу мені було складно виконувати свої обов’язки, наприклад, щоденно перевіряти домашку чи оперативно комунікувати у Slack. Можливо, це когось демотивувало. Можливо, через складність матеріалу деякі студенти втрачали мотивацію, але ми вирішували такі проблеми в процесі.
На мій погляд, студент може пропустити складні для нього теми, аби не переривати через них навчання. Насправді якщо ти присвячуєш достатньо часу на підготовку, маєш план, то решта процесів доходить до автоматизму.
Про оновлення на курсі
Я оновлюю програму кожного набору, і кожний набір має свою гілку на github. Тут можна перевірити те, що змінилося. Вносячи корективи, я орієнтувався на відгуки від студентів, а також апдейти на роботі. Наприклад, прибрав feature store, додав багато інформації про distributed training. Також оновив матеріали про GenAI та LLMs. Проте загалом фундамент курсу залишається незмінним, оскільки намагаюсь не надто прив’язуватися до конкретних інструментів.
Про виклики та побоювання
Я б сказав, що навчаю того, що сам використовую в роботі. Одночасна залученість як до курсу, так і до роботи допомогла мені структурувати свою діяльність у зручну схему. Взагалі я почав робити курс як дводенний воркшоп з mlops на своїй роботі. Потім розширив два дні до восьми тижнів. Єдиний недолік — відставання наповнення.
Галузь Machine Learning невпинно розвивається, тож залишатися у контексті змін – критично важливо. Через це я постійно оновлюю курс. Моє найбільше побоювання — мати уявлення про ідеальний курс, який я би хотів реалізувати, але не мати можливості це зробити. Так, потрібно більше часу, щоб банально записати ці лекції або провести вебінари, проте це лише операційний час, а не нова діяльність.
Загалом у мені живе сильний внутрішній критик. Я можу сумніватися, чи комусь потрібно те, що я роблю, або чи якісний матеріал. Але з часом я став простіше ставитися до своїх помилок і бути більше easy going зі студентами. Від цього було легше і приємніше як студентам, так і мені. Адже ми тут для того, щоб навчитися чогось і отримати фан.
Поради замість висновків
- Студентам і кураторам: структуруйте свою роботу.
- Студентам: благодійний курс чи платний, звертайте увагу на наявність у ньому практики.
- Кураторам: використання ваших робочих матеріалів допоможе й у викладанні, і в роботі, адже ви актуалізовуєте інформацію, з якою працюєте щодня.
Звісно, у всіх свої обставини і бекграунд, тож складно радити щось універсальне. Якщо подібний проєкт не є для куратора основним джерелом доходу, ймовірно, буде легше втілити таку програму в життя.
Якщо ви розглядаєте такий формат у довгостроковій перспективі, то курс за донат — це хороший початок, а також можливість бути корисним і набути навичок створення курсів. Згодом зробити основним джерелом доходу і розвиватись у цьому напрямі.