Wybrałam wolontariat, do którego nie byłam gotowa. Drugi krok przed wejściem w świat analityki.

Kiedy ludzie myślą o wolontariacie w branży IT, zazwyczaj widzą w nim po prostu darmowy sposób na zdobycie pierwszego wpisu do CV. Sam sposób na to, by pokazać rekruterom, że potrafi się zrobić cokolwiek w praktyce. Dla mnie pierwszy wolontariat dokładnie tym był. Ale kiedy natrafiłam na DataKind, globalną organizację łączącą analityków i programistów z organizacjami pozarządowymi, podejście miałam już zupełnie inne.

Zgłaszając się tam, nie szukałam po prostu czegokolwiek, co będę mogła wpisać do portfolio. Pierwszy wolontariat już miałam. Wiedziałam, jak wygląda praca z prawdziwymi danymi, jak inaczej podejmuje się decyzje, kiedy efekt nie kończy się na własnym komputerze i jak to jest pokazać swoją pracę komuś, kto rzeczywiście będzie z niej korzystał.

Mogłam więc zrobić kolejny podobny projekt. Tylko, że wtedy prawdopodobnie udowodniłabym sobie po raz drugi coś, co już wiedziałam. A ja coraz wyraźniej widziałam kolejne braki. Brakowało mi w CV pracy w większym zespole i nie wiedziałam, jak odnajdę się w środowisku, którego zasad nie ustalam sama. Bałam się komunikacji po angielsku. Nie miałam pojęcia, jak poradzę sobie z problemem, którego wcześniej nie będę mogła dopasować do narzędzi i umiejętności, które już posiadam. I właśnie dlatego ten wolontariat był mi potrzebny. Musiałam się z tym zmierzyć.

Pamiętam pierwsze spotkanie na żywo. Live po angielsku, na którym omawiano problem, zasady pracy i kwestie techniczne. Mimo, że ze słuchu rozumiem naprawdę dużo, ze strachu i tak miałam w tle uruchomionego tłumacza. Przeżyłam to spotkanie, ale prawdziwa ulga przyszła później, gdy komunikacja przeniosła się na Slacka.

Dopiero tam zobaczyłam, jak niezwykle różnorodny i międzynarodowy jest nasz zespół. Dotarło do mnie, że nie tylko ja miałam swoją językową blokadę. Gdy czytałam wiadomości od innych, czasem widziałam tekst wklejony w cudzysłowie wprost z tłumacza albo długie myślniki charakterystyczne dla AI. To było niesamowicie uwalniające. Pokazywało, że mnóstwo osób z całego świata po prostu przezwyciężyło swój strach i weszło w projekt, nie czekając na moment, aż ich angielski będzie idealny.

Na GitHubie każdy z nas wrzucał kolejne etapy pracy, dzięki czemu mogliśmy nawzajem korzystać ze swoich rozwiązań i uczyć się od siebie nawzajem.

Kiedy otworzyłam dane dotyczące pytań rolników z Afryki Wschodniej, szybko okazało się, że największym wyzwaniem nie będzie zbudowanie dashboardu. Pytania były wielojęzyczne, klasyfikacja tematów nie była oczywista, a gotowa instrukcja rozwiązania po prostu nie istniała. Musiałam sama zdecydować, jak podejść do tekstu, jak zbudować kategorie, jak kontrolować ich jakość i jak przygotować dane tak, żeby późniejsza analiza sezonowości w ogóle miała sens.

To był ten rodzaj projektu, w którym kilka razy można dojść do wniosku, że gdybym na początku wiedziała, ile rzeczy będę musiała po drodze wymyślić, być może zastanawiałabym się nad przyciskiem „dołącz” trochę dłużej. Ale właśnie dzięki temu był tak wartościowy.

Skończyłam analizę. Powstał pipeline w Pythonie, klasyfikacja tematów, przygotowane dane i dashboard w Tableau. Dostałam certyfikat potwierdzający udział w międzynarodowym projekcie, a do mojego portfolio trafiło kolejne prawdziwe doświadczenie.

Tyle że po jego zakończeniu moja lista rzeczy, których nie umiem, wcale nie zrobiła się pusta. Wręcz przeciwnie. Była dłuższa. I paradoksalnie uznałam to za dobry znak.

Im więcej robiłam, tym więcej zaczynałam rozumieć o samej pracy z danymi. Dostrzegałam problemy, których wcześniej nie potrafiłabym nawet nazwać. Wiedziałam już, że zbudowanie wykresu jest często najprostszą częścią analizy. Że dużo więcej dzieje się wcześniej przy rozumieniu danych, podejmowaniu decyzji, sprawdzaniu jakości i zastanawianiu się, czy to, co policzyłam, rzeczywiście odpowiada na właściwe pytanie.

Doświadczenie zaczęło mi się wtedy kojarzyć z czymś zupełnie innym niż kolekcjonowanie kolejnych rzeczy, które potrafię. Bardziej z przesuwaniem granicy tego, czego jeszcze nie potrafię.

Na początku ta granica jest blisko. Robimy rzeczy bezpieczne, bo niewiele jeszcze umiemy i właściwie wszystko jest nowe. Potem zdobywamy pierwsze umiejętności i bardzo łatwo zostać właśnie tam. Robić coraz ładniejsze dashboardy z podobnych danych. Pisać coraz lepszy kod rozwiązujący podobne problemy. Wybierać projekty, przy których już na początku wiemy, że sobie poradzimy.

To daje bardzo przyjemne poczucie, że stajemy się coraz lepsi. Tylko nie zawsze oznacza, że zdobywamy nowe doświadczenie. Czasem po prostu coraz sprawniej robimy to, co już znamy. Dzisiaj, kiedy myślę o tamtym okresie, widzę, że intuicyjnie próbowałam znaleźć nie kolejną okazję do pokazania swoich mocnych stron, ale kolejną rzecz, której mi brakowało.

Nie mam prawdziwego projektu? Szukam organizacji, dla której mogę taki zrobić. Nie mam doświadczenia w większym, międzynarodowym zespole? Zakładam konto w DataKind. Boję się angielskiego? Wchodzę w projekt, w którym nie będę mogła całkowicie go ominąć.

Nie wszystko robiłam świadomie. Na pewno nie siedziałam wtedy z kartką i nie projektowałam swojej ścieżki rozwoju punkt po punkcie. Po prostu coraz częściej zamiast pytać: „Co już umiem zrobić?”, zaczynałam patrzeć na to, czego jeszcze nigdy nie robiłam.

I dlatego drugi wolontariat był dla mnie czymś więcej niż drugim wpisem do portfolio. Pierwszy dał mi dowód, że potrafię zrobić coś prawdziwego. Drugi pokazał mi, jak zdobywać kolejne doświadczenia, kiedy ten pierwszy dowód już mam. Nie przez ciągłe potwierdzanie sobie, że jestem dobra w tym, co znam. Przez szukanie następnego miejsca, w którym jeszcze nie wiem, co robię.

Bo doświadczenie nie zawsze rośnie tam, gdzie czujemy się coraz pewniej. Czasem rośnie dokładnie na granicy tego, co już umiemy.

Z życia wzięte