Rett fra masterstudier til jobb som aktuar

Som aktuar jobber man med store mengder data som ikke kan analyseres for hånd, men som krever en maskins regnekraft. Vanlige verktøy for å håndtere dette i dag er SAS og Excel, to kjente verktøy som har eksistert og hjulpet aktuarer i en mannsalder. 

Men kan man gjøre ting mer effektivt på andre måter? Ett av medlemmene i Fagkomiteen Data Science mener dette. Jonas Augdal (25) begynte i høst å jobbe deltid som aktuar hos Protector forsikring, rett fra aktuarstudiene ved Universitetet i Oslo. Samtidig som oppstarten i Protector, begynte han som bachelorstudent i informatikk. Dette for å fordype seg i IT-kunnskapene gitt i fra matematikkutdanningen og bruke disse til å styrke bransjen. 

«Jeg ble med i faggruppen fordi jeg ønsker å hjelpe til å automatisere og effektivisere bransjen. Dagens unge har en helt annen tilnærming til teknologi enn man hadde før, og vi lærer å programmere allerede fra første semester på universitetet.” I tillegg til programmering lærer også dagens unge aktuarer om data science under utdanningen. Dette innebærer en samling metoder, metodikk og algoritmer som krever moderne utviklerrammeverk. For å tilfredsstille formelle krav om forståelse, reproduserbarhet og sikkerhet, blir moderne programmeringsspråk sin funksjonalitet med å lage (og teste, debugge, versjonere, etc.) pakker essensielt. Dette blir uansett viktig når data science skal i produksjon; slik metodikk snakker godt med andre verktøy som versjonskontroll, kontinuerlig integrasjon/deployment og utvikling, samt de IT-verktøyene som skal konsumere de statistiske modellene. Jonas sier videre “Vi lærer språk som Python og Java. For oss er det merkelig og frustrerende å skulle bli påtvunget å bruke noe som fort oppfattes som utdaterte verktøy, spesielt når mer effektive eksisterer.» 

For Jonas og mange av dagens unge aktuarer er funksjonell programmering standarden. En klage som går igjen blant mange unge aktuarer i dag er hvor lite teknologisk bransjen er; SAS er et gammelt språk som ikke har utviklet seg markant på flere tiår, GitHub er nesten ikke eksisterende. I stedet brukes en lokal server i kjelleren og å potensielt tilpasse gamle problem og data til maskinlæringsmodeller ligger mange år frem i tid.

Jonas mener den store forskjellen på aktuarfaget i dag og for 30 år siden primært ligger i verktøyene. Moderne data science krever moderne metodikk.

«Matematikken er jo ikke noe nytt, og begreper som maskinlæring har eksistert siden 50-tallet. Med dagens programvare, systemer og maskinvare kan man gjøre avanserte og komplekse simuleringer som ikke var mulig før. Fremfor å bruke middelmådige SAS-script og Excel-ark under kvartal- og årsrapporter, kan man for eksempel bygge en R- eller Python pakke. »

I full jobb har du kanskje ikke tid til å starte på en ny utdanning. Ønsker du å lære mer har vi i fagkomiteen for Data Science laget en liste over kurs og bøker du kan lære mer med:

Læringsplattformer:

• https://www.coursera.org/
• https://www.udemy.com
• https://www.udacity.com
• https://online-learning.harvard.edu/course/cs50-introduction-computer-science
• https://www.elementsofai.com/no/
• https://www.datacamp.com/

Videreutdanning :

• https://www.uib.no/utdanning/evu/136582/data-science-med-r-nettbasert-grunnkurs 
• https://www.uio.no/studier/program/it-ledelse-master/index.html 

Lesestoff på sengen - fordypning i utviklermentalitet:

• M. Fowler: Patterns of Enterprise Application Architecture
• M. Fowler: Refactoring
• Bøkene av Fowler er standard lesestoff for utviklere. De gir basiskunnskaper for arkitekturvalg, mønster, og hvordan å jobbe med og tenke på kode generelt.
• B. Slatkin: Effective Python
• L. Ramalho: Fluent Python
• Skriv kode på en måte som fasiliterer samarbeid, som er enkel og forståelig for andre, som skalerer, og som benytter de beste egenskapene til Python.

The Zen of Python: “There should be one -- and preferably only one -- obvious way to do it.”