О технологизации науки и развитии transferable skills

Пообщавшись в университетах Германии, Канады и Великобритании (и разгововаривая с друзьями и коллегами из других стран - например приятель Давид работает в Лундской ун-те, Швеция), приходишь к таких выводам:

1. Наука чрезвычайно технологизируется.

Это значит, что для того, чтобы просто быть вровень с хорошим средним уровнем, не со звездами, нужно очень быстро бежать вверх и учиться, учиться, осваивать. Хочешь делать современные экологические исследования? Учи разные bio-loggers (e.g., light-level geolocators, разные гибридные geologgers), разную телеметрию, разные GIS (наложить треки на карту), stable isotopes (какие использовать, какие методические тонкости, как данные потом делать map assignment), разного рода безумного быстро развивающие wildlife telemetry (радио, акустические, GPS, GSM, GPS-GSM, Argos и прочие) трекеры, имей представления о компьютерном моделировании, основных статистических пакетах. При этом всём ты потом получаешь кучу данных и fun только начинается с обработки этих тысяч и сотен тысяч строк данных с помощью разного рода script routines. И тут ты упираешься в необходимость хоть немного разбираться в computer science. Неплохо владеть не только R, но и Python, *NIX, bash и ssh немного понимать. А в идеале еще и разного рода приложения писать для visualization (вот думаю написать shiny app для того, чтобы коллеги тупо засовывали данные радио телеметрии и получали графики на выходе, а не правили мой R script)

2. Аутсорсинг.

Многое в науке стало аутсорситься. Это с одной стороны, упрощает и стадартизирует многое, но с другой, ты многие части своего исследования не контролируешь и не знаешь вообще, что и как на этих этапах делается (как работает Illumina HiSeq? как рождаются присланные тебе огромные файлы с reads? какие там в этой black box методологические хитрожопости?). Да, у тебя может быть масс-спектрометр в университете, но сам ты скорее всего на нем работать не будешь, а потом часто послать в лабу в Калифорнию и оттуда получить данные по стабильным изотопам быстрее и дешевле. Производство и извлечение геолокаторов, извлечение из них данных - дело частных компаний и например швейцарского Орнитологического Института Земпаха и их инженера. NGS sequencing - посылаешь в пекинский BGI Genomics. Нужны софтверные пакеты для трекинга животных - скачивай из инета и читай, что за функции в них вшиты.

3. Демократизация науки (но при этом сохранение межстранового неравенства)

Наука демократизируется и всё же остается не всем доступна. Демократизируется в том, что можно (1) кое-что и даже многое делать вообще без денег. Брать данные у других (открытые!) и если есть хорошие идеи - тестируй, пиши статьи. Можно это делать и без особого очковтирательства и чистой гонки за библиометрией, вполне интересно. Единственное оружие - голова, код и время. (2) Многие модульные подходы позволяют собрать научное оборудование, очень сложное и под конкретный проект, из свободных и бесплатных модулей или частей, или небесплатных, но заметно дешевле turn key проприетарных решений. Пример - ты можешь изучать охотничье поведение хищных птиц, собрав довольно дешевый комплекс из камеры, небольшого компа и всё это на свободном софте или Arduino библиотеках. Можно купить дорогущее и turn-key решение от Noldus, а можно взять написанный коллегами софт на Matlab или даже сделать что-то самому кастомизированное для твоих нужд, использую open source библиотеки Python для computer vision - например opencv (open computer vision). Недемократичный момент во всём этом в том, что всё равно сливки снимают уже хорошо финансированные страны. Т.е. для понимания этого всего и разработки нужна страна с учеными, которые понимают этот тренд, которые поставят техзадание своих многочисленным хорошим инженерам, которые на хороших грантах у них в лабах наняты. Да, в теории этими shrinking costs могли бы воспользоваться развивающиеся страны и денег у них на это бы в теории хватило, но у них нет среды, мало идей и специалистов нужно качества. А люди, не проекты, это главный актив XXI века.

4. Не забыть о главном- истине, но и быть готовым к смене сферы деятельности (transferable skills)

Ну а за этим всем нужно еще не забывать о самих идеях. Что ты хочешь узнать? Как это сделать, какие сочетания методов и подходов применить, что аутсорсить, а что делать in-house, как будет cost effective, что это будет стоить, где достать деньги, как funding bodies продать эту идею, чтобы за баллособирательством и fund raising не потерялась собственно цель - познание истины. Ну и банально - а что эта гонка за soft money и прыжки с одного soft money project на другой споткнется, будет gap? Счета-то остается, жить то как-то надо? Поэтому еще, по крайней мере, я задумываюсь не о том, что Вселенная должна меня, гениального комрить, а о том, что в этом безличностном мире, на этом рынке труда, я еще могу делать помимо науки? Ну понятная дорожка - data scientist. Но тогда нужно не только по минимуму осваивать computer science, а более серьезно, чтобы приобрести те самые transferable skills и быть нужным современному миру и рынку квалифицированных и неплохо оплачиваемых специалистов no matter what. Т.е. не просто бежать вровень, а еще и немного быстрее среднего чувака. Тяжело, а что делать. "Танки грязи не бояться". Так что вот и учусь всякое свободное время. Даже нравится.