Українець у команді Цукерберга: Сергій Савін розповів, як потрапив до лондонського офісу Meta

01 липня 2026 р. 13:48

01 липня 2026 р. 13:48

Ми живемо в епоху, коли одне цифрове рішення може за день змінити звички мільйонів людей. Інакше кажучи, дані стали однією з головних форм влади: вони визначають, якими маршрутами їхатиме людина, які продукти обере собі на вечерю. Але тут виникає парадокс: що складнішими стають алгоритми, то дорожче коштує людська помилка. Саме тому професія Data Scientist наразі вимагає рідкісного вміння — бачити наслідки рішень.

Наш співрозмовник – експерт у галузі науки про дані Сергій Савін. У травні 2026 року він приєднався до лондонського офісу Марка Цукерберга Meta як провідний спеціаліст. Одночасно Савін увійшов до #ADPList100-2026 як найвпливовіший ментор глобальної спільноти, що об’єднує понад 800 тисяч учасників у 140 країнах.

Безумовно, це важлива віха у професійній історії талановитого уродженця села Хрипаличі (Волинська область), випускника трьох найпрестижніших вишів – Київського національного університету імені Тараса Шевченка, Kyiv School of Economics та University of Houston, але це аж ніяк не перший його серйозний злет.

Ще за навчання Сергій Савін активно співпрацював із міжнародними корпораціями Syngenta та Civitta, певний час був важливою частиною команд Appflame та Reface, брав участь у створенні освітніх курсів для порталу “Дія”, а у США працював у найбільшій транспортній компанії Lyft.

Ми поговорили з фахівцем про його перехід до Meta London, а також про український слід у Big Tech і про роль Data Science в епоху ШІ.

– Пане Сергію, зараз ви живете в Лондоні й щодня ходите в офіс до “великого Цукерберга”. Чому захотіли там працювати: вас привабило ім’я, масштаб завдань чи новий професійний рівень?

– Компанія Meta, звісно, багато важить у технологічній індустрії, але мене зацікавили масштаб завдань і рівень відповідальності. Для мене важливий не логотип хедлайнера в резюме, а те, які проблеми ти вчишся з ним розв’язувати. У Meta я отримав унікальний шанс працювати з дуже сильними людьми над передовими завданнями нашої індустрії.

Однак ця робота для мене не фінальна точка й не привід зупинятися. Я розцінюю її як перехід на новий рівень, де потрібно ще точніше мислити, швидше вчитися і глибше розуміти наслідки рішень.

– Мабуть, ви прагнете залишити помітний український слід у глобальному Big Tech.

– Для мене важливо, що я прийшов до цього масштабу не з порожнього місця. За цим стоїть наша звичка багато й серйозно працювати. Я народився і виріс не в Кремнієвій долині, а у волинському селі, про яке навіть багато українців не чули. Але змалку мав сильне прагнення вчитися і був готовий виходити із зони комфорту. У 14 років поїхав за 140 кілометрів від дому й сам вступив до фізико-математичного ліцею у Львові. Пізніше став першим у списку абітурієнтів факультету “Фінанси і кредит” Київського національного університету. Паралельно закінчив Kyiv School of Economics та University of Houston.

Цей шлях сформував внутрішню дисципліну. Тож коли український фахівець потрапляє до Big Tech, він приносить із собою не лише технічні навички. А й школу мислення, витривалість і вміння не відступати перед труднощами.

– Часто історії успіху в Big Tech подають як різкий кар’єрний стрибок. Проте у вашому випадку все видається дуже послідовним: ліцей, виші, солідні українські й міжнародні компанії, а тепер Meta. То який головний об’єднувальний елемент тут?

– Гадаю, річ у постійному ускладненні завдань, які я перед собою ставлю. Кар’єра ж не набір випадкових переходів, важливо, щоб кожен етап додавав новий шар досвіду. У КНУ я отримав сильну фінансово-економічну базу. У KSE та UH почав по-справжньому занурюватися в Data Science. Можна сказати, саме тоді для мене теорія зустрілася із практикою: почалися стажування й робота з міжнародними проєктами – Syngenta, Civitta, бізнес-стратегії, аналіз даних.

В Appflame я відповідав за аналітику в Taimi – популярного на американському ринку інклюзивного застосунку знайомств і спілкування. Український продукт Reface, над яким я працював, у 2020 році став №1 у Google Play у США, що набрав понад 100 мільйонів завантажень. Це був важливий досвід: українська команда, глобальний продукт, величезна швидкість, безпосередній вплив даних на зростання.

Lyft дав інший масштаб – американський Big Tech, мільярди рядків даних, серйозна відповідальність за якість прогнозів. Тому зараз Meta – наступний логічний рівень ( усміхається ).

– Але Lyft – транспортна компанія. Що цей досвід дав вам як фахівцю з даних?

– У Lyft я навчився тому, що Data Science у великій компанії завжди перевіряється реальністю. Можна побудувати цікаву модель, красиво описати гіпотезу, отримати хорошу метрику на тесті. Та головне питання: що станеться, коли це рішення потрапить у живий продукт і почне впливати на мільйони користувачів?

Lyft працює з фізичним переміщенням людей – поїздки, дороги, трафік, маршрути, час прибуття, вартість, поведінка водіїв і пасажирів. Наша команда прогнозувала час поїздки, оптимізувала маршрути, аналізувала величезні масиви даних, які потрібно було перетворювати на алгоритми й зрозумілі продуктові рішення.

Один із моїх проєктів був пов’язаний зі зниженням похибки в розрахунках вартості поїздок платними дорогами. На перший погляд, це видається вузьким і технічним питанням, але насправді тут поєднуються економіка компанії, точність користувацького досвіду й довіра до сервісу. Якщо людина бачить, що вартість розрахована некоректно, вона не думає про якусь там складність моделі, а просто втрачає довіру. Ось це і є ціна рішень у Big Tech.

– Я знаю, що ви проходили складний відбір у Lyft: 6 етапів співбесід, алгоритми, математика, аналітика, комунікація. Що цей процес вам показав?

– Відбір справді був дуже конкурентним, і це лише підтверджує: яким би рідкісним не був талант, без системної підготовки нічого не працює. Я готувався кілька місяців, розв’язував сотні задач, аналізував слабкі місця. У таких компаніях перевіряють не тільки знання, а і як ти мислиш під тиском, як пояснюєш хід розв’язання, як реагуєш на помилки, чи можеш структурувати невизначеність. У Data Science це дуже важливо. На роботі рідко дають задачу з чистими даними й очевидною відповіддю. Завжди є обмеження, бізнес-тиск, неповна інформація. Треба вміти орієнтуватися в такому середовищі, не втрачаючи логіки.

– Чим відрізняється робота Data Scientist в українських компаніях, в Lyft і тепер в Meta?

– В Україні дуже висока швидкість. Часто у тебе менше ресурсів і часу, але більше прямої відповідальності. Ти швидко бачиш результат своїх рішень. Це чудова школа самостійності.

У Lyft будь-яка модель проходить серйозну перевірку, бо помилка на такому масштабі коштує надто дорого. Там чітко розумієш: поняття “майже правильно” в Big Tech недостатньо – потрібно перевіряти, тестувати, повторно перевіряти, дивитися на різні сегменти користувачів, думати про крайні випадки.

Meta – це ще ширший контекст. Тут дані пов’язані не лише з конкретною транзакцією чи поїздкою, а з цифровою поведінкою людей, комунікацією, увагою, персоналізацією, ШІ-системами. Такий масштаб, окрім точності моделі, змушує думати про наслідки, які вона створює, і про її вплив на досвід людей.

– Отже, в Big Tech такий фахівець, як Data Scientist, відповідає за рішення?

– Саме так. Модель – це інструмент. Робота Data Scientist починається набагато раніше й завершується значно пізніше. Спочатку потрібно зрозуміти, яку проблему ми насправді розв’язуємо. Потім – які дані можуть її описати, де в них є викривлення, які обмеження має метод, як оцінювати результат, як пояснити його команді і що робити після впровадження. Сильний Data Scientist має бачити весь ланцюг: бізнес – запит – дані – модель – продукт – користувач – наслідки. Якщо ти відповідаєш лише за технічну частину й не цікавишся тим, що буде далі, твій вплив обмежений. У великих компаніях цінують фахівців, які здатні бути мостом між бізнесом і технічними можливостями.

– ШІ є загрозою для Data Scientist чи, навпаки, підвищує планку професії, як вважаєте?

– Підвищує планку. ШІ прискорює багато операцій: частину завдань, які раніше відбирали години, тепер можна виконати швидше. Але це жодним чином не скасовує професії. Він змінює центр її тяжіння. Якщо фахівець зводить себе лише до технічних операцій, йому буде складно. Та якщо він уміє формулювати проблему, розуміти продукт, інтерпретувати результат, бачити ризики, спілкуватися з різними командами й ухвалювати рішення в умовах невизначеності, його цінність зростає. Я хочу сказати, що ШІ допоможе знайти відповідь, але спочатку хтось має зрозуміти, яке питання потрібно поставити ( сміється ).

– Що в Data Science важливіше: математика, програмування, інтуїція чи комунікація?

– Статистика й математика – фундамент. Програмування дає змогу працювати швидко й точно, інтуїція – не створювати безглуздо складних рішень, а комунікація перетворює аналіз на дію. Але якщо говорити про зрілий рівень, то важливішою є здатність поєднувати всі ці складові. Я бачив технічно дуже сильних людей, які не вміли пояснити, навіщо потрібна їхня модель. І бачив протилежне: людина добре розповідає, але не має достатньої математичної глибини. У Big Tech цього недостатньо. Там потрібен фахівець, який будує модель, розуміє її обмеження, вміє пов’язати результат із бізнесом і переконливо пояснити команді, що саме потрібно робити.

– Окрім комерційних продуктів, ви також працювали в команді розробників освітніх курсів для порталу “Дія”. Чим для вас важливий цей досвід?

– У комерційних продуктах працюєш зі зростанням, метриками, утриманням, монетизацією, якістю користувацького досвіду. У державних проєктах акцент інший: доступність знань, користь для людей, масштаб суспільного ефекту. Для мене важливо бачити технології не лише як бізнес-інструмент. Дані й цифрові продукти допомагають людям навчатися, змінювати професію, отримувати доступ до можливостей, які раніше здавалися недосяжними. Це близько й до моєї менторської діяльності. В обох випадках йдеться про те, щоб людина отримала інструмент для наступного кроку.

– У чому найчастіше помиляються молоді фахівці, які хочуть потрапити в Data Science або Big Tech?

– По-перше, вважають, що достатньо вивчити Python, SQL, машинне навчання, візуалізацію – і рибка в сітці. Але ці інструменти без мислення не дають зрілості: потрібно розуміти статистику, причинно-наслідкові зв’язки, продуктові метрики, бізнес-контекст.

Друга помилка – чекати на свою ідеальну готовність, але такого моменту ніколи не буде. Треба рухатися вперед, отримувати зворотний зв’язок, пробувати, помилятися, знову пробувати.

Третя помилка – недооцінювати комунікацію. На глобальному ринку потрібно вміти говорити про свій досвід, пояснювати рішення, писати, презентувати, проходити співбесіди англійською. Сильний фахівець має бути зрозумілим не лише самому собі.

– А що українські спеціалісти недооцінюють у собі?

– Здатність адаптуватися. Українці вміють працювати в умовах невизначеності, швидко всього навчаються, здатні розв’язувати складні завдання за обмежених ресурсів. Це дуже сильна риса. Але їм бракує впевненості й навички правильно презентувати свій досвід для міжнародного ринку. На глобальному рівні важливо не тільки бути сильним, а й уміти показати цю силу. Описати результат, пояснити свій внесок, говорити мовою метрик, бізнесу й впливу. У нас багато талановитих людей, яким потрібно просто сміливіше виходити на міжнародні можливості.

– Якщо повернутися до Meta: які якості потрібні, щоб утриматися на рівні такої компанії?

– Бути вимогливим до себе, постійно зростати. У компаніях такого масштабу не можна жити минулими успіхами. Те, що допомогло потрапити всередину, не гарантує подальшого розвитку. Потрібно швидко розбиратися в нових доменах, працювати із сильними колегами, сприймати фідбек, розуміти продукт, тримати високий стандарт якості.

Ще важливо зберігати інтелектуальну чесність. У Data Science завжди є спокуса побачити в даних те, що хочеться, а не те, що є насправді. Сильний фахівець повинен вміти сказати: ця гіпотеза не підтвердилася, тут недостатньо даних, ця метрика вводить в оману. У великих системах чесність стає частиною професійної етики.

Політика