Александр Тарарин и ML

Где лучше начинать карьеру Всем привет! Сегодня предлагаю разобраться: в компании какого масштаба лучше всего начинать или продолжать карьеру. Мы с Таней решили разобраться в этом вопросе, рекомендую ознакомиться с ее постом - у нее получилась очень интересная карьерная траектория: И начнем с бигтехов — компании с большим количеством команд, продуктов, сотрудников. Про них уже известно все или почти все, устоялись правила и корп культура. Из особенностей которые характерны именно для них : 1️⃣ Широкий выбор команд, направлений и вакансий. Есть возможность выбрать позицию, с теми задачами которые тебе интересны. В бигтехах я думаю можно найти самые разные ML задачи от классического МЛ до обучения с подкреплением и агентов 2️⃣ Понятные условия попадания в штат: стажировки, реферальные программы, сайт компании с вакансиями. 3️⃣ Есть такой чатик в телеграмме Боталка и там во время наборов люди делятся опытом прохождения этапов отбора и собеседований. 4️⃣ Самые современные офисы со спортзалами, питанием, врачами и так далее. Чего стоит только новый, пока еще не релизнутый офис Яндекса, который больше напоминает огромный ТРЦ 5️⃣Частенько в таких компаниях встречаются токсичные команды, переработки и другие побочки. Бигтех подойдет как для первого места работы, так и для последующего. Но важно понимать что как бы HR’ы не старались привлекать студентов на стажировки вариативностью часов работы в неделю 20/30/40- приоритет у кандидатов на 40 часов и такую работу совмещать с учебой гораздо сложнее особенно на первых курсах. Мидтех — раньше сам не слышал такое определение для компаний которые имеют один или несколько основных продуктов, за которые они получают неплохие деньги, но только недавно начали свою работу и процессы могут быть не налажены, компания мало кому известна 1️⃣ Задачи могут быть не менее интересными, чем в бигтехах 2️⃣ Чаще будут искать T-shape специалистов, которые умеют все и сразу, так как команда еще не собралась целиком 2️⃣ Может не быть своей команды разметки, больших вычислительных мощностей, админов для серверов 3️⃣ При переходе в такую компанию шагаешь в неизвестность, потому что про компанию мало чего известно У меня был опыт со старнными условиями работы, когда у компании было правило - студенты не могут получать выше 30,000 рублей, а есть компании в которых и вовсе не берут людей без диплома 🤡. В общем в таких компаниях иногда можно ожидать странные правила, которые не похожи тенденции в рынке. Мне казалось, что в таких компаниях желают видеть только людей с большим опытом, но как показал мой опыт можно найти команды, которые готовы вкладываться в развитие сотрудников. В таких компаниях можно получить хороший опыт, главное заранее узнать как можно больше о компании через знакомых или на сайтах, статьях на Хабре и тд. Стартап — здесь преимущества и недостатки известны всем: 1️⃣ Условия спартанские, изначально работа может быть вообще за идею 2️⃣ Часто отсутвуют мощности, люди обучают модельки на бесплатных сервисах 3️⃣ Потенциально, конечно, можно попасть в быстрорастущую инициативу, получить много разного опыта и в конце концов занимать хорошую должность и получить богатый багаж знаний Различные лаборатории — например лаборатории, которые работают при ВУЗах такие лабы есть в ЛЭТИ, ВШЭ, МФТИ и думаю еще во многих других местах: 1️⃣ Научные задачи, возможность публиковаться в журналах и готовить себе почву для развития научной карьеры 2️⃣ Легче совмещать с учебой и мне кажется это ключевое преимущество для студентов на первых курсах. В лаборатории можно набираться опыта в интересных задачах без сильного отрыва по учебе и потом вкатываться на полные ставки 3️⃣ Маленькая оплата в виде стипендий или полное ее отсутствие Такие варианты получились у меня, я думаю среди этих вариантов вы смогли почерпнуть что-то новое для себя. Сам я работал только в мидтехах, как я их назвал, опыт нахожу положительным. Так же советую вам ознакомиться с постом Тани, ее опыт вдохновляет! А как вы считаете где лучше всего именно начинать свой карьерный путь?

Преимущества работы в DS Всех приветствую! Недавно поймал себя на мысли, что работа с данными и математикой начинает незаметно проникать в обычную жизнь🧮Причем не только в работу, но и в то, как ты думаешь, принимаешь решения и смотришь на мир. Сегодня хочу поделиться наблюдениями, какие «побочные эффекты» дает работа в Data Science. А продолжение темы - с другой стороны - можете найти в посте моего коллеги Глеба . У него как раз про привычки и подходы, которые формируются в DS, настоятельно рекомендую заглянуть. Табличное мышление Первое, что начинает перетекать в жизнь - это желание всё переводить в таблицы и метрики. Я регулярно ловлю себя на мысли, что любую ситуацию хочется разложить на параметры и сравнить. Самый очевидный пример - финансы: я вел учет доходов и расходов, строил графики, отслеживал динамику счетов📊. И, что самое интересное, мне это реально нравится. Но иногда это заходит дальше. Когда я выбирал ноутбук, я хотел взять Mac, но были сомнения. После пары по методам принятия решений подошёл к выбору как к задаче многокритериального анализа: ⚫️выписал параметры ⚫️задал им веса ⚫️оценил варианты ⚫️свел всё в таблицу В итоге выбрал другой ноут и не пожалел, до сих пор им пользуюсь для личных целей. Иммунитет к красивым цифрам Еще один важный навык - более трезвое отношение к статистике. Когда понимаешь, как собираются данные, сразу начинаешь задавать вопросы: ❓какая выборка? ❓как проводилось исследование? ❓нет ли смещений? Опросы, «громкие исследования», инфоповоды - всё это перестает восприниматься на веру . То же самое с «легкими деньгами»: казино, лотереи и подобные истории. Когда понимаешь матожидание, становится очевидно, что такие системы изначально созданы не в пользу игрока. Спокойное отношение к хайпу Сейчас все вокруг говорят про ИИ, AGI и «замену людей» 😱 Но когда ты работаешь с моделями, понимаешь: как они устроены где они ошибаются какие у них ограничения И вместо паники появляется более спокойное и реалистичное восприятие происходящего. Да, технологии развиваются очень быстро. Но до «магии» там всё еще далеко. Аналитическое мышление Наверное, самый фундаментальный эффект. Ты начинаешь: искать причинно-следственные связи и понимаешь что корреляция != каузация задавать больше вопросов строить логические цепочки И это происходит автоматически. То, что раньше решалось «на ощущениях», теперь проходит через простой внутренний анализ: что влияет? какие есть варианты? какие последствия? Если задуматься, таких эффектов гораздо больше - я перечислил только те, которые сам замечаю чаще всего. А теперь советую прочитать пост моего коллеги ➡️ Глеба ⬅️ у него как раз про то, как эти навыки проявляются в повседневных привычках. Получается классное дополнение к этой теме. Вывод Работа в DS — это не только про модели и код. Это про способ мышления, который постепенно меняет твою жизнь: делает ее более осознанной, структурированной и управляемой. И это, наверное, один из самых недооцененных бонусов профессии.

Давно не слышались! Всем привет. 7-я неделя учебы почти позади, осталось немного дожать - суббота с парами с 10 до 19. Но пост не об этом! В этом семестре, как я упоминал ранее, в учебном плане появилась продуктовая студия. Я ждал этот предмет по нескольким причинам: 1. Я не работал в продуктовых командах, поэтому хотел получить такой опыт 2. В рамках данного курса необходимо выполнять домашние задания по развитию существующего или нового проекта. В конце семестра мы будем защищать проект перед «инвесторами», и нужно будет сделать MVP этого продукта. Отличный шанс попробовать запустить что-то с проверкой всех этапов преподами 😱 У меня нет своего продукта, поэтому нужно было генерировать идеи и проводить анализ. На текущий момент мы сделали следующие шаги: 1. Нагенерировали 3-5 гипотез продуктов. 2. Разбились на команды. 3. Выбрали идею, которую будем развивать. С этим шагом мы поторопились - выбрали идею слишком быстро. Позже оказалось, что нужно было изучить подходы к питчингу и устроить защиту внутри команды (осталось на самостоятельное изучение). 4. Провели детальный анализ своих гипотез, оценили потенциальные рынки (PAM, TAM, SAM, SOM), выявили конкурентов, провели SWOT и STEEPLE-анализы. 5. Сейчас проводим глубинные интервью и качественные исследования У Яны этот предмет был в прошлом семестре, поэтому я примерно понимал, чего ожидать, и мои ожидания совпадают с реальностью. Узнаю много нового про создание продуктов и их исследование. Про сам продукт расскажу в следующем посте. А вы расскажите был ли опыт работы с продуктом/запуском своего? С какими сложностями сталкивались? Интересно будет почитать ваш опыт 🔽

В поисках идеального баланса Всем бодрого дня! Недавно я узнал, что совмещать личную жизнь, работу и досуг можно по-разному - и существует что-то кроме work-life balance. Я думал, что любой формат совмещения разных сфер жизни это он и есть, но человеческое нежелание работать развитие не стоит на месте и появилось кучу вариантов, как можно выстроить свое расписание: Work-life blending (blend/blended). Концепция которая размывает все границы и ты миксуешь все свои дела как тебе удобно. Крутость этой концепции в том, что ты ты не ждешь конца рабочего дня, чтобы выйти погулять в хорошую погоду или не идешь в зал в пик его посещаемости, а выбираешь удобное для себя время. За такие плюшки расплачиваешься работой в личное время и дополнительным стрессом. Work-life balance. Концепция, про которую уже все слышали. Бесконечный поиск баланса за счет четкого расписания - работа с 9 до 18, в выходные рабочие чаты в муте, отпуск без рабочего ноута 🔕. Это отличный вариант без шуток - ты в любой момент времени знаешь, чем должен сейчас заниматься и не нужно переживать ни за что. Но вот только после 9 часового рабочего дня сил совсем не остается на другие занятия, в залах очереди на скамью для жима, вечером в пятницу в ресторанах не протолкнуться и этот список можно продолжать бесконечно. Work-life integration. Похож на блендинг, но отличается фиксированным расписанием. В этой концепции выбираешь ту структуру дня которая тебе подходит и следуешь этому ей стабильно. Если блендинг больше про хаос и тушение пожаров, то интеграция это четкое и осознанное поведение. Когда начал углубляться понял, что живу именно так: 1️⃣ Утром занимаюсь своими личными проектами делами- блог, учеба или спортзал 2️⃣ После этого занимаюсь рабочими задачами 3️⃣ Вечером уезжаю на пары После пар могу что-то почитать или посмотреть рилсы, а чаще всего ничего не делаю и ложусь спать. Интеграция - это структурированная форма блендинга Минусы похожи - так же размываются границы между работой и личной жизнью, работа в выходные и праздники. Work life harmony. 🧘🏼Гармония это когда внутреннее состояние само подскажет тебе, что сейчас делать работать или отдыхать. Звучит дико, но думаю актуально для людей из творческой среды Work-life separation. Методология, когда ты выставляешь четкие границы между работой и личной жизнью. Работа строго с 9 до 18, отдельный телефон, отдельный ноутбук, дома ни слова о работе. Не могу даже пример привести, кто может сейчас так разделять работу, с учетом цифровизации, приемом заявок онлайн и регулярно обновляющийся информацией. Но уверен такие люди найдутся. А какой концепции придерживаетесь вы? Работа по ночам ок не ок? 👑

Буткемп: ИИ-ассистент Привет! Как и в любом учебном заведении, в прошлом семестре у нас была учебная практика продолжительностью одну неделю. Нам дали возможность пройти ее по месту работы или выбрать одну из предложенных тем. Темы курировались либо самим ЦУ, либо компаниями-партнерами. Если решение студентов окажется действительно удачным его внедрят или пригласят участников на стажировку. Я выбрал тему с куратором из ЦУ — AI-ассистент для ad-hoc аналитики. Решил не проходить практику на работе по двум причинам: ✍️Ее нужно подробно документировать, чтобы было понятно, что ты действительно чем-то занимался ✍️Хотелось попробовать что-то новое Мне хотелось поюзать инструменты вайб-кода на продуктовой студии, которая по плану уже в этом семестре, для создания MVP проекта, но получилось чуть раньше. Один из тиммейтов посоветовал Kiro — среду для написания кода с ИИ-агентом (аналог Cursor от Amazon). Kiro дает пробные 500 юнитов новым пользователям, и этого с головой хватило для такого скромного проекта, как у нас. IDE достаточно сырая в ней допустим нет перехода к объявлению класса/метода - это меня сильно треггернуло, как основной инструмент для написания кода я использовать его не планирую, но это классная возможность попробовать без платных подписок что такое агентные среды. Кейс Заказчик часто приходит к аналитику с простыми задачами, например: — выведи среднее по таким-то данным — дай топ-5 городов по таким-то критериям — ой, я ошибся, давай здесь другой параметр выберем 🤡 Такие задачи усложняют работу аналитика тем, что постоянно отвлекают от более крупных и важных задач. Нам предложили сделать ИИ-ассистента именно для таких ad-hoc запросов. Мы выбрали Telegram как платформу для отправки запросов и навaйбкодили питонячее приложение, которое прокидывает запрос в LLM с заранее прописанным системным промптом. Ассистент генерирует SQL-запрос для получения нужных данных, а также код для визуализации, если она требуется. Практика получилась интересной: познакомился с ребятами, узнал про новые инструменты и мы сделали рабочую версию «Жорика-стажера: ad-hoc аналитика». В следующем семестре тоже планирую выбирать кейс от ЦУ или компаний. #обучение

Эти вишенки вам не понравятся 🍒 🎊Протестировали модель 🎊 Сравнили с бейзлайном — новая модель лучше 💀 Выкатили в прод и уронили метрики Существует такой приём, который позволяет получить очень красивые цифры и при этом сделать некорректные выводы. Cherry-picking — логическая ошибка, при которой для доказательства своей точки зрения намеренно отбираются только удобные факты и примеры, а вся противоречащая информация игнорируется. Иногда это происходит неосознанно — когда дата-сайентист просто не знал о целевых данных и проводил замеры на более простых. А иногда вполне намеренно — нам на статистике рассказывали о таких кейсах, когда аналитики вводили в заблуждение продакт-менеджеров. Так что, продакты, внимательно смотрите на то, что вам показывают — возможно, это просто вишенки. Как это выглядит на практике в ML: 1️⃣ Удобный датасет Модель ASR оценивают на чистых данных — студийные записи или аудиокниги. WER/CER низкие, всё красиво. Но реальные данные — телефонные разговоры, шумы, плохие кодеки в тест не попадают. А потом оказывается, что на целевых данных качество уже не такое радужное и даже хуже, чем у другой модели, которая показывала более слабые результаты на простых данных. Формально модель «лучшая», но не там где нужно. 2️⃣ Одна метрика из многих Фокус на одной метрике без комплексного взгляда на задачу. Модель может сильно выигрывать в качестве и хорошо подходить под доменные данные, но при этом: ✅весить в десятки раз больше ✅работать в десятки / сотни раз медленнее В итоге она просто не подходит для прода. Звучит очевидно, в больших командах уже, возможно, не раз сталкивались с подобными проблемами, набили не одну шишку и сделали наконец нормальный тестовый стенд, но если у вас стартап или молодая команда — об этом особенно важно помнить и всегда проводить несколько разноплановых сравнений Cherry-picking опасен тем, что цифры настоящие, а ошибочны именно выводы. Сталикивались ли вы на своем опыте с черри-пиком? Делитесь своим мнением в комментариях ⤵️

Я ТАК И НЕ ПОНЯЛ В ЧЕМ ПОДВОХ Как я писал ранее, у меня не было планов учиться в магистратуре год назад, но сейчас я максимально доволен учебой поймал себя на мысли, что мне уже хочется пойти на пары следующего семестра 🎓 Процесс обучения В первую очередь важно отметить процесс обучения. У ЦУ есть своя платформа, на которой можно найти материалы к каждой паре, а также домашние задания и контрольные единицы. У всех событий прописаны даты, а у домашних работ всегда есть дедлайны. Для меня это огромный плюс! Это проще, чем обмениваться почтой с преподавателем и спришвать домашку у одногруппников. У всех занятий есть прямая трансляция и запись. Я часто учился онлайн, но это не очень удобно, потому что звук у трансляций ужасный. Я несколько раз обращался в поддержку — они сделали со своей стороны что могли, но основная суть в том, что преподавателю следует надевать микрофон на голову — так получается лучший звук. Однако не всем это удобно, и с этим ничего не поделаешь. Поэтому я стараюсь ездить на пары очно и сидеть на первой парте. 🎓 Кампус Кампус ВУЗа современный, раньше в нем располагались MasterCard. В каждой аудитории есть электронная доска, большие экраны, настроена акустика — есть ручные или навесные микрофоны, преподавателей всегда видно и слышно. Неудобные только места для посадки: они маленькие, соседи сзади открывают ноутбук, и крышка ложится тебе на спину. Сидушки постоянно скрипят, и это очень заметно в онлайне. На 4 этаже есть Дринкит со скидкой для студентов, на каждом этаже есть вендинговый автомат, несколько этажей с кухнями, где иногда выкладывают ништяки — бананы, яблоки, груши, черри и огурцы. Также в кампусе не забыли про спорт — есть свой скромный спортзал и настольный теннис. 🎓 Качество обучения Обучение первоклассное: занятия ведут или преподаватели из других сильных ВУЗов, или крутые ребята из индустрии. Программа постоянно обновляется и развивается — в том числе по просьбам студентов. Например, на курсе по машинному обучению после каждой пары нам давали QR-код для обратной связи. После одной из пар у меня был запрос на написание методов из ML вручную для лучшего понимания, и следующая домашка у нас была — имплементация random forest. Такие вещи приятно удивляют. 👉 На сайте ЦУ было написано, что машинное обучение ведет (или составляет — не помню точно) Дьяконов, но у нас он не провел ни одной пары. Лекции в основном читал Роман Васильев и они были на отличном уровне, было заметно, что человек так или иначе сталкивался со всем, о чем говорит, и это позитивно. 👉 Математику в DS читал Дима Трушин — это был сложный курс. Мне бы хотелось посидеть над всеми темами, которые он дал в рамках курса, подольше. Нам дали ВСЕ: линейную алгебру, математический анализ и статистику — и все это за один семестр. Конечно, у курса такая цель — повторение, но где-то в середине я начал захлебываться в материале: каждую неделю лонгриды по 15-20 страниц с абсолютно новым материалом 👉 Статистика показалась мне более сбалансированным курсом: весь материал давался последовательно и логично. После курса тервера, статистики и эконометрики в ГУУ понятия и вещи, которые я не понимал тогда, были поняты сейчас — это не может не радовать. Также осталось место для нового материала: А/Б тесты — интересная тема! Теперь я знаю, что такое ратио метрика и почему они не считаются простым t-тестом. ✨ И конечно же безусловным плюсом является комьюнити студентов, которые пришли учиться – мои товарищи заинтересованы в обучении, работают или ищут работу и частенько рассказывают интересные вещи. У продуктовых менеджеров в этом семестре была продуктовая студия и на ней они придумали много клевых проектов, в следующем семестре у меня тоже будет этот предмет, уже нагенерировал несколько идей, будем отбирать! В общем и целом учебой я доволен, еще покажу подробнее кампус, когда вернусь в Москву, а пока задавайте вопросы в комментариях и делитесь своим мнение, если тоже учитесь в Центральном университете

💫 Мои итоги 2025 💫 Наконец-то могу подвести итоги — делаю это публично первый раз. Если честно, сам не ожидал, что год получится настолько насыщенным: 🍪 Начал год на новом месте — на стажировке в Криптоните, где окунулся в задачи обработки звукового сигнала. В апреле меня взяли в штат, и я до сих пор продолжаю работать в аудиокоманде 🍪 Побывал в другой стране, уже второй раз за всю жизнь. Мы ездили в Беларусь — посмотрели Минск, Хатынь, Мир и Несвиж. Ели, пили и платили белорусскими рублями. Хочу дальше путешествовать по миру. Под Новый год, кстати, сделал все документы на загранпаспорт — делал я их 4 месяца, но ничего страшного главное, что в январе уже смогу забрать😎 🍪 Подошел к концу мой путь бакалавра в ГУУ — 4 года учебы позади, и слава богу! 🍪 Съехали из общежития и сняли квартиру — это вообще целый праздник. Мы давно уже хотели с Яной переехать и сделали это быстро и качественно 🍪 Поступил в магистратуру, хотя даже не планировал этого делать. Но я очень рад, что все-таки решился и сделал правильный выбор. Крутая программа, топовые преподаватели и заряженные одногруппники — я доволен. Следующий семестр обещает быть очень насыщенным, но интересным. У меня, честно говоря, первый раз, когда я реально жду учебу, потому что там будет много интересных предметов. 🍪 Выпустился из Школы 21 — поступил в 2023, получил памятный мерч, и теперь в вузе ребята частенько заводят разговор про школу, когда видят фирменный худи. 🍪Начал вести блог — это вообще песня. Я еще со времен зарождения ютуб-блогеров хотел вести свой блог и наконец-то это сделал. Вроде у меня неплохо получается, и мне самому это реально нравится. Есть еще желание завести лайф-блог, где буду делиться более личными вещами. 🍪Отрастил бороду. Сначала было очень непривычно — она кололась, выглядела некрасиво, а сейчас привык, и вообще все стало четко. 🎀К сожалению, я так и не нашел свой спорт и не занимаюсь стабильно. Под конец года купил абонемент в зал, сходил три раза, потом заболел и заморозил до января. Новый год начну с нового листа. Пока писал итоги, понял, зачем они вообще нужны — увидел, что у меня был действительно крутой и насыщенный год. Рад, что заканчиваю его в таком же сильном настроении и смогу продолжить с этим же настроем в 2026 году. Кстати, 2030 уже ближе, чем 2020 😱 Всех с наступающим годом огненной лошади и делитесь своими достижениями в комментариях 🐎

Можно ли работать в IT без вышки? да, можно. ⚠️ Дисклеймер: не любое высшее образование даёт плюс в IT, разговор только о профильном. Отвечу честно – найти работу в IT без диплома РЕАЛЬНО, порог вхождения сейчас сильно ниже, чем раньше и попасть в бигтех это не влажные мечты, а реальность доступная каждому - сделай хорошее резюме, подготовься к вопросам, заучи легенду и можешь попасть куда угодно. Например, в школе 21 со мной учились люди разных возрастов и профессий и всем было доступно закрыть несколько веток и попасть на стажировку в Сбер, но нужно учиться 😁 (в школе, конечно, учеба отличается от вышки, но сейчас и там стало пожестче) Почему многие выбирают путь без вуза? Какие есть плюсы у этого пути на мой взгляд: ✅Раньше получаешь практический опыт ✅ Появляются свои деньги, пока студентики сидят на шее у родителей ✅Не тратишь время на откровенно бесполезные предметы. ВУЗы обязаны выделять часы на различные базовые предметы ✅ Нет сессий и экзаменов Это рабочая схема и кому-то такой путь подходит, а кому-то нет и предлагаю теперь обсудить плюсы вышки. Здесь важно уточнить: я говорю про людей, которые осознанно идут в вуз и понимают зачем. Так бывает не всегда. Я, например, бакалавриат особо не выбирал, но, оглядываясь назад, понимаю, что всё сложилось неплохо. Что реально даёт вуз: ✅Круг общения - вокруг тебя будут люди, которым так же интересно IT, в таком сообществе проще найти единомышленников для совместного проекта, найти ответы на вопросы и пообщаться с опытными преподавателями ✅Проще найти стажировку - особенно на старте. По крайней мере в нашем ВУЗе сейчас куча активностей проводится: Test&Learn, Speed Dating с компаниями, компании просто приходят рассказать про себя и захантить студентов ✅Фундамент в математике и программировании - это такая штука, которая останется с тобой навсегда даже если ты решишь перекатиться в другую сферу. Один мой коллега перекатился в МЛ из химии и сейчас он ценится очень высоко, потому что у него очень крепкий математический и исследовательский фундамент ✅Реферальные возможности - одногруппники, выпускники, преподаватели - здесь возможности ограничиваются только вашей фантазией и софт скилами. Я дважды работу находил по связям из ВУЗа. ✅ Отсрочка от армии для парней Но есть несколько моментов, которые для меня со временем стали особенно важны. Во-первых, ВУЗ - это легальный способ тратить время на развитие. В 18–22 года без вуза ты: А) Работаешь Б) Учишься В) либо тебя обеспечивают😈 С вузом у тебя есть пространство для роста, экспериментов и ошибок. Не все в этом возрасте способны эффективно самоорганизоваться. Так же твой работодатель может положительно относится к обучению и давать тебе возможность совмещать работу с учебой и быть более сговорчивым при постановке сроков, как у нас в Криптоните. Во-вторых, репутационный фактор. Если у тебя в резюме один из топовых ВУЗов шанс на прохождение скрининга гораздо выше, чем у других кандидатов, а сегодня это не так-то и просто. Факт не с потолка, такая практика есть в желтом банке, думаю в других местах тоже распространенно. Если бы мне сейчас было 16 лет и передо мной стоял выбор - идти сразу искать работу или готовиться к поступлению - я бы выбрал второе и целился в сильный вуз 💯. Я вижу уровень подготовки и позиции в компаниях моих друзей из ВШЭ, МФТИ, Бауманки — и понимаю, что они там учились не за зря. Да, есть и те, кто до сих пор без опыта даже после таких ВУЗов, но вероятнее всего они просто пинали ... А руководителем возможно стать без вышки? Конечно, можно! Летом, проверяя проект в школе, я общался с одним пиром. Он сейчас работает в Сбере, а его руководитель по образованию — выпускник ПТУ! Но таких руководителей очень мало, это единственный пример, о котором я слышал Нужно ли высшее образование? 👍 - конечно, нужно 😎 - я и без дрессировки гендиром стану Поделитесь своим мнением на этот счет в комментариях

Без этого навыка выше джуна не прыгнешь Недавно я писал про инструменты для поиска статей и проведения исследований. Знать, какими инструментами пользоваться важно, но есть одно качество, которое, по моему мнению, критично для ML-специалиста - насмотренность. Под насмотренностью для мльщиков я понимаю отличное знание классического ML и глубокого обучения, как фундамента, а также широкое видение индустрии: понимание технологий, архитектур и SOTA-решений не только в своей нише, но и в смежных. Так же это качество отличает стажера/джуна от мидла/синьора. Младшие грейды делают задачи по четкому тз 📋, им необходимо объяснять почему именно этот подход или эта технология были выбраны, а высокие грейды чаще сами предлагают шаги выполнения и консультируют другие команды, проекты . Особенно я замечаю это, когда происходит планирование задачи и старшие коллеги принимают участие . Есть потребность бизнеса - лаборатория уже сама решает, что использовать, как подойти к проблеме, какие подходы стоит изучить, а какие заведомо нам не подойдут. И здесь насмотренные коллеги особенно ценны. Они: 1️⃣ Предлагают готовые варианты и направления для ресерча 3️⃣ Дают оценку сложности реализации и указывают потенциальные подводные камни 3️⃣ Сравнивают эффективность разных решений 4️⃣ Помогают найти статьи по теме, фреймворки, гайды и документации Я тоже стремлюсь развить в себе насмотренность. Недавно обсудил это с руководителем, и он дал несколько рекомендаций: 💡Больше интересоваться проектами коллег и при возможности предлагать идеи 💡 💡 Регулярно читать статьи - без этого никуда 💡 Следить за индустрией, потому что сейчас почти каждый день выходит новая модель, которая уже побила какие-то бенчмарки Недавно узнал, что в Сбере есть отдельная роль в Гигачате, на которой человек занимается сбором последних новостей из индустрии и формированием дайджеста для руководителей. Это помогает всей команде держать руку на пульсе. По мне, сам факт существования такой роли говорит о том, насколько это важно. Насмотренность также огромный плюс при создании стартапа. Чтобы сделать что-то свое, нужно понимать, какие решения уже есть на рынке и как сделать лучше, эффективнее или удобнее для пользователя. На мой взгляд, насмотренность нужна не только техническим специалистам, но и большинству ролей в IT А как вы считаете, насмотренность нужна? 🏆 - да, конечно 👍 - нужна, но не ключевая 🔥 - PyTorch знаю, где кабинет директора?

Эти инструменты найдут вам что угодно 🕵️ В апреле, когда я только пришёл на стажировку, мне нужно было исследовать метрики ASR. Я не понимал, где искать статьи, какие инструменты использовать, и поиск любой релевантной информации отнимал все силы 💀 С тех пор прошло полгода - и я собрал свой стек инструментов для эффективного проведения исследований 1️⃣ Поисковики - банально, но работает В первую очередь я пробиваю тему в обычных поисковиках. Если запрос не слишком узкий, вроде «ASR для южноафриканского акцента латыни», то почти всегда находятся популярные статьи по теме. В них я смотрю index terms и продолжаю искать уже по ним Дополнительно можно попросить LLM сгенерировать поисковые запросы - часто выдает хорошие варианты 2️⃣ Ядро моего исследовательского стека 🔹 arXiv Широкие возможности настройки поиска, огромное количество публикаций и при этом достойное качество. Недавно платформа ужесточила модерацию из-за наплыва сгенерированных статей - и это только плюс. 🔹 Google Scholar Бесплатная поисковая система по научным статьям. Для себя выделяю такие преимущества: ✔️ Выдача формируется из множества источников, не только arXiv ✔️ Если есть PDF, можно открыть его сразу - без перехода по цепочке ссылок Пока писал пост, решил посмотреть что еще умеет платформа: оказывается, Scholar позволяет вести библиографию, подписываться на авторов и даже генерировать ссылки по ГОСТу - полезно для тех, кто пишет научные работы. Отличный инструмент, однозначно рекомендую. 🔹 Connected Papers Строит граф цитирований вокруг указанной статьи. Можно увидеть: 🔎 Кто цитирует выбранную работу 🔎 На какие исследования она сама ссылается Очень помогает “погрузиться в поле” и не пропустить ключевые публикации. 3️⃣ Перевод статей - DeepL Большинство статей - на английском. DeepL обучен на научных текстах, поэтому переводит максимально естественно и понятно. Я часто использую его для сложных абзацев, чтобы быстрее вникнуть в суть. 4️⃣ Поиск датасетов - Hugging Face, Kaggle, GitHub Если нужно найти датасет, в первую очередь смотрю здесь. Выставляю фильтры, просматриваю похожие задачи - и почти всегда можно найти что-то подходящее, если тема не слишком узкая. Плюс: иногда датасеты лежат в открытом доступе в рамках хакатонов. Не всегда, но бывает, что организаторы разрешают скачивание всем участникам. 5️⃣ Deep Research LLM Пробовал в 2024 году, когда писал диплом - тогда результаты были поверхностные, и инструмент мне не помог. Но технологии развиваются, и если есть возможность, я всё равно запускаю глубокий поиск - иногда чатик подкидывает хорошие идеи. Но в 90% случаев я продолжаю искать самостоятельно А чем вы пользуетесь, когда проводите исследования?

Софты решают. Выживешь ли ты в IT в 2026 - зависит именно от них. Когда я только начинал работать, мне казалось, что софт-скиллы - это болтовня в курилке, шутки и умение поддержать разговор в баре. На деле - это лишь микроскопическая часть. В IT и особенно в R&D софты - это не бонус. Это - основа, без которой ты не продержишься. Вот мой личный топ навыков, без которых в 2026 году будет тяжело: 1️⃣ Публичные выступления Исследование → отчёт → презентация → выступление перед командой. Если ты не можешь нормально объяснить, что ты сделал, - твоя работа теряет половину ценности. Даже доклад на дэйли помогает другим понять твой флоу и предложить решение, когда ты упираешься в стену 2️⃣ Тайм-менеджмент Умение договариваться о сроках и вовремя говорить «не успеваю» - это профессионализм. Ночные марафоны никого не делают героем, только приближают выгорание. Особенно если ты, как и я, параллельно учишься 💀 3️⃣ Работа с обратной связью Фидбек - это не нападение. Это инструмент роста. Во время ревью нужно давать коллегам конструктивную критику, которая станет драйвером роста. И самому нужно уметь принимать фидбек и не обижаться на него, а наоборот конвертировать в рост. Важно научиться: ✍️Принимать критику ✍️Оставлять аргументированную обратную связь 4️⃣ Умение задавать вопросы Самый недооценённый суперскилл⚡️ Можно идеально выполнить задачу… …и сделать вообще не то. Особенно в R&D, где подводные камни появляются каждый день. Из моего опыта: чем раньше задашь вопрос - тем лучше. На старте карьеры множество уточнений ценится выше, чем тишина и попытки угадать. Софты VS Харды - вечная борьба Но одно без другого не работает. Раньше ходили легенды о «суровых синьорах», которые держат проекты на себе, сидят на удалёнке без камеры и общаются тремя словами. Сейчас такие случаи - редкость. Рынок стал более требовательным и такое в крупных компаниях уже не встречается. Харды дают возможность найти работу, а софты позволяют тебе задержаться на ней Как вы считаете софты важны в работе? 🏆 - да, конечно 😎 - я и без них обхожусь

Александр Тарарин и ML pinned «👋 Привет! Меня зовут Александр, 22 года. Я исследователь в области машинного обучения и обработки звука! В канале рассказываю, как совмещать фулл-тайм работу и обучение в сильном вузе, не выгорая и сохраняя интерес к жизни 💼 Сейчас работаю в лаборатории…»