این عکس توسط آرتور کوزین ()، کاملاً دقیق محتوای پست وبلاگ را خلاصه می کند. در نتیجه، روایت زیر باید بیشتر شبیه یک داستان جمعه تلقی شود تا چیزی بسیار مفید و فنی. علاوه بر این، شایان ذکر است که متن غنی از کلمات انگلیسی است. من نمی دانم چگونه برخی از آنها را به درستی ترجمه کنم و فقط نمی خواهم برخی از آنها را ترجمه کنم.
چگونگی گذار از محیط دانشگاهی به محیط صنعتی در دو قسمت اول آشکار می شود. در این یکی، گفتگو در مورد اتفاقات بعدی خواهد بود.
ژانویه 2017 بود. در آن زمان کمی بیش از یک سال سابقه کار داشتم و در سانفرانسیسکو در شرکت کار می کردم مانند Sr. دانشمند داده.
TrueAccord یک استارت آپ جمع آوری بدهی است. به عبارت ساده - یک آژانس مجموعه. کلکسیونرها معمولا زیاد تماس می گیرند. ما ایمیل های زیادی فرستادیم، اما چند تماس گرفتیم. هر ایمیل به وب‌سایت شرکت منتهی می‌شد، جایی که به بدهکار تخفیف داده می‌شد و حتی اجازه پرداخت اقساط را داشت. این رویکرد منجر به جمع آوری بهتر، امکان مقیاس بندی و قرار گرفتن کمتر در معرض دعاوی شد.
شرکت عادی بود. محصول مشخص است. مدیریت عاقل است. موقعیت مکانی خوب است.
به طور متوسط، مردم دره حدود یک سال و نیم در یک مکان کار می کنند. یعنی هر شرکتی که در آن کار می کنید فقط یک قدم کوچک است. در این مرحله مقداری پول جمع آوری می کنید، دانش، مهارت ها، ارتباطات و خطوط جدیدی را در رزومه خود به دست خواهید آورد. پس از این یک انتقال به مرحله بعدی وجود دارد.
در خود TrueAccord، من درگیر الصاق سیستم های توصیه به خبرنامه های ایمیل و همچنین اولویت بندی تماس های تلفنی بودم. تاثیر قابل درک است و از طریق تست A/B به خوبی با دلار اندازه گیری شد. از آنجایی که قبل از ورود من یادگیری ماشینی وجود نداشت، تأثیر کار من بد نبود. باز هم، بهبود چیزی بسیار ساده تر از چیزی است که قبلاً به شدت بهینه شده است.
پس از شش ماه کار بر روی این سیستم ها، آنها حتی حقوق پایه من را از 150 هزار دلار به 163 هزار دلار افزایش دادند. در جامعه یک میم در حدود 163 هزار دلار وجود دارد. از اینجا با پاهایش رشد می کند.
همه اینها فوق العاده بود، اما به جایی منتهی نشد، یا منجر شد، اما نه به آنجا.
من برای TrueAccord احترام زیادی قائل هستم، هم برای شرکت و هم برای بچه هایی که در آنجا کار کردم. من چیزهای زیادی از آنها یاد گرفتم، اما نمی خواستم برای مدت طولانی روی سیستم های توصیه در یک آژانس مجموعه کار کنم. از این مرحله باید در مسیری قدم می گذاشتید. اگر به سمت جلو و بالا نیست، حداقل به طرفین.
چه چیزی را دوست نداشتم؟
- از دیدگاه یادگیری ماشینی، مشکلات من را هیجان زده نکردند. من چیزی مد روز، جوان پسند، یعنی یادگیری عمیق، دید کامپیوتری، چیزی نسبتا نزدیک به علم یا حداقل به کیمیاگری می‌خواستم.
- یک استارتاپ و حتی یک آژانس مجموعه، در استخدام پرسنل بسیار ماهر مشکل دارد. به عنوان یک استارت آپ نمی تواند هزینه زیادی بپردازد. اما به عنوان یک آژانس مجموعه، موقعیت خود را از دست می دهد. به طور کلی، اگر یک دختر در یک قرار از شما بپرسد کجا کار می کنید؟ پاسخ شما: «در Google» بهتر از «آژانس جمع‌آوری» به نظر می‌رسد. این واقعیت که برای دوستانم که در گوگل و فیس بوک کار می کنند، برخلاف من، برای دوستانم که در گوگل و فیس بوک کار می کنند کمی آزارم می دهد، نام شرکت آنها درهایی مانند: شما می توانید به عنوان سخنران به یک کنفرانس یا جلسه دعوت شوید، یا افراد جالب تر در لینکدین بنویسند. با پیشنهاد ملاقات و گپ زدن روی یک لیوان چای. من واقعا عاشق برقراری ارتباط با افرادی هستم که آنها را نمی شناسم. بنابراین اگر در سانفرانسیسکو زندگی می کنید، در نوشتن دریغ نکنید - بیایید بریم قهوه بخوریم و صحبت کنیم.
- علاوه بر من، سه دانشمند داده در این شرکت کار می کردند. من روی یادگیری ماشین کار می‌کردم و آنها روی سایر وظایف علم داده کار می‌کردند که در هر استارت‌آپی از اینجا تا فردا رایج است. در نتیجه، آنها واقعاً یادگیری ماشینی را درک نمی کردند. اما برای رشد، باید با کسی ارتباط برقرار کنم، در مورد مقاله‌ها و آخرین پیشرفت‌ها بحث کنم و در پایان از او راهنمایی بخواهم.
چه چیزی در دسترس بود؟
- تحصیلات: فیزیک، نه علوم کامپیوتر.
- تنها زبان برنامه نویسی که می دانستم پایتون بود. این احساس وجود داشت که من باید به ++C سوئیچ کنم، اما هنوز نتوانستم به آن نزدیک شوم.
- یک سال و نیم کار در صنعت. علاوه بر این، در محل کار من یادگیری عمیق یا بینایی کامپیوتر را مطالعه نکردم.
- حتی یک مقاله در مورد یادگیری عمیق / بینایی کامپیوتر در رزومه وجود ندارد.
- یک دستاورد Kaggle Master وجود داشت.
شما چه چیزی می خواستید؟
- موقعیتی که در آن آموزش بسیاری از شبکه ها ضروری خواهد بود و به دید کامپیوتری نزدیک تر است.
- اگر شرکت بزرگی مانند گوگل، تسلا، فیسبوک، اوبر، لینکدین و غیره باشد، بهتر است. اگر چه در کوتاه مدت، یک استارت آپ می تواند این کار را انجام دهد.
- لازم نیست من بزرگترین متخصص یادگیری ماشین در تیم باشم. نیاز شدیدی به رفقای ارشد، مربیان و انواع ارتباطات وجود داشت که قرار بود روند یادگیری را تسریع کند.
- پس از خواندن پست های وبلاگ در مورد اینکه چگونه فارغ التحصیلان بدون تجربه صنعتی مجموعاً ۳۰۰ تا ۵۰۰ هزار دلار در سال غرامت دریافت می کنند، می خواستم به همان محدوده بروم. اینطور نیست که من را خیلی آزار دهد، اما از آنجایی که می گویند این یک پدیده رایج است، اما من کمتر دارم، پس این یک سیگنال است.
این کار کاملاً قابل حل به نظر می رسید، البته نه به این معنا که بتوانید وارد هر شرکتی شوید، بلکه به این معنا نیست که اگر گرسنگی بکشید، همه چیز درست می شود. یعنی باید از ده ها یا صدها تلاش و درد ناشی از هر شکست و هر طرد شدن برای تقویت تمرکز، بهبود حافظه و افزایش روز به 36 ساعت استفاده کرد.
رزومه ام را اصلاح کردم، شروع به ارسال آن کردم و برای مصاحبه رفتم. من در مرحله ارتباط با منابع انسانی از کنار بیشتر آنها عبور کردم. بسیاری از افراد به C++ نیاز داشتند، اما من آن را نمی‌دانستم، و این احساس قوی داشتم که به موقعیت‌هایی که به C++ نیاز دارند، علاقه زیادی ندارم.
شایان ذکر است که تقریباً در همان زمان یک انتقال فاز در نوع مسابقات در Kaggle وجود داشت. قبل از سال 2017 داده های جدولی زیادی وجود داشت و به ندرت داده های تصویری وجود داشت، اما از سال 2017 کارهای بینایی کامپیوتری زیادی وجود داشت.
زندگی در حالت زیر جریان داشت:
- در طول روز کار کنید.
- وقتی صفحه فناوری / در محل، مرخصی می گیرید.
- عصرها و آخر هفته ها Kaggle + مقالات / کتاب ها / پست های وبلاگ
پایان سال 2016 با این واقعیت مشخص شد که من به جامعه پیوستم ، که خیلی چیزها را ساده کرد. افراد زیادی در جامعه با تجربه صنعتی غنی وجود دارند که به ما امکان می دهد سؤالات احمقانه زیادی بپرسیم و پاسخ های هوشمندانه زیادی دریافت کنیم. همچنین تعداد زیادی از متخصصان یادگیری ماشین بسیار قوی از همه رشته‌ها وجود دارند که به طور غیرمنتظره‌ای به من اجازه دادند که از طریق ODS مشکل را با ارتباط منظم و عمیق در مورد Data Science ببندم. تا به حال از نظر ML، ODS چند برابر بیشتر از آنچه در محل کار به دست می آورد به من می دهد.
خب طبق معمول ODS متخصصان کافی در مسابقات Kaggle و سایر سایت ها دارد. حل مشکلات در یک تیم سرگرم کننده تر و سازنده تر است، بنابراین با جوک، فحش، میم و سایر سرگرمی های خنده دار، شروع به حل یک به یک مشکلات کردیم.
در مارس 2017 - در تیمی با سرگا موشینسکی - مقام سوم برای . مدال طلا در کاگل + 20 هزار دلار برای دو نفر. در این کار، کار با تصاویر ماهواره ای + تقسیم بندی باینری از طریق UNet بهبود یافت.
همان مارس، من برای مصاحبه در NVidia با تیم Self Driving رفتم. من واقعاً با سؤالاتی در مورد تشخیص اشیا مشکل داشتم. دانش کافی وجود نداشت.
خوشبختانه، در همان زمان، مسابقه تشخیص اشیا بر روی تصاویر هوایی از همان DSTL آغاز شد. خود خدا دستور داد مشکل را حل کرد و ارتقا داد. یک ماه عصر و آخر هفته. من دانش را برداشتم و دوم شدم. این مسابقه ظرافت جالبی در قوانین داشت که منجر به نمایش من در روسیه در کانال های فدرال و نه چندان فدرال شد. فهمیدم ، و در یک دسته از نشریات چاپی و آنلاین. Mail Ru Group با هزینه من و پول خود کمی روابط عمومی مثبت دریافت کرد و علوم بنیادی در روسیه 12000 پوند غنی شد. طبق معمول در این موضوع نوشته شد . برای جزئیات به آنجا بروید.
در همان زمان، یکی از استخدام کنندگان تسلا با من تماس گرفت و پیشنهاد داد در مورد موقعیت کامپیوتر ویژن صحبت کنم. من موافقت کردم. من به خانه، دو صفحه فناوری، یک مصاحبه در محل رفتم و با آندری کارپاتی، که به تازگی در تسلا به عنوان مدیر هوش مصنوعی استخدام شده بود، گفتگوی بسیار دلپذیری داشتم. مرحله بعدی بررسی پس زمینه است. پس از آن، ایلان ماسک باید شخصاً درخواست من را تأیید می کرد. تسلا یک قرارداد غیر افشای سختگیرانه (NDA) دارد.
من چک پس زمینه را پاس نکردم. استخدام کننده گفت که من خیلی آنلاین چت می کنم و NDA را نقض می کنم. تنها جایی که من در مورد مصاحبه در تسلا چیزی گفتم ODS بود، بنابراین فرضیه فعلی این است که شخصی یک اسکرین شات گرفت و به HR در تسلا نامه نوشت و من به دور از خطر از مسابقه حذف شدم. آن موقع حیف بود. حالا خوشحالم که درست نشد. موقعیت فعلی من بسیار بهتر است، اگرچه کار با آندری بسیار جالب خواهد بود.
بلافاصله پس از آن، من وارد مسابقه تصویربرداری ماهواره ای در Kaggle شدم . مشکل ساده و بسیار خسته کننده بود؛ هیچ کس نمی خواست آن را حل کند، اما همه می خواستند یک مدال طلای رایگان یا یک جایزه پول داشته باشند. بنابراین با یک تیم 7 نفره Kaggle Masters توافق کردیم که آهن پرتاب کنیم. ما 480 شبکه را در حالت 'fit_predict' آموزش دادیم و یک گروه سه طبقه از آنها ساختیم. هفتم شدیم . به هر حال جرمی هوارد که به طور گسترده به عنوان خالق شناخته می شود 23 تمام شد
پس از پایان مسابقه، از طریق یکی از دوستانم که در AdRoll کار می کرد، یک Meetup در محل آنها ترتیب دادم. نمایندگان Planet Labs در مورد نحوه سازماندهی مسابقه و علامت گذاری داده ها در آنجا صحبت کردند. وندی کوان، که در Kaggle کار می کند و بر این رقابت نظارت می کرد، در مورد نحوه دید خود صحبت کرد. راه حل، ترفندها، تکنیک ها و جزئیات فنی خود را شرح دادم. دو سوم مخاطبان این مشکل را حل کردند، بنابراین سؤالات به طور کامل پرسیده شد و در کل همه چیز باحال بود. جرمی هاوارد هم آنجا بود. معلوم شد که او در جایگاه 23 به پایان رسید زیرا او نمی دانست چگونه مدل را روی هم بچسباند و اصلاً از این روش ساخت مجموعه اطلاعی نداشت.
جلسات در دره در مورد یادگیری ماشینی بسیار متفاوت از جلسات در مسکو است. به عنوان یک قاعده، جلسات در دره پایین هستند. اما مال ما خوب شد متأسفانه رفیقی که قرار بود دکمه را بزند و همه چیز را ضبط کند، دکمه را نگرفت :)
پس از آن، از من دعوت شد تا با موقعیت مهندس یادگیری عمیق در همین آزمایشگاه سیاره، و بلافاصله در محل صحبت کنم. من از آن عبور نکردم. عبارت رد این است که دانش کافی در یادگیری عمیق وجود ندارد.
من هر مسابقه را به عنوان یک پروژه طراحی کردم . برای مشکل DSTL نوشتیم و آن را در arxiv قرار داد. مقاله نیست، اما هنوز نان. من همچنین به دیگران توصیه می کنم که پروفایل لینکدین خود را از طریق مسابقات، مقالات، مهارت ها و غیره افزایش دهند. بین تعداد کلمات کلیدی که در پروفایل لینکدین خود دارید و تعداد دفعاتی که مردم به شما پیام می دهند، رابطه مثبتی وجود دارد.
اگر در زمستان و بهار بسیار تکنیکی بودم، تا اوت هم دانش و هم اعتماد به نفس داشتم.
در پایان ژوئیه، مردی که به عنوان مدیر علوم داده در Lyft کار می کرد، در لینکدین با من تماس گرفت و از من دعوت کرد تا قهوه بنوشم و در مورد زندگی، درباره Lyft، در مورد TrueAccord گفتگو کنیم. ما صحبت کردیم. او پیشنهاد داد با تیم خود برای سمت دانشمند داده مصاحبه کند. گفتم گزینه کار می کند به شرطی که از صبح تا غروب Computer Vision / Deep Learning باشد. او اطمینان داد که هیچ اعتراضی از جانب او وجود ندارد.
من رزومه ام را فرستادم و او آن را در پورتال داخلی Lyft بارگذاری کرد. پس از آن، استخدام کننده با من تماس گرفت تا رزومه ام را باز کند و درباره من اطلاعات بیشتری کسب کند. از همان اولین کلمات، مشخص بود که این برای او یک امر رسمی بود، زیرا از رزومه اش برای او واضح بود که "من یک ماده برای Lyft نیستم." حدس می زنم بعد از آن رزومه من به سطل زباله رفت.
در تمام این مدت زمانی که در حال مصاحبه بودم، در مورد شکست ها و ریزش هایم در ODS صحبت می کردم و بچه ها به من بازخورد می دادند و از هر طریق ممکن با مشاوره به من کمک می کردند، اگرچه طبق معمول ترول های دوستانه زیادی در آنجا وجود داشت.
یکی از اعضای ODS به من پیشنهاد داد که با دوستش که مدیر مهندسی لیفت است ارتباط برقرار کند. زودتر گفته شود. من برای ناهار به Lyft می آیم، و در کنار این دوست، یک رئیس علوم داده و یک مدیر محصول نیز وجود دارد که از طرفداران بزرگ یادگیری عمیق است. در ناهار روی DL گپ زدیم. و از آنجایی که من به مدت نیم سال شبانه روزی شبکه ها را آموزش می دهم، متر مکعب ادبیات می خوانم، و وظایفی را روی Kaggle با نتایج کم و بیش واضح اجرا می کنم، می توانم ساعت ها در مورد یادگیری عمیق صحبت کنم، هم از نظر مقالات جدید و هم از نظر مقالات جدید. تکنیک های عملی
بعد از ناهار به من نگاه کردند و گفتند - بلافاصله مشخص است که تو خوش تیپ هستی، میخواهی با ما صحبت کنی؟ علاوه بر این، آنها اضافه کردند که برای من واضح است که صفحه نمایش take home + tech را می توان رد کرد. و اینکه من بلافاصله به محل دعوت خواهم شد. من موافقت کردم.
پس از آن، آن استخدام کننده با من تماس گرفت تا برای مصاحبه حضوری برنامه ریزی کنم و او ناراضی بود. او چیزی در مورد پریدن از روی سر شما زمزمه کرد.
آمد. مصاحبه در محل پنج ساعت ارتباط با افراد مختلف. در مورد یادگیری عمیق یا اصولاً در مورد یادگیری ماشین سؤال واحدی وجود نداشت. از آنجایی که یادگیری عمیق / دید کامپیوتری وجود ندارد، پس من علاقه ای به آن ندارم. بنابراین، نتایج مصاحبه متعامد بود.
این استخدام‌کننده تماس می‌گیرد و می‌گوید - تبریک می‌گویم، شما به دومین مصاحبه در محل رسیدید. این همه تعجب آور است. دومی در سایت چیست؟ من هرگز چنین چیزی را نشنیده ام. من رفتم. چند ساعت در آنجا وجود دارد، این بار همه چیز در مورد یادگیری ماشین سنتی است. این بهتر است. اما هنوز جالب نیست.
استخدام کننده با تبریک به خاطر گذراندن سومین مصاحبه حضوری تماس می گیرد و قول می دهد که این آخرین مصاحبه باشد. رفتم دیدم هم DL بود و هم CV.
من چندین ماه پیشی داشتم که به من گفت پیشنهادی وجود نخواهد داشت. من نه بر روی مهارت های فنی، بلکه در مهارت های نرم تمرین خواهم کرد. نه از جنبه نرم، بلکه در مورد این واقعیت است که موقعیت بسته خواهد شد یا اینکه شرکت هنوز استخدام نمی کند، بلکه صرفاً در حال آزمایش بازار و سطح نامزدها است.
اواسط مرداد. من آبجو خوردم باشه افکار تاریک 8 ماه گذشت و هنوز پیشنهادی ارائه نشده است. خوب است که زیر آبجو خلاق باشید، به خصوص اگر خلاقیت عجیب باشد. ایده ای به ذهنم می رسد. من آن را با الکسی شوتس، که در آن زمان فوق دکترای MIT بود، در میان می گذارم.
اگر نزدیکترین کنفرانس DL/CV را انتخاب کنید، مسابقاتی را که به عنوان بخشی از آن برگزار می شود تماشا کنید، چیزی را آموزش دهید و ارسال کنید، چه؟ از آنجایی که همه متخصصان آنجا شغل خود را بر این اساس می سازند و ماه ها یا حتی سال ها این کار را انجام می دهند، ما هیچ شانسی نداریم. اما ترسناک نیست. ما تسلیم معنی‌داری می‌کنیم، به آخرین مکان پرواز می‌کنیم، و بعد از آن یک پیش‌چاپ یا مقاله‌ای می‌نویسیم که چگونه مثل بقیه نیستیم و درباره تصمیم خود صحبت می‌کنیم. و مقاله قبلاً در لینکدین و در رزومه شما موجود است.
یعنی به نظر می رسد مرتبط است و کلمات کلیدی صحیح تری در رزومه وجود دارد که باید کمی شانس رسیدن به صفحه فناوری را افزایش دهد. کد و ارسالی از من، متون از الکسی. بازی، البته، اما چرا که نه؟
زودتر گفته شود. نزدیکترین کنفرانسی که ما در گوگل جستجو کردیم MICCAI بود و در واقع مسابقاتی در آنجا برگزار شد. اولی را زدیم. بود . وظیفه دارای 3 کار فرعی است. 8 روز تا پایان مهلت باقی مانده بود. صبح هوشیار شدم، اما این ایده را رها نکردم. من خطوط لوله خود را از Kaggle گرفتم و آنها را از داده های ماهواره ای به داده های پزشکی تغییر دادم. 'fit_predict'. الکسی برای هر مشکل توضیحی دو صفحه ای از راه حل ها تهیه کرد و ما آن را ارسال کردیم. آماده. در تئوری، شما می توانید بازدم کنید. اما معلوم شد که کار دیگری برای همان کارگاه وجود دارد () با سه کار فرعی و اینکه مهلتش 4 روز بالا رفته است، یعنی می توانیم «fit_predict» را آنجا انجام دهیم و ارسال کنیم. این کاری است که ما انجام دادیم.
برخلاف Kaggle، این مسابقات دارای ویژگی های علمی خاص خود بود:
- بدون تابلوی امتیازات. مطالب ارسالی از طریق ایمیل ارسال می شود.
- اگر نماینده تیم برای ارائه راه حل در کنفرانس در کارگاه نیامد، حذف خواهید شد.
- جایگاه شما در تابلوی امتیازات فقط در طول کنفرانس مشخص می شود. نوعی درام آکادمیک
کنفرانس MICCAI 2017 در شهر کبک برگزار شد. صادقانه بگویم، در ماه سپتامبر شروع به فرسودگی کردم، بنابراین ایده یک هفته مرخصی از کار و رفتن به کانادا جالب به نظر می رسید.
به کنفرانس آمد. من به این کارگاه آمدم، کسی را نمی شناسم، گوشه ای نشسته ام. همه همدیگر را می شناسند، ارتباط برقرار می کنند، کلمات هوشمندانه پزشکی را بیرون می اندازند. بررسی مسابقه اول شرکت کنندگان صحبت می کنند و در مورد تصمیمات خود صحبت می کنند. آنجا خنک است، با درخشش. نوبت من. و من به نوعی حتی شرمنده هستم. آنها مشکل را حل کردند، روی آن کار کردند، علم را پیشرفته کردند، و ما صرفاً از پیشرفت‌های گذشته "مناسب_پیش‌بینی" می‌کنیم، نه برای علم، بلکه برای تقویت رزومه خود.
او بیرون آمد و گفت من هم متخصص پزشکی نیستم، از اینکه وقتشان را تلف کردم عذرخواهی کرد و یک اسلاید با محلول به من نشان داد. به سمت سالن رفتم.
آنها اولین کار فرعی را اعلام می کنند - ما اول هستیم و با اختلاف.
نفر دوم و سوم اعلام می شود.
آنها سوم را اعلام می کنند - دوباره اول و دوباره با سرب.
ژنرال اول است.
برخی از حضار لبخند می زنند و با احترام به من نگاه می کنند. برخی دیگر، کسانی که ظاهراً در این زمینه متخصص به شمار می‌رفتند، برای این کار کمک هزینه دریافت کرده بودند و سال‌ها این کار را انجام می‌دادند، چهره‌شان کمی مخدوش بود.
بعد کار دوم است، کاری که سه کار فرعی دارد و چهار روز جلوتر رفته است.
در اینجا من هم عذرخواهی کردم و یک اسلاید خود را دوباره نشان دادم.
همین داستان. دو اول، یک دوم، اول مشترک.
من فکر می کنم این احتمالاً اولین بار در تاریخ است که یک آژانس مجموعه برنده مسابقه تصویربرداری پزشکی می شود.
و حالا من روی صحنه ایستاده ام، آنها به من نوعی مدرک می دهند و من بمباران شده ام. لعنتی چطور میتونه باشه این دانشگاهیان پول مالیات دهندگان را خرج می کنند و برای ساده سازی و بهبود کیفیت کار برای پزشکان کار می کنند، یعنی از نظر تئوری امید به زندگی من است، و یک بدن چند روز بعد تمام این هیات علمی را به پرچم انگلیس پاره کرد.
امتیاز این کار این است که در تیم های دیگر، دانشجویان فارغ التحصیل که ماه ها روی این وظایف کار می کنند، رزومه ای دارند که برای منابع انسانی جذاب است، یعنی به راحتی به صفحه فناوری می رسند. و در مقابل چشمان من یک ایمیل تازه دریافت شده است:
A Googler recently referred you for the Research Scientist, Google Brain (United States) role. We carefully reviewed your background and experience and decided not to proceed with your application at this time.به طور کلی، درست از روی صحنه، از تماشاگران می پرسم: "آیا کسی می داند من کجا کار می کنم؟" یکی از سازمان دهندگان مسابقه می دانست - او در گوگل جستجو کرد که TrueAccord چیست. بقیه نیستند. ادامه می‌دهم: «من برای یک آژانس مجموعه کار می‌کنم و در محل کار، نه کامپیوتر ویژن و نه یادگیری عمیق انجام می‌دهم. و از بسیاری جهات، این اتفاق می افتد زیرا بخش های منابع انسانی Google Brain و Deepmind رزومه من را فیلتر می کنند و به من فرصتی برای نشان دادن آموزش فنی نمی دهند. "
گواهی را تحویل دادند، یک استراحت. گروهی از دانشگاهیان مرا کنار می کشند. معلوم شد که این یک گروه سلامت با Deepmind است. آنها به قدری تحت تأثیر قرار گرفتند که بلافاصله خواستند در مورد جای خالی مهندس محقق در تیم خود با من صحبت کنند. (ما صحبت کردیم. این مکالمه 6 ماه به طول انجامید، من امتحان کردم، امتحان کردم، اما در صفحه فناوری کوتاه شد. 6 ماه از شروع ارتباط تا صفحه فناوری زمان زیادی است. انتظار طولانی طعم را می دهد. مهندس پژوهش در Deepmind در لندن، در برابر پس‌زمینه TrueAccord، یک گام قوی به سمت بالا بود، اما با توجه به موقعیت فعلی من، یک پله پایین آمدن است. از فاصله دو سالی که از آن زمان می‌گذرد، خوب است. که نشد.)
نتیجه
تقریباً در همان زمان پیشنهادی از لیفت دریافت کردم که پذیرفتم.
بر اساس نتایج این دو مسابقه با MICCAI موارد زیر منتشر شد:
یعنی با وجود وحشی بودن ایده، افزودن مقالات افزایشی و پیش چاپ از طریق مسابقات به خوبی کار می کند. و در سالهای بعد ما آن را حتی بدتر کردیم.
من در چند سال گذشته در Lyft کار کرده‌ام و در زمینه کامپیوترهای Vision/Deep Learning برای خودروهای خودران کار کرده‌ام. یعنی به چیزی که می خواستم رسیدم. و وظایف، و یک شرکت با موقعیت بالا، و همکاران قوی، و همه چیزهای خوب.
در طی این ماه‌ها، هم با شرکت‌های بزرگ گوگل، فیسبوک، اوبر، لینکدین و با دریایی از استارت‌آپ‌ها در اندازه‌های مختلف ارتباط داشتم.
این همه ماه درد داشت کائنات هر روز به شما چیزی می گوید که چندان خوشایند نیست. طرد شدن منظم، مرتکب اشتباه کردن منظم و همه اینها با یک احساس مداوم ناامیدی مزه دار می شود. هیچ تضمینی برای موفقیت شما وجود ندارد، اما این احساس وجود دارد که شما یک احمق هستید. این بسیار یادآور تلاش من برای یافتن شغل بلافاصله بعد از دانشگاه است.
فکر می کنم خیلی ها دنبال کار در دره بودند و همه چیز برایشان راحت تر بود. ترفند، به نظر من، این است. اگر به دنبال شغلی در زمینه‌ای هستید که در آن می‌دانید، تجربه زیادی دارید و رزومه شما هم همین را می‌گوید، هیچ مشکلی وجود ندارد. گرفتم و پیداش کردم. جای خالی زیادی وجود دارد.
اما اگر به دنبال شغلی در زمینه ای هستید که برای شما جدید است، یعنی زمانی که دانشی وجود ندارد، هیچ ارتباطی وجود ندارد و رزومه شما چیزی اشتباه می گوید - در این لحظه همه چیز به شدت جالب می شود.
در حال حاضر، استخدام‌کنندگان مرتباً به من نامه می‌نویسند و پیشنهاد می‌کنند همان کاری را که الان انجام می‌دهم، اما در شرکتی متفاوت انجام دهم. واقعا زمان تغییر شغل فرا رسیده است. اما هیچ فایده ای ندارد که کاری را انجام دهم که قبلاً در آن مهارت دارم. برای چی؟
اما برای آنچه من می خواهم، من دوباره نه دانش و نه خطوط در رزومه ام. بیایید ببینیم این همه چگونه به پایان می رسد. اگر همه چیز خوب پیش رفت، قسمت بعدی را خواهم نوشت. 🙂
منبع: www.habr.com