Ezt a képet Arthur Kuzin készítette (), egészen pontosan összefoglalja a blogbejegyzés tartalmát. Ennek eredményeként a következő elbeszélést inkább egy pénteki történetnek kell tekinteni, mint valami rendkívül hasznosnak és technikainak. Emellett érdemes megjegyezni, hogy a szöveg gazdag angol szavakban. Nem tudom, hogyan kell néhányat helyesen lefordítani, és nem is akarok néhányat lefordítani.
Az első két epizódból kiderül, hogyan ment végbe az akadémiai környezetből az ipari környezetbe való átmenet. Ebben a beszélgetésben arról lesz szó, hogy mi történt ezután.
2017 januárja volt. Akkoriban valamivel több, mint egy éves munkatapasztalattal rendelkeztem, és San Franciscóban dolgoztam a cégnél mint Sr. Adattudós.
A TrueAccord egy adósságbehajtó startup. Egyszerűen fogalmazva - behajtási iroda. A gyűjtők általában sokat telefonálnak. Sok e-mailt küldtünk, de keveset hívtunk. Minden egyes e-mail a cég weboldalára vezetett, ahol az adósnak kedvezményt ajánlottak a tartozásból, sőt részletfizetést is engedélyeztek. Ez a megközelítés jobb beszedést eredményezett, lehetővé tette a méretezést és a pereknek való kisebb kitettséget.
A társaság normális volt. A termék tiszta. A vezetőség józan. A helyszín jó.
A völgyben élők átlagosan körülbelül másfél évig dolgoznak egy helyen. Vagyis minden cég, ahol dolgozol, csak egy kis lépés. Ennél a lépésnél pénzt gyűjt, új ismereteket, készségeket, kapcsolatokat és vonalakat sajátít el önéletrajzában. Ezt követően következik az átmenet a következő szakaszba.
Magán a TrueAccord-nál részt vettem az e-mailes hírlevelekhez ajánlórendszerek csatolásában, valamint a telefonhívások fontossági sorrendjének meghatározásában. A hatás érthető, és az A/B tesztelés révén dollárban is jól mérhető volt. Mivel érkezésem előtt nem volt gépi tanulás, a munkám hatása nem volt rossz. Ismétlem, sokkal könnyebb valamit javítani, mint valamit, ami már erősen optimalizált.
Hat hónapos munka után ezeken a rendszereken, még az alapfizetésemet is megemelték 150 163 dollárról XNUMX XNUMX dollárra. A közösségben van egy mém 163 ezer dollárról. Innen a lábával nő.
Mindez csodálatos volt, de nem vezetett sehova, vagy vezetett, de nem oda.
Nagyon tisztelem a TrueAccordot, mind a céget, mind a srácokat, akikkel ott dolgoztam. Sokat tanultam tőlük, de nem akartam sokáig ajánlórendszereken dolgozni egy behajtási irodánál. Ettől a lépéstől el kellett lépned valamilyen irányba. Ha nem is előre és felfelé, akkor legalább oldalra.
Mi nem tetszett?
- A gépi tanulás szempontjából a problémák nem izgattak. Valami divatosra, fiatalosra vágytam, vagyis a Deep Learningre, a Computer Visionra, valami tudományhoz vagy legalábbis alkímiához közel állót.
- Egy induló vállalkozásnak, sőt egy behajtási irodának is gondjai vannak a magasan képzett munkaerő felvételével. Startupként nem tud sokat fizetni. De mint behajtó iroda, veszít a státuszából. Nagyjából, ha egy lány randevúzva megkérdezi, hol dolgozol? Az Ön válasza: „A Google-on” nagyságrendekkel jobban hangzik, mint a „behajtási ügynökség”. Engem kicsit zavart, hogy a Google-nál és a Facebooknál dolgozó barátaim előtt velem ellentétben a cégük neve olyan ajtót nyitott ki, mint: meghívhatnak konferenciára, találkozóra előadónak, vagy érdekesebb emberek írnak a LinkedInre. találkozási és csevegési ajánlattal egy pohár tea mellett. Nagyon szeretek olyan emberekkel kommunikálni, akiket nem ismerek személyesen. Tehát ha San Franciscóban él, ne habozzon írni – menjünk kávézni és beszélgetni.
- Rajtam kívül három adattudós dolgozott a cégben. Én a gépi tanuláson dolgoztam, ők pedig más Data Science-feladatokon, amelyek innentől holnapig minden induló vállalkozásnál gyakoriak. Ennek eredményeként nem igazán értették a gépi tanulást. De ahhoz, hogy fejlődjek, kommunikálni kell valakivel, meg kell beszélnem a cikkeket és a legújabb fejleményeket, és a végén tanácsot kell kérnem.
Mi volt elérhető?
- Iskolai végzettség: fizika, nem informatika.
- Az egyetlen programozási nyelv, amit ismertem, a Python volt. Volt egy olyan érzésem, hogy át kell váltanom C++-ra, de még mindig nem tudtam megkerülni.
- Másfél év munka az iparban. Ráadásul a munkahelyemen nem tanultam sem a mélytanulást, sem a számítógépes látást.
- Az önéletrajzban egyetlen cikk sem található a Deep Learning / Computer Vision témakörben.
- Volt egy Kaggle Master teljesítmény.
Mit akartál?
- Olyan pozíció, ahol sok hálózat képzésére lesz szükség, és közelebb kerül a számítógépes látáshoz.
- Jobb, ha olyan nagy cégről van szó, mint a Google, Tesla, Facebook, Uber, LinkedIn stb. Bár egy csapásra egy startup is megtenné.
- Nem kell a legnagyobb gépi tanulási szakértőnek lennem a csapatban. Nagy szükség volt idősebb elvtársakra, mentorokra és mindenféle kommunikációra, ami a tanulási folyamatot hivatott felgyorsítani.
- Miután elolvastam azokat a blogbejegyzéseket, amelyek arról szólnak, hogy az ipari tapasztalattal nem rendelkező diplomások évi 300-500 XNUMX dolláros teljes kompenzációt kapnak, szerettem volna ugyanebbe a tartományba menni. Nem mintha ez annyira zavarna, de mivel azt mondják, hogy ez gyakori jelenség, de nálam kevesebb, akkor ez egy jelzés.
A feladat teljesen megoldhatónak tűnt, igaz, nem abban az értelemben, hogy bármelyik társaságba be lehet ugrani, hanem inkább úgy, hogy ha éhezel, akkor minden sikerül. Vagyis több tíz vagy száz próbálkozást, és minden kudarcból és minden elutasításból fakadó fájdalmat fel kell használni a fókusz élesítésére, a memória javítására és a nap 36 órára való kiterjesztésére.
Megcsináltam az önéletrajzomat, elkezdtem kiküldeni, és interjúkra mentem. A legtöbbjük mellett elrepültem a HR-es kommunikáció szakaszában. Sokan igényelték a C++-t, de én nem tudtam, és az volt az érzésem, hogy nem nagyon fognak érdekelni a C++-t igénylő pozíciók.
Érdemes megjegyezni, hogy nagyjából ugyanebben az időben fázisváltás volt a Kaggle-i versenyek típusában. 2017 előtt nagyon sok táblázatos adat és nagyon ritkán kép adat volt, 2017-től viszont rengeteg számítógépes látási feladat volt.
Az élet a következő módban folyt:
- Munka napközben.
- Amikor műszaki képernyőn / helyszíni, szabadságot vesz ki.
- Esténként és hétvégén Kaggle + cikkek / könyvek / blogbejegyzések
2016 vége az volt, hogy csatlakoztam a közösséghez , ami sok mindent leegyszerűsített. Nagyon sok srác van a közösségben gazdag ipari tapasztalattal, ami lehetővé tette számunkra, hogy sok hülye kérdést tegyünk fel, és sok okos választ kapjunk. Nagyon sok nagyon erős gépi tanulási szakember is létezik minden kategóriából, ami váratlanul lehetővé tette számomra, hogy az ODS-en keresztül lezárjam a kérdést az adattudományról szóló rendszeres mélyreható kommunikációval. Eddig az ML-ben az ODS sokszor többet ad, mint amit a munkahelyemen kapok.
Nos, mint általában, az ODS-nek elegendő szakembere van a Kaggle-en és más webhelyeken folyó versenyeken. A csapatban való problémamegoldás szórakoztatóbb és produktívabb, ezért viccekkel, káromkodásokkal, mémekkel és egyéb idióta szórakozásokkal egyenként kezdtük el megoldani a problémákat.
2017 márciusában - Serega Mushinsky csapatában - a harmadik hely . Aranyérem a Kaggle-n + 20 XNUMX dollár kettőért. Ennél a feladatnál a műholdképekkel végzett munka + az UNeten keresztüli bináris szegmentálás javítva lett.
Ugyanebben a márciusban elmentem interjúra az NVidiánál az Self Driving csapatával. Nagyon küzdöttem az objektumészlelés kérdéseivel. Nem volt elég tudás.
Szerencsére ugyanebben az időben kezdődött el az objektumészlelési verseny is ugyanabból a DSTL-ből származó légifelvételeken. Isten maga parancsolta a probléma megoldására és a frissítésre. Egy hónap estékből és hétvégékből. Felvettem a tudást és második lettem. Ennek a versenynek volt egy érdekes árnyalata a szabályokban, ami oda vezetett, hogy Oroszországban mutattak be szövetségi és nem annyira szövetségi csatornákon. Felszálltam , valamint egy csomó nyomtatott és online kiadványban. A Mail Ru Group kapott egy kis pozitív PR-t az én költségemen és a saját pénzükön, az oroszországi fundamentális tudomány pedig 12000 XNUMX fonttal gazdagodott. Szokás szerint ebben a témában íródott . Menjen oda a részletekért.
Ugyanakkor egy Tesla toborzó felkeresett, és felajánlotta, hogy beszél a Computer Vision pozícióról. Beleegyeztem. Átfutottam a hazavitel, két technológiai képernyő, egy helyszíni interjú, és nagyon kellemes beszélgetést folytattam Andrei Karpathyval, akit nemrég vettek fel a Teslánál az AI igazgatójának. A következő lépés a háttérellenőrzés. Ezt követően Elon Musknak személyesen kellett jóváhagynia a jelentkezésemet. A Tesla szigorú titoktartási megállapodást (NDA) kötött.
Nem mentem át a háttérellenőrzésen. A toborzó azt mondta, hogy sokat csevegek online, ezzel megsértve az NDA-t. Az egyetlen hely, ahol bármit is mondtam a Teslánál adott interjúról, az ODS volt, tehát a jelenlegi hipotézis az, hogy valaki képernyőképet készített, és írt a Tesla HR-jének, és engem a veszély miatt eltávolítottak a versenyből. Akkor kár volt. Most örülök, hogy nem sikerült. A jelenlegi pozícióm sokkal jobb, bár nagyon érdekes lenne Andreyvel dolgozni.
Közvetlenül ezután belevetettem magam a Kaggle műholdfelvételi versenyébe . A probléma egyszerű és rendkívül unalmas volt, senki sem akarta megoldani, de mindenki ingyen aranyéremre vagy pénzdíjra vágyott. Ezért egy 7 fős Kaggle Masters csapattal megegyeztünk abban, hogy vasat dobunk. 480 hálózatot betanítottunk „fit_predict” módban, és háromszintes együttest készítettünk belőlük. Hetedikek lettünk. . Amúgy Jeremy Howard, akit alkotóként széles körben ismernek végzett 23.
A verseny lejárta után egy barátomon keresztül, aki az AdRollnál dolgozott, egy Meetup-ot szerveztem a telephelyükön. A Planet Labs képviselői ott beszéltek arról, hogyan nézett ki részükről a verseny lebonyolítása és az adatjelölés. Wendy Kwan, aki a Kaggle-nél dolgozik, és felügyelte a versenyt, arról beszélt, hogyan látta ezt. Leírtam a megoldásunkat, a trükköket, a technikákat és a technikai részleteket. A közönség kétharmada megoldotta ezt a problémát, így a kérdések lényegre törőek voltak, és általában minden klassz volt. Jeremy Howard is ott volt. Kiderült, hogy azért végzett a 23. helyen, mert nem tudta, hogyan kell egymásra rakni a makettet, és egyáltalán nem ismerte az együttesek felépítésének ezt a módját.
A gépi tanulással kapcsolatos találkozók a völgyben nagyon különböznek a moszkvai találkozóktól. Általános szabály, hogy a völgyben zajló találkozók az alsó. De a miénk jó lett. Sajnos az elvtárs, akinek meg kellett volna nyomnia a gombot és mindent fel kellett volna vennie, nem nyomta meg a gombot :)
Ezt követően meghívtak, hogy beszéljek a Deep Learning Engineer pozíciójával ugyanabban a Planet Labsban, és azonnal a helyszínen. nem mentem át. Az elutasítás megfogalmazása szerint nincs elég tudás a Deep Learningben.
Minden versenyt projektként terveztem . A DSTL problémára írtunk és feltette az arxiv-ra. Nem cikk, de mégis kenyér. Mindenki másnak is azt javaslom, hogy növelje LinkedIn profilját versenyeken, cikkeken, készségeken stb. Pozitív korreláció van a LinkedIn-profiljában szereplő kulcsszavak száma és aközött, hogy milyen gyakran üzenetet küldenek Önnek.
Ha télen-tavasszal nagyon technikás voltam, akkor augusztusra megvolt bennem a tudás és az önbizalom is.
Július végén egy srác, aki Data Science menedzserként dolgozott a Lyftnél, megkeresett a LinkedIn-en, és meghívott egy kávéra, és chateljek az életről, a Lyftről, a TrueAccordról. Beszélgettünk. Felajánlotta, hogy interjút készít csapatával a Data Scientist posztra. Azt mondtam, hogy a lehetőség működik, feltéve, hogy a Computer Vision / Deep Learning reggeltől estig. Biztosította, hogy nincs kifogása a részéről.
Elküldtem az önéletrajzomat, ő pedig feltöltötte a Lyft belső portáljára. Ezt követően felhívott a toborzó, hogy nyissam meg az önéletrajzomat és tudjon meg többet rólam. Már az első szavaitól kezdve egyértelmű volt, hogy számára ez formalitás, hiszen az önéletrajzából nyilvánvaló volt számára, hogy „nem vagyok anyag a Lyft számára”. Gondolom ezután került az önéletrajzom a kukába.
Egész idő alatt az interjú alatt megbeszéltem a kudarcaimat, bukásaimat az ODS-ben, a srácok pedig visszajelzéseket adtak, és mindenben segítettek tanácsokkal, bár szokás szerint ott is sok volt a baráti trollkodás.
Az egyik ODS-tag felajánlotta, hogy kapcsolatba lép a barátjával, aki a Lyft mérnöki igazgatója. Alig van szó, mint kész. Ebédre jövök a Lyftbe, és ezen a baráton kívül van még egy Data Science vezetője és egy termékmenedzser, aki nagy rajongója a Deep Learningnek. Ebédnél DL-n beszélgettünk. És mivel fél éve oktatom a hét minden napján 24 órában hálózatokat, köbméter szakirodalmat olvastam, és többé-kevésbé egyértelmű eredménnyel futottam a feladatokat a Kaggle-n, órákig tudnék beszélni a Deep Learningről, mind új cikkek, mind gyakorlati technikák.
Ebéd után rám néztek, és azt mondták - azonnal nyilvánvaló, hogy jóképű vagy, akarsz velünk beszélni? Sőt, hozzátették, hogy számomra egyértelmű, hogy a hazavitel + tech képernyő kihagyható. És hogy azonnal meghívnak a helyszínre. Beleegyeztem.
Ezt követően az a toborzó felhívott, hogy időpontot kérjek egy helyszíni interjúra, és elégedetlen volt. Motyogott valamit, hogy ne ugorja át a fejét.
Jött. Helyszíni interjú. Öt óra kommunikáció különböző emberekkel. Egyetlen kérdés sem volt a Deep Learningről, vagy elvileg a gépi tanulásról. Mivel nincs Deep Learning / Computer Vision, ezért nem érdekel. Így az interjú eredménye ortogonális volt.
Ez a toborzó felhív, és azt mondja – gratulálok, átjutott a második helyszíni interjúig. Mindez meglepő. Mi a második helyszíni? Még soha nem hallottam ilyesmiről. Mentem. Van néhány óra, ezúttal a hagyományos gépi tanulásról szól. Ez jobb. De még mindig nem érdekes.
A toborzó gratulálva hív, hogy sikeres voltam a harmadik helyszíni interjún, és megfogadja, hogy ez lesz az utolsó. Elmentem megnézni, volt DL és önéletrajz is.
Sok hónapig volt egy elődöm, aki azt mondta, hogy nem lesz ajánlat. Nem technikai tudáson fogok edzeni, hanem lágyakon. Nem a puha oldalon, hanem azon, hogy bezárják a pozíciót, vagy hogy a cég még nem vesz fel, hanem egyszerűen teszteli a piacot és a jelöltek szintjét.
Augusztus közepe. sört ittam rendben. Sötét gondolatok. Eltelt 8 hónap és még mindig nincs ajánlat. Kreatívnak lenni jó a sör alatt, főleg ha furcsa a kreativitás. Egy ötlet jut eszembe. Megosztom Alexey Shvets-szel, aki akkoriban az MIT posztdoktora volt.
Mi van, ha részt vesz a legközelebbi DL/CV konferencián, megnézi az ennek keretében megrendezett versenyeket, edz valamit és leadja? Mivel ott minden szakember erre építi a karrierjét, és ezt csinálja hosszú hónapok, sőt évek óta, esélyünk sincs. De nem ijesztő. Valami értelmes beadványt készítünk, az utolsó helyre repülünk, és utána írunk egy előzetest vagy egy cikket arról, hogy nem vagyunk olyanok, mint mindenki más, és megbeszéljük a döntésünket. A cikk pedig már fent van a LinkedIn-en és az önéletrajzodban is.
Vagyis relevánsnak tűnik és az önéletrajzban több korrekt kulcsszó található, ami némileg növeli a technikai képernyőre jutás esélyét. Kód és beadványok tőlem, szövegek Alexeytől. Játék persze, de miért ne?
Alig van szó, mint kész. A legközelebbi konferencia, amit a google-ban kerestünk, a MICCAI volt, és valójában versenyek is voltak ott. Eltaláltuk az elsőt. Ez volt . A feladatnak 3 részfeladata van. 8 nap volt hátra a határidőig. Reggel kijózanodtam, de nem adtam fel az ötletet. Elvettem a vezetékeimet a Kaggle-től, és átállítottam őket műholdas adatokról orvosi adatokra. 'fit_predict'. Alexey minden problémához elkészített egy kétoldalas megoldásleírást, amit elküldtünk. Kész. Elméletileg ki lehet lélegezni. De kiderült, hogy ugyanannak a műhelynek van egy másik feladata is () három részfeladattal, és hogy a határideje 4 nappal feljebb került, vagyis ott meg tudjuk csinálni a 'fit_predict'-et és elküldjük. Ezt tettük.
A Kaggle-lel ellentétben ezeknek a versenyeknek megvoltak a saját tudományos sajátosságai:
- Nincs ranglista. A beadványokat e-mailben küldjük el.
- Távolítjuk el, ha a csapat képviselője nem jön el a megoldást bemutatni a Workshop konferencián.
- A ranglistán elfoglalt helyed csak a konferencia során válik ismertté. Egyfajta akadémiai dráma.
A MICCAI 2017 konferenciát Quebec Cityben tartották. Hogy őszinte legyek, szeptemberben kezdtem kiégni, így érdekesnek tűnt az ötlet, hogy kiveszek egy hét szabadságot a munkából, és elinduljak Kanadába.
Eljött a konferenciára. Eljöttem ebbe a Műhelybe, nem ismerek senkit, a sarokban ülök. Mindenki ismeri egymást, kommunikálnak, okos orvosi szavakat szórnak ki. Szemle az első versenyről. A résztvevők beszélnek és beszélnek döntéseikről. Ott hűvös van, csillogva. Én jövök. És valahogy még szégyellem is magam. Megoldották a problémát, dolgoztak rajta, továbbfejlesztették a tudományt, mi pedig tisztán „fit_predict” vagyunk a múltbeli fejleményekből, nem a tudomány miatt, hanem az önéletrajzunk fellendítése érdekében.
Kijött, és azt mondta, hogy én sem vagyok szakértő az orvostudományban, elnézést kért, hogy elvesztegettem az idejüket, és mutatott egy diát a megoldással. lementem a hallba.
Kihirdetik az első részfeladatot – mi vagyunk az elsők, méghozzá némileg.
Bejelentik a második és a harmadikat.
Bejelentik a harmadikat - újra először és újra vezetéssel.
A tábornok az első.
A közönség közül néhányan mosolyognak, és tisztelettel néznek rám. Mások, akik nyilvánvalóan a terület szakértőinek számítottak, pályázatot nyertek erre a feladatra, és évek óta ezt csinálták, kissé eltorzult arckifejezéssel.
Következik a második feladat, amely három részfeladatot tartalmaz, és amelyet négy nappal előbbre toltak.
Itt én is elnézést kértem és ismét megmutattam az egyik diánkat.
Ugyanaz a történet. Két első, egy második, közös először.
Azt hiszem, ez az első alkalom a történelemben, hogy egy gyűjtőügynökség nyert egy orvosi képalkotó versenyt.
És most a színpadon állok, valami oklevelet adnak át, és bombáznak. Hogy a fenébe lehet ez? Ezek az akadémikusok az adófizetők pénzét költik, azon dolgoznak, hogy egyszerűsítsék és javítsák az orvosok munkájának minőségét, vagyis elméletileg az én várható élettartamomat, és néhány testület néhány este alatt a brit zászlóba tépte ezt az egész tudományos stábot.
Ennek bónusza, hogy más csapatokban a HR számára vonzó önéletrajzot kapnak azok a végzős hallgatók, akik hosszú hónapok óta dolgoznak ezeken a feladatokon, vagyis könnyen eljutnak a tech képernyőjére. És a szemem előtt ott van egy frissen kapott e-mail:
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.Általában közvetlenül a színpadról kérdezem a közönséget: „Tudja valaki, hol dolgozom?” A verseny egyik szervezője tudta – a Google-ba kereste, mi az a TrueAccord. A többi nem. Folytatom: „Egy behajtási irodának dolgozom, és a munkahelyemen nem foglalkozom sem Computer Vision, sem Deep Learning programmal. És sok szempontból ez azért történik, mert a Google Brain és a Deepmind HR osztályai szűrik az önéletrajzomat, és nem adnak lehetőséget arra, hogy technikai képzést mutassam be. "
Átadták az igazolást, szünet. Egy csoport akadémikus félreránt. Kiderült, hogy ez egy egészségügyi csoport a Deepminddel. Annyira lenyűgözte őket, hogy azonnal beszélni akartak velem a kutatómérnöki állásról a csapatukban. (Beszélgettünk. Ez a beszélgetés 6 hónapig tartott, átmentem hazavitel, kvíz, de a műszaki képernyőn lemaradtam. A kommunikáció kezdetétől a műszaki képernyőig 6 hónap hosszú idő. A hosszú várakozás ízelítőt ad A londoni Deepmind kutatómérnöke, a TrueAccord hátterében erős lépés volt felfelé, de a jelenlegi pozíciómhoz képest lefelé. Az azóta eltelt két év távlatából jó hogy nem.)
Következtetés
Ugyanebben az időben kaptam egy ajánlatot a Lyfttől, amit elfogadtam.
A MICCAI két versenyének eredményei alapján a következőket tették közzé:
Vagyis az ötlet vadsága ellenére jól működik a növekményes cikkek és előnyomatok versenyeken történő hozzáadása. A következő években pedig még rosszabbá tettük a helyzetet.
Az elmúlt néhány évben a Lyftnél dolgozom, és Computer Vision/Deep Learning for Self Driving cars programokat végeztem. Vagyis azt kaptam, amit akartam. És feladatok, és egy magas státuszú cég, és erős kollégák, és minden egyéb jó.
Ezekben a hónapokban kommunikáltam mindkét nagy céggel, a Google-lal, a Facebookkal, az Uberrel, a LinkedInnel, és rengeteg különböző méretű startup céggel.
Fájt ezekben a hónapokban. Az univerzum minden nap mond valami nem túl kellemeset. Rendszeres elutasítás, rendszeres hibázás és mindezt tartós kilátástalanság érzése ízesíti. Nincs garancia arra, hogy sikerrel jársz, de van egy olyan érzés, hogy bolond vagy. Nagyon emlékeztet arra, hogyan próbáltam közvetlenül az egyetem után munkát találni.
Azt hiszem, sokan a völgyben kerestek munkát, és minden sokkal könnyebb volt számukra. A trükk véleményem szerint ez. Ha olyan területen keresel munkát, amihez értesz, sok tapasztalatod van, és az önéletrajzod is ezt mondja, akkor nincs gond. Elvettem és megtaláltam. Nagyon sok az üresedés.
De ha olyan területen keresel munkát, ami új számodra, vagyis amikor nincs tudás, nincsenek kapcsolatok, és az önéletrajzodban valami rosszat mond - ebben a pillanatban minden rendkívül érdekessé válik.
Jelenleg rendszeresen írnak nekem a toborzók, és felajánlják, hogy ugyanazt csinálom, amit most, de egy másik cégben. Tényleg ideje munkahelyet váltani. De nincs értelme azt csinálni, amiben már jó vagyok. Miért?
De ahhoz, amit akarok, megint nincs se tudásom, se sorom az önéletrajzomban. Lássuk, mi lesz ennek az egésznek a vége. Ha minden jól megy, írom a következő részt. 🙂
Forrás: will.com