Այս նկարը Արթուր Կուզինն է (), բավականին ճշգրիտ կերպով ամփոփում է բլոգի գրառման բովանդակությունը։ Արդյունքում, հետևյալ պատմությունը պետք է ավելի շատ ընկալվի ուրբաթօրյա պատմության, քան որպես չափազանց օգտակար և տեխնիկական բան: Բացի այդ, հարկ է նշել, որ տեքստը հարուստ է անգլերեն բառերով։ Ես չգիտեմ, թե ինչպես ճիշտ թարգմանել դրանցից մի քանիսը, և ես պարզապես չեմ ուզում թարգմանել դրանցից մի քանիսը:
Թե ինչպես է տեղի ունեցել ակադեմիական միջավայրից արդյունաբերական միջավայրի անցումը, բացահայտվում է առաջին երկու դրվագներում։ Այս մեկում խոսակցությունը կլինի այն մասին, թե ինչ եղավ հետո։
2017 թվականի հունվարն էր։ Այն ժամանակ ես ունեի մեկ տարուց մի փոքր ավելի աշխատանքային փորձ և աշխատում էի Սան Ֆրանցիսկոյում՝ ընկերությունում ինչպես ավագ. Տվյալների գիտնական.
TrueAccord-ը պարտքերի հավաքագրման ստարտափ է: Պարզ ասած՝ հավաքագրման գործակալություն։ Կոլեկցիոներները սովորաբար շատ են զանգահարում: Մենք բազմաթիվ նամակներ ուղարկեցինք, բայց քիչ զանգեր արեցինք: Յուրաքանչյուր նամակ տանում էր դեպի ընկերության կայք, որտեղ պարտապանին առաջարկվում էր զեղչ պարտքի վրա և նույնիսկ թույլատրվում էր վճարել մաս-մաս: Այս մոտեցումը հանգեցրեց ավելի լավ հավաքագրման, թույլ տվեց մասշտաբներ և ավելի քիչ ենթարկվել դատական գործերին:
Ընկերությունը նորմալ էր։ Ապրանքը պարզ է. Ղեկավարությունը խելամիտ է. Գտնվելու վայրը լավ է։
Միջին հաշվով, հովտում մարդիկ աշխատում են մեկ տեղում մոտ մեկուկես տարի։ Այսինքն՝ ցանկացած ընկերություն, որտեղ դուք աշխատում եք, ընդամենը մի փոքր քայլ է։ Այս քայլով դուք որոշակի գումար կհավաքեք, ձեռք կբերեք նոր գիտելիքներ, հմտություններ, կապեր և ձեր ռեզյումեի գծեր: Սրանից հետո անցում է կատարվում հաջորդ փուլին։
Ինքն TrueAccord-ում ես ներգրավված էի էլփոստի տեղեկագրերին առաջարկությունների համակարգերի կցման, ինչպես նաև հեռախոսազանգերի առաջնահերթության հարցում: Ազդեցությունը հասկանալի է և բավականին լավ չափվել է դոլարով A/B թեստավորման միջոցով: Քանի որ մինչ իմ գալը մեքենայական ուսուցում չկար, իմ աշխատանքի ազդեցությունը վատ չէր: Կրկին, շատ ավելի հեշտ է բարելավել ինչ-որ բան, քան մի բան, որն արդեն մեծապես օպտիմիզացված է:
Այս համակարգերի վրա վեց ամիս աշխատելուց հետո նրանք նույնիսկ բարձրացրին իմ հիմնական աշխատավարձը $150k-ից մինչև $163k: Համայնքում կա 163 հազար դոլարի մասին մեմ: Այստեղից աճում է ոտքերով։
Այս ամենը հիանալի էր, բայց դա ոչ մի տեղ չէր տանում, կամ տանում էր, բայց ոչ այնտեղ:
Ես մեծ հարգանքով եմ վերաբերվում TrueAccord-ին, ինչպես ընկերությանը, այնպես էլ այն տղաներին, որոնց հետ աշխատել եմ այնտեղ: Ես շատ բան սովորեցի նրանցից, բայց չէի ուզում երկար ժամանակ աշխատել հավաքագրման գործակալությունում առաջարկությունների համակարգերի վրա: Այս քայլից պետք էր ինչ-որ ուղղությամբ քայլել։ Եթե ոչ առաջ ու վեր, ապա գոնե կողքից:
Ի՞նչը ինձ դուր չեկավ:
- Մեքենայի ուսուցման տեսանկյունից խնդիրներն ինձ չհուզեցին: Ես ուզում էի ինչ-որ նորաձև, երիտասարդական բան, այսինքն՝ Deep Learning, Computer Vision, գիտությանը կամ գոնե ալքիմիային բավականին մոտ բան:
- Ստարտափը և նույնիսկ հավաքագրման գործակալությունը խնդիրներ ունի բարձր որակավորում ունեցող կադրեր վարձելու հետ կապված: Որպես ստարտափ, այն չի կարող շատ վճարել: Բայց որպես հավաքագրման գործակալություն՝ կորցնում է իր կարգավիճակը։ Կոպիտ ասած, եթե մի աղջիկ ժամադրության հարցնի, թե որտեղ եք աշխատում: Ձեր պատասխանը՝ «Google-ում» ավելի լավ է հնչում, քան «հավաքագրման գործակալություն»: Ինձ մի փոքր անհանգստացրեց այն փաստը, որ իմ ընկերների համար, ովքեր աշխատում են Google-ում և Facebook-ում, ի տարբերություն ինձ, իրենց ընկերության անունը բացեց այնպիսի դռներ, ինչպիսիք են. մի բաժակ թեյի շուրջ հանդիպելու և զրուցելու առաջարկով։ Ես իսկապես սիրում եմ շփվել մարդկանց հետ, որոնց անձամբ չեմ ճանաչում: Այսպիսով, եթե դուք ապրում եք Սան Ֆրանցիսկոյում, մի հապաղեք գրել. եկեք գնանք սուրճ խմելու և զրուցելու:
- Ինձնից բացի ընկերությունում աշխատել են երեք Data Scientists։ Ես աշխատում էի մեքենայական ուսուցման վրա, և նրանք աշխատում էին տվյալների գիտության այլ առաջադրանքների վրա, որոնք սովորական են այստեղից մինչև վաղը ցանկացած ստարտափում: Արդյունքում, նրանք իրականում չէին հասկանում մեքենայական ուսուցումը: Բայց որպեսզի աճեմ, ես պետք է շփվեմ մեկի հետ, քննարկեմ հոդվածներ և վերջին զարգացումները և վերջում խորհուրդ խնդրեմ:
Ի՞նչ էր հասանելի:
- Կրթություն՝ ֆիզիկա, ոչ թե համակարգչային գիտություն:
- Միակ ծրագրավորման լեզուն, որ ես գիտեի, Python-ն էր: Այնպիսի զգացողություն կար, որ ես պետք է անցնեմ C++-ին, բայց ես դեռ չէի կարողանում դրան հասնել:
- Արդյունաբերության մեջ մեկուկես տարվա աշխատանք. Ավելին, աշխատավայրում ես չեմ սովորել ո՛չ Deep Learning, ո՛չ Computer Vision։
- Ռեզյումեում ոչ մի հոդված Deep Learning / Computer Vision-ի մասին:
- Եղել է Kaggle Master-ի ձեռքբերում:
Ի՞նչ էիր ուզում։
- Դիրք, որտեղ անհրաժեշտ կլինի մարզել բազմաթիվ ցանցեր, և ավելի մոտ համակարգչային տեսլականին:
- Ավելի լավ է, եթե դա լինի այնպիսի խոշոր ընկերություն, ինչպիսին Google-ն է, Tesla-ն, Facebook-ը, Uber-ը, LinkedIn-ը և այլն: Թեև մի պտղունց, ստարտափը կարող է դա անել:
- Ինձ պետք չէ թիմում մեքենայական ուսուցման ամենամեծ փորձագետը լինել: Մեծ կարիք կար ավագ ընկերների, մենթորների և բոլոր տեսակի հաղորդակցությունների, որոնք պետք է արագացնեին ուսումնական գործընթացը։
- Բլոգի գրառումները կարդալուց հետո այն մասին, թե ինչպես են արդյունաբերական փորձ չունեցող շրջանավարտները տարեկան 300-500 հազար դոլար ընդհանուր փոխհատուցում ստանում, ես ցանկացա անցնել նույն տիրույթին: Այնպես չէ, որ դա ինձ այդքան անհանգստացնում է, բայց քանի որ ասում են, որ սա սովորական երևույթ է, բայց ես ավելի քիչ ունեմ, ուրեմն սա ազդանշան է։
Խնդիրը լիովին լուծելի էր թվում, թեև ոչ այն իմաստով, որ դուք կարող եք ցատկել որևէ ընկերություն, այլ ավելի շուտ, եթե սովից մեռնեք, ամեն ինչ կստացվի: Այսինքն՝ տասնյակ կամ հարյուրավոր փորձեր, և յուրաքանչյուր անհաջողության և մերժման ցավը պետք է օգտագործվեն կենտրոնացումը սրելու, հիշողությունը բարելավելու և օրը 36 ժամ ձգելու համար:
Ես ճշգրտեցի իմ ռեզյումեն, սկսեցի ուղարկել այն և գնալ հարցազրույցների: Նրանց մեծ մասի կողքով ես թռել եմ HR-ի հետ շփման փուլում։ Շատերը պահանջում էին C++, բայց ես չգիտեի դա, և ես ուժեղ զգացողություն ունեի, որ ինձ այնքան էլ չեն հետաքրքրի այն պաշտոնները, որոնք պահանջում են C++:
Հարկ է նշել, որ մոտավորապես նույն ժամանակ տեղի ունեցավ փուլային անցում Kaggle-ի մրցումների տեսակի մեջ: Մինչև 2017 թվականը կային շատ աղյուսակային և շատ հազվադեպ պատկերային տվյալներ, բայց 2017 թվականից սկսած՝ համակարգչային տեսողության բազմաթիվ առաջադրանքներ:
Կյանքը հոսում էր հետևյալ ռեժիմով.
- Աշխատեք օրվա ընթացքում.
- Երբ տեխնոլոգիական էկրանին / տեղում դուք ժամանակ եք վերցնում:
- Երեկոներ և հանգստյան օրեր Kaggle + հոդվածներ / գրքեր / բլոգային գրառումներ
2016 թվականի ավարտը նշանավորվեց նրանով, որ ես միացա համայնքին , որը շատ բան պարզեցրեց։ Համայնքում կան արդյունաբերական հարուստ փորձ ունեցող շատ տղաներ, ինչը մեզ թույլ տվեց շատ հիմար հարցեր տալ և շատ խելացի պատասխաններ ստանալ: Կան նաև մեքենայական ուսուցման շատ ուժեղ մասնագետներ բոլոր շերտերով, որոնք, անսպասելիորեն, թույլ տվեցին ինձ ODS-ի միջոցով փակել խնդիրը տվյալների գիտության մասին կանոնավոր խորը հաղորդակցությամբ: Մինչ այժմ ML-ի առումով ODS-ն ինձ տալիս է բազմապատիկ ավելին, քան այն, ինչ ես ստանում եմ աշխատանքի ժամանակ։
Դե, ինչպես միշտ, ODS-ն ունի բավարար մասնագետներ Kaggle-ի և այլ կայքերի մրցույթներում: Խնդիրները թիմում լուծելն ավելի զվարճալի և արդյունավետ է, ուստի կատակներով, հայհոյանքներով, մեմերով և այլ զավեշտական զվարճանքներով մենք սկսեցինք խնդիրները մեկ առ մեկ լուծել:
2017 թվականի մարտին - Սերեգա Մուշինսկու հետ թիմում - երրորդ տեղը . Ոսկե մեդալ Kaggle-ի վրա + $20k երկուսի համար: Այս առաջադրանքում բարելավվել է աշխատանքը արբանյակային պատկերների հետ + երկուական հատվածավորում UNet-ի միջոցով:
Նույն մարտին ես գնացի NVidia-ում հարցազրույցի Self Driving թիմի հետ: Ես իսկապես պայքարում էի օբյեկտների հայտնաբերման վերաբերյալ հարցերի հետ: Բավարար գիտելիքներ չկար։
Բարեբախտաբար, միևնույն ժամանակ սկսվեց Օբյեկտների հայտնաբերման մրցույթը նույն DSTL-ից օդային պատկերներով: Աստված ինքն է հրամայել լուծել խնդիրը և արդիականացնել։ Երեկոյան և հանգստյան օրերի ամիս: Ես վերցրեցի գիտելիքները և ավարտեցի երկրորդը: Այս մրցույթը կանոնակարգում մի հետաքրքիր նրբերանգ ուներ, ինչը հանգեցրեց նրան, որ ես Ռուսաստանում ցուցադրվեցի դաշնային և ոչ այնքան դաշնային ալիքներով։ Ես բարձրացա , և մի շարք տպագիր և առցանց հրապարակումների մեջ: Mail Ru Group-ը մի փոքր դրական PR ստացավ իմ հաշվին ու իրենց փողերով, իսկ հիմնարար գիտությունը Ռուսաստանում հարստացավ 12000 ֆունտով։ Ինչպես միշտ, այս թեմայով գրված էր . Մանրամասների համար գնացեք այնտեղ:
Միևնույն ժամանակ, Tesla-ի հավաքագրողներից մեկը կապվեց ինձ հետ և առաջարկեց խոսել Computer Vision դիրքի մասին: Ես համաձայնեցի։ Ես անցա տուն տանելու, երկու տեխնոլոգիական էկրանի, տեղում հարցազրույցի միջով և շատ հաճելի զրույց ունեցա Անդրեյ Կարպատիի հետ, ով նոր էր աշխատանքի ընդունվել Tesla-ում որպես AI-ի տնօրեն: Հաջորդ փուլը ֆոնային ստուգումն է: Դրանից հետո Իլոն Մասկը պետք է անձամբ հաստատեր իմ դիմումը։ Tesla-ն ունի խիստ չբացահայտման համաձայնագիր (NDA):
Ես չեմ անցել հետնախորշի ստուգումը: Հավաքագրողն ասաց, որ ես շատ եմ զրուցում առցանց՝ խախտելով ԱԺԴ-ն։ Միակ տեղը, որտեղ ես ինչ-որ բան ասացի Tesla-ում հարցազրույցի մասին, ODS-ն էր, ուստի ներկայիս վարկածն այն է, որ ինչ-որ մեկը սքրինշոթ է վերցրել և գրել Tesla-ի HR-ին, և ես հեռացվել եմ մրցավազքից՝ առանց վնասելու: Այն ժամանակ ամոթ էր։ Հիմա ես ուրախ եմ, որ դա չստացվեց: Իմ ներկայիս պաշտոնը շատ ավելի լավն է, չնայած շատ հետաքրքիր կլիներ աշխատել Անդրեյի հետ։
Դրանից անմիջապես հետո ես մտա արբանյակային պատկերների մրցույթի Kaggle-ից . Խնդիրը պարզ էր և չափազանց ձանձրալի, ոչ ոք չէր ուզում լուծել այն, բայց բոլորն ուզում էին անվճար ոսկե մեդալ կամ մրցանակային գումար: Հետևաբար, 7 հոգուց բաղկացած Kaggle Masters-ի թիմով պայմանավորվեցինք, որ երկաթ գցենք։ Մենք մարզել ենք 480 ցանց «fit_predict» ռեժիմով և դրանցից պատրաստել եռահարկ անսամբլ։ Մենք ավարտեցինք յոթերորդ տեղը: . Ի դեպ, Ջերեմի Հովարդը, ով լայնորեն հայտնի է որպես ստեղծող ավարտել է 23.
Մրցույթի ավարտից հետո ընկերոջս միջոցով, ով աշխատում էր AdRoll-ում, ես կազմակերպեցի Meetup նրանց տարածքում: Այնտեղ Planet Labs-ի ներկայացուցիչները խոսել են այն մասին, թե ինչպիսին է եղել մրցույթի կազմակերպումը և տվյալների մակնշումը իրենց կողմից։ Wendy Kwan-ը, ով աշխատում է Kaggle-ում և վերահսկում է մրցույթը, պատմել է այն մասին, թե ինչպես է դա տեսնում: Ես նկարագրեցի մեր լուծումը, հնարքները, տեխնիկան և տեխնիկական մանրամասները: Հանդիսատեսի երկու երրորդը լուծեց այս խնդիրը, ուստի հարցերը տրվեցին սկզբունքորեն և, ընդհանուր առմամբ, ամեն ինչ լավ էր: Ջերեմի Հովարդը նույնպես այնտեղ էր։ Պարզվեց, որ նա զբաղեցրել է 23-րդ տեղը, քանի որ չգիտեր, թե ինչպես կարելի է շարել մոդելը և որ ընդհանրապես չգիտեր անսամբլների կառուցման այս մեթոդի մասին։
Հովտում մեքենայական ուսուցման հետ կապված հանդիպումները շատ տարբեր են մոսկովյան հանդիպումներից: Որպես կանոն, հովտում հանդիպումները հատակն են: Բայց մերը լավ ստացվեց։ Ցավոք, այն ընկերը, ով պետք է սեղմեր կոճակը և ամեն ինչ ձայնագրեր, կոճակը չսեղմեց :)
Դրանից հետո ինձ հրավիրեցին խոսելու Deep Learning Engineer-ի պաշտոնի հետ այս նույն Planet Labs-ում և անմիջապես տեղում: Ես դա չեմ անցել: Մերժման ձևակերպումն այն է, որ Deep Learning-ում բավարար գիտելիքներ չկան։
Ես յուրաքանչյուր մրցույթ նախագծեցի որպես նախագիծ . DSTL խնդրի համար մենք գրել ենք և տեղադրել arxiv-ում։ Հոդված չէ, բայց դեռ հաց։ Ես նաև խորհուրդ եմ տալիս բոլորին ուռճացնել իրենց LinkedIn պրոֆիլը մրցույթների, հոդվածների, հմտությունների և այլնի միջոցով: Դրական հարաբերակցություն կա այն բանի միջև, թե քանի հիմնաբառ ունեք ձեր LinkedIn պրոֆիլում և որքան հաճախ են մարդիկ ձեզ հաղորդագրություններ ուղարկում:
Եթե ձմռանը և գարնանը ես շատ տեխնիկական էի, ապա օգոստոսին ես ունեի և՛ գիտելիք, և՛ ինքնավստահություն։
Հուլիսի վերջին մի տղա, ով աշխատում էր որպես Data Science-ի մենեջեր Lyft-ում, կապվեց ինձ հետ LinkedIn-ում և հրավիրեց ինձ սուրճ խմելու և զրուցելու կյանքի, Lyft-ի, TrueAccord-ի մասին: Մենք խոսեցինք. Նա առաջարկել է հարցազրույց անցկացնել իր թիմի հետ տվյալների գիտնականի պաշտոնի համար: Ես ասացի, որ տարբերակն աշխատում է, պայմանով, որ դա լինի Computer Vision / Deep Learning առավոտից երեկո։ Նա վստահեցրեց, որ իր կողմից առարկություններ չեն եղել.
Ես ուղարկեցի իմ ռեզյումեն, և նա այն վերբեռնեց Lyft-ի ներքին պորտալում: Դրանից հետո հավաքագրողը զանգահարեց ինձ՝ բացելու իմ ռեզյումեն և իմ մասին ավելին իմանալու։ Առաջին իսկ խոսքերից պարզ էր, որ նրա համար դա ձևականություն էր, քանի որ իր ռեզյումեից ակնհայտ էր, որ «Ես Lyft-ի համար նյութ չեմ»։ Կարծում եմ, դրանից հետո իմ ռեզյումեն գնաց աղբաման:
Այս ամբողջ ընթացքում, երբ հարցազրույց էի վերցնում, քննարկում էի ODS-ում իմ անհաջողություններն ու անկումները, և տղաներն ինձ հետադարձ կապ էին տալիս և ամեն կերպ օգնում էին ինձ խորհուրդներով, չնայած, ինչպես միշտ, այնտեղ նաև շատ ընկերական տրոլինգ կար:
ODS-ի անդամներից մեկն ինձ առաջարկեց կապել իր ընկերոջ հետ, ով Lyft-ի ճարտարագիտության տնօրենն է: Ոչ շուտ ասել, քան արվել: Ես գալիս եմ Lyft ճաշի համար, և բացի այս ընկերոջից կա նաև Data Science-ի ղեկավար և արտադրանքի մենեջեր, ով Deep Learning-ի մեծ երկրպագու է: Ճաշի ժամանակ մենք զրուցեցինք DL-ի շուրջ: Եվ քանի որ ես կես տարի 24/7 ցանցեր եմ պարապում, կարդում էի գրականություն և առաջադրանքներ կատարում Kaggle-ի վրա քիչ թե շատ հստակ արդյունքներով, կարող էի ժամերով խոսել Deep Learning-ի մասին՝ թե՛ նոր հոդվածների, թե՛ նոր հոդվածների առումով: գործնական տեխնիկա.
Ճաշից հետո նրանք նայեցին ինձ և ասացին՝ անմիջապես երևում է, որ դու գեղեցիկ ես, ուզու՞մ ես խոսել մեզ հետ: Ավելին, ավելացրին, որ ինձ համար պարզ է, որ take home + tech էկրանը կարելի է բաց թողնել։ Եվ որ ինձ անմիջապես կհրավիրեն տեղում: Ես համաձայնեցի։
Դրանից հետո այդ հավաքագրողը զանգահարեց ինձ՝ տեղում հարցազրույց նշանակելու, և նա դժգոհ էր։ Նա ինչ-որ բան մրթմրթաց գլխիդ վրայով չցատկելու մասին։
Եկավ։ Տեղում հարցազրույց. Հինգ ժամ շփում տարբեր մարդկանց հետ. Խորը ուսուցման կամ սկզբունքորեն մեքենայական ուսուցման մասին ոչ մի հարց չկար: Քանի որ չկա Deep Learning / Computer Vision, ուրեմն ինձ չի հետաքրքրում։ Այսպիսով, հարցազրույցի արդյունքները եղել են ուղղանկյուն:
Այս հավաքագրողը զանգահարում է և ասում. շնորհավորում եմ, դուք անցաք տեղում երկրորդ հարցազրույցին: Այս ամենը զարմանալի է։ Ո՞րն է երկրորդ տեղում: Ես երբեք նման բան չեմ լսել։ ես գնացի։ Այնտեղ մի քանի ժամ կա, այս անգամ ավանդական մեքենայական ուսուցման մասին: Դա ավելի լավ է. Բայց դեռ հետաքրքիր չէ։
Հավաքագրողը զանգահարում է շնորհավորանքներով, որ ես անցել եմ տեղում երրորդ հարցազրույցը և երդվում, որ դա կլինի վերջինը: Գնացի տեսնելու, այնտեղ և՛ DL, և՛ CV կար։
Ես երկար ամիսներ առաջ ունեի, ով ինձ ասում էր, որ առաջարկ չի լինելու: Կմարզվեմ ոչ թե տեխնիկական հմտություններով, այլ փափուկներով։ Ոչ թե փափուկ կողմից, այլ այն, որ պաշտոնը կփակվի կամ ընկերությունը դեռ աշխատանքի չի ընդունում, այլ ուղղակի փորձարկում է շուկան ու թեկնածուների մակարդակը։
Օգոստոսի կեսերը. Ես գարեջուր խմեցի, լավ: Մութ մտքեր. Անցել է 8 ամիս և դեռ ոչ մի առաջարկ։ Լավ է գարեջրի տակ կրեատիվ լինել, հատկապես եթե կրեատիվությունը տարօրինակ է։ Մի միտք է գալիս գլխումս. Ես դա կիսում եմ Ալեքսեյ Շվեցի հետ, ով այդ ժամանակ MIT-ի հետդոկտոր էր։
Իսկ եթե վերցնես մոտակա DL/CV կոնֆերանսը, դիտես դրա շրջանակներում անցկացվող մրցույթները, ինչ-որ բան մարզես և ներկայացնես: Քանի որ այնտեղի բոլոր փորձագետները դրա վրա են կառուցում իրենց կարիերան և դա անում են երկար ամիսներ կամ նույնիսկ տարիներ, մենք ոչ մի հնարավորություն չունենք: Բայց դա սարսափելի չէ: Մենք ինչ-որ իմաստալից ներկայացում ենք անում, թռչում մինչև վերջին տեղը, և դրանից հետո գրում ենք նախնական տպագիր կամ հոդված այն մասին, թե ինչպես մենք բոլորի նման չենք և խոսում ենք մեր որոշման մասին: Իսկ հոդվածն արդեն LinkedIn-ում է և ձեր ռեզյումեում։
Այսինքն, կարծես թե ակտուալ է, և ռեզյումեում կան ավելի ճիշտ հիմնաբառեր, որոնք մի փոքր պետք է մեծացնեն տեխնոլոգիական էկրանին հայտնվելու հնարավորությունները։ Կոդ և ներկայացումներ ինձանից, տեքստեր Ալեքսեյից: Խաղ, իհարկե, բայց ինչու ոչ:
Ոչ շուտ ասել, քան արվել: Մոտակա կոնֆերանսը, որը մենք փնտրեցինք google-ում, MICCAI-ն էր, և այնտեղ իրականում մրցույթներ էին: Մենք հարվածեցինք առաջինին: Դա եղել է . Առաջադրանքն ունի 3 ենթաառաջադրանք։ Վերջնաժամկետին մնացել էր 8 օր։ Առավոտյան սթափվեցի, բայց չհրաժարվեցի մտքից։ Ես վերցրեցի իմ խողովակաշարերը Kaggle-ից և դրանք արբանյակային տվյալներից տեղափոխեցի բժշկական տվյալների: 'fit_predict': Ալեքսեյը յուրաքանչյուր խնդրի լուծումների երկու էջանոց նկարագրություն պատրաստեց, և մենք ուղարկեցինք այն։ Պատրաստ. Տեսականորեն դուք կարող եք արտաշնչել: Բայց պարզվեց, որ նույն արտադրամասի համար մեկ այլ խնդիր կար () երեք ենթաառաջադրանքով, և որ նրա վերջնաժամկետը բարձրացվել է 4 օրով, այսինքն՝ մենք կարող ենք այնտեղ անել «fit_predict» և ուղարկել այն։ Մենք այդպես էլ արեցինք։
Ի տարբերություն Kaggle-ի, այս մրցույթներն ունեին իրենց ակադեմիական առանձնահատկությունները.
- Առաջատար աղյուսակ չկա: Ներկայացումները ուղարկվում են էլեկտրոնային փոստով:
- Դուք կհեռացվեք, եթե թիմի ներկայացուցիչը չգա լուծումը ներկայացնելու կոնֆերանսին Սեմինարի ժամանակ:
- Ձեր տեղը առաջատարների աղյուսակում հայտնի է դառնում միայն համաժողովի ժամանակ: Մի տեսակ ակադեմիական դրամա:
MICCAI 2017 համաժողովը տեղի է ունեցել Քվեբեկ քաղաքում: Անկեղծ ասած, սեպտեմբերին ես սկսեցի այրվել, ուստի աշխատանքից մեկ շաբաթ արձակուրդ վերցնելու և Կանադա մեկնելու գաղափարը հետաքրքիր թվաց:
Եկել է կոնֆերանսի: Ես եկել եմ այս Workshop, ես ոչ մեկին չեմ ճանաչում, ես նստած եմ անկյունում: Բոլորն իրար ճանաչում են, շփվում են, խելացի բժշկական խոսքեր են դուրս շպրտում։ Առաջին մրցույթի ակնարկ. Մասնակիցները խոսում և խոսում են իրենց որոշումների մասին: Այնտեղ զով է, փայլով: Իմ հերթն է. Եվ ես ինչ-որ կերպ նույնիսկ ամաչում եմ: Նրանք լուծեցին խնդիրը, աշխատեցին դրա վրա, զարգացրին գիտությունը, և մենք զուտ «պիտանի_կանխատեսում ենք» անցյալի զարգացումներից, ոչ թե գիտության, այլ մեր ռեզյումեն խթանելու համար:
Նա դուրս եկավ և ասաց, որ ես էլ բժշկության մասնագետ չեմ, ներողություն խնդրեց իրենց ժամանակը վատնելու համար և ինձ ցույց տվեց մի սլայդ՝ լուծույթով։ Ես իջա դահլիճ։
Հայտարարում են առաջին ենթաառաջադրանքը՝ մենք առաջինն ենք, այն էլ տարբերությամբ։
Հայտարարվում են երկրորդ և երրորդները։
Հայտարարում են երրորդը՝ կրկին առաջինը և նորից առաջատարը։
Գեներալն առաջինն է.
Հանդիսատեսներից ոմանք ժպտում են և հարգանքով նայում ինձ։ Մյուսները, ովքեր, ըստ երևույթին, համարվում էին ոլորտի մասնագետներ, դրամաշնորհ էին շահել այս գործի համար և երկար տարիներ անում էին դա, դեմքի մի փոքր աղավաղված արտահայտություն ունեին։
Հաջորդը երկրորդ առաջադրանքն է՝ երեք ենթաառաջադրանքով, որը չորս օրով առաջ է քաշվել։
Այստեղ ես նույնպես ներողություն խնդրեցի ու նորից ցույց տվեցի մեր մեկ սլայդը։
Նույն պատմությունը. Երկու առաջին, մեկ երկրորդ, ընդհանուր առաջին:
Կարծում եմ, որ սա, հավանաբար, պատմության մեջ առաջին դեպքն է, երբ հավաքագրման գործակալությունը հաղթում է բժշկական պատկերավորման մրցույթում:
Եվ հիմա ես կանգնած եմ բեմում, ինձ ինչ-որ դիպլոմ են տալիս, և ես ռմբակոծված եմ: Ինչպե՞ս կարող է դա լինել: Այս ակադեմիկոսները ծախսում են հարկատուների փողերը, աշխատում են պարզեցնել և բարելավել բժիշկների աշխատանքի որակը, այսինքն՝ տեսականորեն իմ կյանքի տևողությունը, և ինչ-որ մարմին մի քանի երեկոների ընթացքում բրիտանական դրոշի տակ պոկեց այս ամբողջ ակադեմիական անձնակազմը:
Դրա բոնուսն այն է, որ այլ թիմերում ասպիրանտները, ովքեր երկար ամիսներ աշխատել են այս խնդիրների վրա, կունենան ռեզյումե, որը գրավիչ է HR-ի համար, այսինքն՝ նրանք հեշտությամբ կհայտնվեն տեխնոլոգիական էկրանին: Եվ իմ աչքի առաջ կա մի նոր ստացված նամակ.
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.Ընդհանրապես, հենց բեմից հանդիսատեսին հարցնում եմ. «Որևէ մեկը գիտի՞ որտեղ եմ աշխատում»: Մրցույթի կազմակերպիչներից մեկը գիտեր՝ գուգլում էր, թե ինչ է TrueAccord-ը։ Մնացածը՝ ոչ։ Շարունակում եմ. «Ես աշխատում եմ հավաքագրման գործակալությունում, իսկ աշխատավայրում ոչ Computer Vision եմ անում, ոչ էլ Deep Learning: Եվ շատ առումներով դա տեղի է ունենում այն պատճառով, որ Google Brain-ի և Deepmind-ի HR բաժինները զտում են իմ ռեզյումեն՝ ինձ հնարավորություն չտալով ցուցադրել տեխնիկական ուսուցում: «
Հանձնեցին վկայականը, ընդմիջում. Մի խումբ ակադեմիկոսներ ինձ մի կողմ են քաշում։ Պարզվեց, որ սա Deepmind-ով Health խումբ է։ Նրանք այնքան տպավորված էին, որ անմիջապես ցանկացան խոսել ինձ հետ իրենց թիմում հետազոտող ինժեների թափուր պաշտոնի մասին: (Մենք խոսեցինք: Այս խոսակցությունը տևեց 6 ամիս, ես անցա տուն, վիկտորինան, բայց կարճվեց տեխնոլոգիական էկրանին: Հաղորդակցության մեկնարկից մինչև տեխնոլոգիական էկրանը 6 ամիսը երկար ժամանակ է: Երկար սպասելը համ է տալիս: անօգուտության: Լոնդոնի Deepmind-ի հետազոտող ինժեներ, TrueAccord-ի ֆոնի վրա կար մի ուժեղ քայլ, բայց իմ ներկայիս պաշտոնի ֆոնին դա մի քայլ է: Դրանից հետո անցած երկու տարի հեռավորությունից լավ է: որ դա չի եղել:)
Ամփոփում
Մոտավորապես նույն ժամանակ ես առաջարկ ստացա Lyft-ից, որն ընդունեցի։
MICCAI-ի հետ այս երկու մրցույթների արդյունքների հիման վրա հրապարակվել են հետևյալը.
Այսինքն, չնայած գաղափարի վայրիությանը, մրցույթների միջոցով հավելյալ հոդվածներ և նախատպումներ ավելացնելը լավ է աշխատում: Եվ հետագա տարիներին մենք դա ավելի վատացրինք։
Ես աշխատում եմ Lyft-ում վերջին մի քանի տարիների ընթացքում՝ զբաղվելով Computer Vision/Deep Learning ինքնակառավարման մեքենաների համար: Այսինքն՝ ես ստացա այն, ինչ ուզում էի։ Եվ առաջադրանքներ, և բարձր կարգավիճակ ունեցող ընկերություն, և ուժեղ գործընկերներ, և մնացած բոլոր բարիքները:
Այս ամիսների ընթացքում ես շփվեցի ինչպես Google-ի, Facebook-ի, Uber-ի, LinkedIn-ի խոշոր ընկերությունների, այնպես էլ տարբեր չափերի ստարտափների ծովի հետ։
Դա ցավում էր այս բոլոր ամիսներին: Տիեզերքը ձեզ ամեն օր ոչ այնքան հաճելի բան է ասում: Կանոնավոր մերժում, պարբերաբար սխալներ թույլ տալը և այս ամենը համեմված է անհուսության համառ զգացումով։ Երաշխիքներ չկան, որ հաջողության կհասնեք, բայց զգացողություն կա, որ դուք հիմար եք։ Դա շատ է հիշեցնում, թե ինչպես ես փորձեցի աշխատանք գտնել համալսարանից անմիջապես հետո:
Կարծում եմ, որ շատերը հովտում աշխատանք էին փնտրում, և նրանց համար ամեն ինչ շատ ավելի հեշտ էր։ Հնարքը, իմ կարծիքով, սա է. Եթե աշխատանք եք փնտրում մի ոլորտում, որտեղ դուք հասկանում եք, ունեք մեծ փորձ, և ձեր ռեզյումեն նույնն է ասում, ապա խնդիրներ չկան: Վերցրի ու գտա։ Բազմաթիվ թափուր աշխատատեղեր կան։
Բայց եթե աշխատանք եք փնտրում այն ոլորտում, որը ձեզ համար նոր է, այսինքն՝ երբ չկան գիտելիքներ, կապեր և ձեր ռեզյումեն սխալ բան է ասում, ապա այս պահին ամեն ինչ դառնում է չափազանց հետաքրքիր։
Հենց հիմա հավաքագրողները պարբերաբար գրում են ինձ և առաջարկում անել նույնը, ինչ անում եմ հիմա, բայց այլ ընկերությունում: Իրոք ժամանակն է փոխել աշխատանքը։ Բայց իմաստ չկա անել այն, ինչում ես արդեն լավ եմ: Ինչի համար?
Բայց այն, ինչ ուզում եմ, ես նորից ոչ գիտելիք ունեմ, ոչ էլ իմ ռեզյումեի տողերը: Տեսնենք, թե ինչպես կավարտվի այս ամենը: Եթե ամեն ինչ լավ լինի, կգրեմ հաջորդ մասը։ 🙂
Source: www.habr.com