Gambar ini karya Arthur Kuzin (), merangkum konten postingan blog dengan cukup akurat. Oleh karena itu, narasi berikut ini sebaiknya dianggap lebih seperti cerita hari Jumat daripada sebagai sesuatu yang sangat berguna dan bersifat teknis. Selain itu, perlu dicatat bahwa teks ini kaya akan kata-kata bahasa Inggris. Saya tidak tahu cara menerjemahkan beberapa di antaranya dengan benar, dan saya hanya tidak ingin menerjemahkan beberapa di antaranya.
Bagaimana transisi dari lingkungan akademik ke lingkungan industri terungkap dalam dua episode pertama. Dalam percakapan ini, percakapannya adalah tentang apa yang terjadi selanjutnya.
Saat itu bulan Januari 2017. Pada saat itu, saya memiliki pengalaman kerja kurang lebih satu tahun dan saya bekerja di San Francisco di perusahaan tersebut seperti Sr. Ilmuwan Data.
TrueAccord adalah startup penagihan utang. Secara sederhana - agen penagihan. Kolektor biasanya banyak menelepon. Kami mengirim banyak email, tetapi hanya melakukan sedikit panggilan. Setiap email mengarah ke situs web perusahaan, di mana debitur ditawari potongan utang, dan bahkan diperbolehkan membayar dengan mencicil. Pendekatan ini menghasilkan pengumpulan yang lebih baik, memungkinkan penskalaan, dan mengurangi risiko tuntutan hukum.
Perusahaan itu normal. Produknya jelas. Manajemennya waras. Lokasinya bagus.
Rata-rata orang di lembah bekerja di satu tempat selama sekitar satu setengah tahun. Artinya, perusahaan tempat Anda bekerja hanyalah sebuah langkah kecil. Pada langkah ini Anda akan mengumpulkan sejumlah uang, memperoleh pengetahuan, keterampilan, koneksi, dan garis baru dalam resume Anda. Setelah ini ada transisi ke langkah berikutnya.
Di TrueAccord sendiri, saya terlibat dalam melampirkan sistem rekomendasi ke buletin email, serta memprioritaskan panggilan telepon. Dampaknya dapat dimengerti dan diukur dengan cukup baik dalam dolar melalui pengujian A/B. Karena tidak ada pembelajaran mesin sebelum kedatangan saya, dampak pekerjaan saya tidak buruk. Sekali lagi, memperbaiki sesuatu jauh lebih mudah daripada sesuatu yang sudah sangat dioptimalkan.
Setelah enam bulan mengerjakan sistem ini, mereka bahkan menaikkan gaji pokok saya dari $150k menjadi $163k. Di dalam komunitas ada meme tentang $163k. Ia tumbuh dengan kakinya dari sini.
Semua ini luar biasa, tetapi tidak mengarah ke mana pun, atau mengarah, tetapi tidak sampai di sana.
Saya sangat menghormati TrueAccord, baik perusahaan maupun orang-orang yang bekerja dengan saya di sana. Saya belajar banyak dari mereka, tetapi saya tidak ingin lama-lama mengerjakan sistem rekomendasi di agen penagihan. Dari langkah ini Anda harus melangkah ke beberapa arah. Jika tidak ke depan dan ke atas, setidaknya ke samping.
Apa yang tidak saya sukai?
- Dari perspektif pembelajaran mesin, masalahnya tidak membuat saya tertarik. Saya menginginkan sesuatu yang modis, berjiwa muda, yaitu Pembelajaran Mendalam, Visi Komputer, sesuatu yang dekat dengan sains atau setidaknya alkimia.
- Sebuah startup, dan bahkan agen penagihan, mengalami masalah dalam merekrut personel yang berkualifikasi tinggi. Sebagai sebuah startup, ia tidak bisa membayar banyak. Namun sebagai agen penagihan, statusnya hilang. Secara kasar, jika seorang gadis berkencan bertanya di mana Anda bekerja? Jawaban Anda: βDi Googleβ terdengar jauh lebih baik daripada βagen penagihanβ. Saya sedikit terganggu dengan kenyataan bahwa bagi teman-teman saya yang bekerja di Google dan Facebook, tidak seperti saya, nama perusahaan mereka membuka pintu seperti: Anda dapat diundang ke konferensi atau pertemuan sebagai pembicara, atau orang-orang yang lebih menarik menulis di LinkedIn dengan tawaran untuk bertemu dan mengobrol sambil minum teh. Saya sangat suka berkomunikasi dengan orang yang tidak saya kenal secara langsung. Jadi jika Anda tinggal di San Francisco, jangan ragu untuk menulis - ayo minum kopi dan ngobrol.
- Selain saya, tiga Ilmuwan Data bekerja di perusahaan tersebut. Saya sedang mengerjakan pembelajaran mesin, dan mereka sedang mengerjakan tugas Ilmu Data lainnya, yang umum terjadi di setiap startup mulai sekarang hingga besok. Akibatnya, mereka tidak terlalu memahami pembelajaran mesin. Namun untuk berkembang, saya perlu berkomunikasi dengan seseorang, mendiskusikan artikel dan perkembangan terkini, dan pada akhirnya meminta nasihat.
Apa yang tersedia?
- Pendidikan: fisika, bukan ilmu komputer.
- Satu-satunya bahasa pemrograman yang saya tahu adalah Python. Ada perasaan bahwa saya perlu beralih ke C++, tetapi saya masih belum bisa melakukannya.
- Satu setengah tahun bekerja di industri. Apalagi di tempat kerja saya tidak mempelajari Deep Learning atau Computer Vision.
- Tidak ada satu pun artikel tentang Pembelajaran Mendalam / Computer Vision di resume.
- Ada pencapaian Kaggle Master.
Apa yang kau inginkan?
- Posisi yang memerlukan pelatihan banyak jaringan, dan lebih dekat dengan visi komputer.
- Lebih baik jika perusahaan besar seperti Google, Tesla, Facebook, Uber, LinkedIn, dll. Meskipun dalam keadaan darurat, startup bisa melakukannya.
- Saya tidak perlu menjadi pakar pembelajaran mesin terbesar di tim. Sangat dibutuhkan kawan-kawan senior, mentor dan segala macam komunikasi yang diharapkan dapat mempercepat proses pembelajaran.
- Setelah membaca postingan blog tentang bagaimana lulusan tanpa pengalaman industri mendapat total kompensasi $300-500k per tahun, saya ingin masuk ke kisaran yang sama. Bukannya hal ini terlalu mengganggu saya, tetapi karena mereka mengatakan bahwa ini adalah fenomena umum, tetapi saya memiliki lebih sedikit, maka ini adalah sebuah sinyal.
Tugas tersebut tampaknya dapat diselesaikan sepenuhnya, meskipun bukan dalam arti bahwa Anda dapat terjun ke perusahaan mana pun, melainkan bahwa jika Anda kelaparan, semuanya akan berhasil. Artinya, puluhan atau ratusan upaya, dan rasa sakit dari setiap kegagalan dan setiap penolakan, harus digunakan untuk mempertajam fokus, meningkatkan daya ingat, dan memperpanjang hari menjadi 36 jam.
Saya mengubah resume saya, mulai mengirimkannya, dan melakukan wawancara. Saya melewati sebagian besar dari mereka pada tahap komunikasi dengan HR. Banyak orang membutuhkan C++, tapi saya tidak mengetahuinya, dan saya punya firasat kuat bahwa saya tidak akan terlalu tertarik dengan posisi yang membutuhkan C++.
Perlu dicatat bahwa pada waktu yang hampir bersamaan terjadi transisi fase dalam jenis kompetisi di Kaggle. Sebelum tahun 2017 banyak sekali data tabular dan sangat jarang data gambar, namun mulai tahun 2017 banyak sekali tugas-tugas computer vision.
Kehidupan mengalir dalam mode berikut:
- Bekerja di siang hari.
- Saat layar teknologi / di lokasi Anda mengambil cuti.
- Malam hari dan akhir pekan Kaggle + artikel/buku/postingan blog
Akhir tahun 2016 ditandai dengan bergabungnya saya dengan komunitas tersebut , yang menyederhanakan banyak hal. Ada banyak orang di komunitas dengan pengalaman industri yang kaya, yang memungkinkan kami mengajukan banyak pertanyaan bodoh dan mendapatkan banyak jawaban cerdas. Ada juga banyak spesialis pembelajaran mesin yang sangat kuat dari semua kalangan, yang, secara tidak terduga, memungkinkan saya, melalui ODS, untuk menutup masalah ini dengan komunikasi mendalam secara teratur tentang Ilmu Data. Sampai saat ini, dari segi ML, ODS memberi saya berkali-kali lipat dibandingkan apa yang saya dapatkan di tempat kerja.
Seperti biasa, ODS memiliki cukup banyak spesialis dalam kompetisi di Kaggle dan situs lainnya. Menyelesaikan masalah dalam tim lebih menyenangkan dan produktif, jadi dengan lelucon, makian, meme, dan hiburan kutu buku lainnya, kami mulai menyelesaikan masalah satu per satu.
Pada bulan Maret 2017 - dalam tim dengan Serega Mushinsky - tempat ketiga untuk . Medali emas di Kaggle + $20k untuk dua orang. Pada tugas ini, pekerjaan dengan citra satelit + segmentasi biner melalui UNet ditingkatkan.
Pada bulan Maret yang sama, saya pergi untuk wawancara di NVidia dengan tim Self Driving. Saya benar-benar kesulitan dengan pertanyaan tentang Deteksi Objek. Pengetahuannya tidak cukup.
Untungnya, pada saat yang sama, kompetisi Deteksi Objek pada citra udara dari DSTL yang sama dimulai. Tuhan sendiri memerintahkan untuk menyelesaikan masalah dan meningkatkan. Sebulan malam hari dan akhir pekan. Saya mengambil pengetahuan dan menempati posisi kedua. Kompetisi ini memiliki nuansa menarik dalam peraturannya, yang menyebabkan saya ditampilkan di Rusia pada saluran federal dan bukan saluran federal. Saya melanjutkan , dan di banyak publikasi cetak dan online. Mail Ru Group menerima sedikit PR positif atas biaya saya dan uang mereka sendiri, dan ilmu pengetahuan dasar di Rusia diperkaya sebesar 12000 pound. Seperti biasa, topik ini ditulis . Pergi ke sana untuk detailnya.
Pada saat yang sama, seorang perekrut Tesla menghubungi saya dan menawarkan untuk berbicara tentang posisi Computer Vision. Saya setuju. Saya melihat-lihat dibawa pulang, dua layar teknologi, wawancara di tempat, dan melakukan percakapan yang sangat menyenangkan dengan Andrei Karpathy, yang baru saja dipekerjakan di Tesla sebagai Direktur AI. Tahap selanjutnya adalah pemeriksaan latar belakang. Setelah itu, Elon Musk harus menyetujui permohonan saya secara pribadi. Tesla memiliki Perjanjian Non Disclosure (NDA) yang ketat.
Saya tidak lulus pemeriksaan latar belakang. Perekrut mengatakan bahwa saya banyak ngobrol online, melanggar NDA. Satu-satunya tempat di mana saya mengatakan sesuatu tentang wawancara di Tesla adalah ODS, jadi hipotesis saat ini adalah seseorang mengambil tangkapan layar dan menulis ke HR di Tesla, dan saya dikeluarkan dari perlombaan karena bahaya. Sayang sekali. Sekarang saya senang itu tidak berhasil. Posisi saya saat ini jauh lebih baik, meski akan sangat menarik bekerja sama dengan Andrey.
Segera setelah itu, saya terjun ke kompetisi citra satelit di Kaggle dari . Masalahnya sederhana dan sangat membosankan; tidak ada yang ingin menyelesaikannya, tapi semua orang menginginkan medali emas atau hadiah uang gratis. Oleh karena itu, dengan tim Kaggle Masters yang berjumlah 7 orang, kami sepakat untuk melempar besi. Kami melatih 480 jaringan dalam mode 'fit_predict' dan membuat rangkaian tiga lantai dari jaringan tersebut. Kami finis ketujuh. . Ngomong-ngomong, Jeremy Howard, yang dikenal luas sebagai penciptanya selesai 23.
Setelah kompetisi berakhir, melalui seorang teman yang bekerja di AdRoll, saya mengadakan Meetup di tempat mereka. Perwakilan dari Planet Labs berbicara di sana tentang seperti apa organisasi kompetisi dan penandaan data di pihak mereka. Wendy Kwan, yang bekerja di Kaggle dan mengawasi kompetisi, berbicara tentang bagaimana dia melihatnya. Saya menjelaskan solusi, trik, teknik, dan detail teknis kami. Dua pertiga penonton memecahkan masalah ini, jadi pertanyaan diajukan secara langsung dan secara umum semuanya baik-baik saja. Jeremy Howard juga ada di sana. Ternyata dia finis di posisi ke-23 karena dia tidak tahu cara menyusun model dan dia sama sekali tidak tahu tentang metode membangun ansambel.
Pertemuan di lembah tentang pembelajaran mesin sangat berbeda dengan pertemuan di Moskow. Biasanya, pertemuan di lembah adalah yang terbawah. Tapi hasil kami bagus. Sayangnya kawan yang seharusnya menekan tombol dan merekam semuanya tidak menekan tombol tersebut :)
Setelah itu, saya diundang untuk berbicara dengan posisi Deep Learning Engineer di Planet Labs yang sama, dan langsung di lokasi. Saya tidak lulus. Kata-kata penolakannya adalah pengetahuan dalam Deep Learning tidak mencukupi.
Saya merancang setiap kompetisi sebagai proyek . Untuk masalah DSTL kami menulis dan mempostingnya di arxiv. Bukan artikel, tapi tetap roti. Saya juga merekomendasikan kepada semua orang untuk mengembangkan profil LinkedIn mereka melalui kompetisi, artikel, keterampilan, dan sebagainya. Ada korelasi positif antara berapa banyak kata kunci yang Anda miliki di profil LinkedIn Anda dan seberapa sering orang mengirim pesan kepada Anda.
Jika di musim dingin dan musim semi saya sangat teknis, maka pada bulan Agustus saya memiliki pengetahuan dan kepercayaan diri.
Pada akhir bulan Juli, seorang pria yang bekerja sebagai manajer Ilmu Data di Lyft menghubungi saya di LinkedIn dan mengundang saya untuk minum kopi dan mengobrol tentang kehidupan, tentang Lyft, tentang TrueAccord. Kami berbicara. Dia menawarkan wawancara dengan timnya untuk posisi Data Scientist. Saya bilang opsinya berfungsi, asalkan Computer Vision / Deep Learning dari pagi hingga sore. Dia meyakinkan bahwa tidak ada keberatan dari pihaknya.
Saya mengirimkan resume saya dan dia mengunggahnya ke portal internal Lyft. Setelah itu, perekrut menelepon saya untuk membuka resume saya dan mencari tahu lebih banyak tentang saya. Dari kata-kata pertama, jelas bahwa baginya ini adalah formalitas, karena dari resume-nya jelas bahwa "Saya bukan material untuk Lyft." Saya kira setelah itu resume saya dibuang ke tempat sampah.
Selama ini, ketika saya sedang diwawancarai, saya membahas kegagalan dan kelemahan saya di ODS dan orang-orang memberi saya umpan balik dan membantu saya dengan segala cara dengan saran, meskipun, seperti biasa, ada juga banyak troll ramah di sana.
Salah satu anggota ODS menawarkan untuk menghubungkan saya dengan temannya, yang merupakan Direktur Teknik di Lyft. Tidak lama setelah diucapkan, dilakukan. Saya datang ke Lyft untuk makan siang, dan selain teman ini ada juga Kepala Ilmu Data dan Manajer Produk yang merupakan penggemar berat Deep Learning. Saat makan siang kami mengobrol tentang DL. Dan karena saya telah melatih jaringan 24/7 selama setengah tahun, membaca meter kubik literatur, dan menjalankan tugas di Kaggle dengan hasil yang kurang lebih jelas, saya dapat berbicara tentang Pembelajaran Mendalam selama berjam-jam, baik dalam artikel baru maupun teknik praktis.
Setelah makan siang mereka menatap saya dan berkata - langsung terlihat jelas bahwa Anda tampan, apakah Anda ingin berbicara dengan kami? Selain itu, mereka menambahkan bahwa jelas bagi saya bahwa membawa pulang + layar teknologi dapat dilewati. Dan saya akan segera diundang ke lokasi. Saya setuju.
Setelah itu, perekrut tersebut menelepon saya untuk menjadwalkan wawancara di tempat, dan dia merasa tidak puas. Dia menggumamkan sesuatu tentang tidak melompati kepalamu.
Telah datang. Wawancara di tempat. Lima jam komunikasi dengan orang yang berbeda. Tidak ada satu pun pertanyaan tentang Pembelajaran Mendalam, atau tentang pembelajaran mesin pada prinsipnya. Karena belum ada Deep Learning/Computer Vision, maka saya tidak tertarik. Dengan demikian, hasil wawancara bersifat ortogonal.
Perekrut ini menelepon dan berkata - selamat, Anda berhasil lolos ke wawancara kedua di tempat. Ini semua mengejutkan. Apa penukaran kedua? Saya tidak pernah mendengar hal seperti itu. Saya pergi. Ada beberapa jam di sana, kali ini tentang pembelajaran mesin tradisional. Itu lebih baik. Tapi tetap saja tidak menarik.
Perekrut menelepon dengan ucapan selamat karena saya lulus wawancara ketiga dan bersumpah ini akan menjadi yang terakhir. Saya pergi melihatnya dan ada DL dan CV.
Saya punya pengalaman selama berbulan-bulan yang mengatakan kepada saya bahwa tidak akan ada tawaran. Saya tidak akan melatih keterampilan teknis, tetapi keterampilan lunak. Bukan sisi lembutnya, tapi fakta bahwa posisinya akan ditutup atau perusahaan belum merekrut, tapi hanya sekedar menguji pasar dan level kandidat.
Pertengahan Agustus. Saya minum bir oke. Pikiran gelap. 8 bulan telah berlalu dan masih belum ada tawaran. Berkreasi dengan bir itu bagus, apalagi jika kreativitasnya aneh. Sebuah ide muncul di benak saya. Saya membaginya dengan Alexei Shvets, yang saat itu adalah seorang postdoc di MIT.
Bagaimana jika Anda mengikuti konferensi DL/CV terdekat, menonton kompetisi yang diadakan sebagai bagiannya, melatih sesuatu dan mengirimkannya? Karena semua ahli di sana sedang membangun karir mereka dalam hal ini dan telah melakukan ini selama berbulan-bulan atau bahkan bertahun-tahun, kita tidak memiliki peluang. Tapi itu tidak menakutkan. Kami membuat beberapa pengajuan yang berarti, terbang ke tempat terakhir, dan setelah itu kami menulis pra-cetak atau artikel tentang bagaimana kami tidak seperti orang lain dan membicarakan keputusan kami. Dan artikel tersebut sudah ada di LinkedIn dan di resume Anda.
Artinya, tampaknya relevan dan ada kata kunci yang lebih tepat di resume, yang seharusnya sedikit meningkatkan peluang untuk masuk ke layar teknologi. Kode dan kiriman dari saya, SMS dari Alexei. Game, tentu saja, tapi kenapa tidak?
Tidak lama setelah diucapkan, dilakukan. Konferensi terdekat yang kami cari di Google adalah MICCAI dan sebenarnya ada kompetisi di sana. Kami mencapai yang pertama. Dulu . Tugas ini memiliki 3 subtugas. Masih ada 8 hari lagi sebelum batas waktu. Saya sadar di pagi hari, tetapi saya tidak menyerah. Saya mengambil saluran pipa saya dari Kaggle dan mengalihkannya dari data satelit ke data medis. 'fit_prediksi'. Alexei menyiapkan deskripsi solusi dua halaman untuk setiap masalah, dan kami mengirimkannya. Siap. Secara teori, Anda bisa menghembuskan napas. Namun ternyata ada tugas lain untuk bengkel yang sama () dengan tiga subtugas dan tenggat waktunya dimajukan 4 hari, yaitu, kita dapat melakukan 'fit_predict' di sana dan mengirimkannya. Itulah yang kami lakukan.
Berbeda dengan Kaggle, kompetisi ini memiliki kekhasan akademisnya masing-masing:
- Tidak Ada Papan Peringkat. Kiriman dikirim melalui email.
- Anda akan dikeluarkan jika perwakilan tim tidak datang untuk mempresentasikan solusi pada konferensi di Lokakarya.
- Tempat Anda di papan peringkat hanya diketahui selama konferensi. Semacam drama akademis.
Konferensi MICCAI 2017 diadakan di Kota Quebec. Sejujurnya, pada bulan September saya mulai kehabisan tenaga, jadi gagasan untuk mengambil cuti seminggu dari pekerjaan dan menuju ke Kanada tampak menarik.
Datang ke konferensi. Saya datang ke Workshop ini, saya tidak kenal siapa pun, saya duduk di pojok. Semua orang saling kenal, mereka berkomunikasi, mereka melontarkan kata-kata medis yang cerdas. Review kompetisi pertama. Peserta berbicara dan membicarakan keputusan mereka. Di sana sejuk, dengan kilauan. Giliran saya. Dan aku bahkan merasa malu. Mereka memecahkan masalah, mengerjakannya, memajukan sains, dan kami murni βfit_predictβ dari perkembangan masa lalu, bukan untuk sains, tetapi untuk meningkatkan resume kami.
Dia keluar dan mengatakan bahwa saya juga bukan ahli dalam bidang kedokteran, meminta maaf karena membuang-buang waktu, dan menunjukkan kepada saya satu slide yang berisi solusinya. Saya pergi ke aula.
Mereka mengumumkan subtugas pertama - kita yang pertama, dan dengan selisih.
Yang kedua dan ketiga diumumkan.
Mereka mengumumkan yang ketiga - lagi yang pertama dan lagi dengan petunjuk.
Jenderal adalah yang pertama.
Beberapa penonton tersenyum dan memandang saya dengan hormat. Yang lain, mereka yang tampaknya dianggap ahli di bidangnya, telah memenangkan hibah untuk tugas ini dan telah melakukan ini selama bertahun-tahun, memiliki ekspresi wajah yang sedikit berubah.
Berikutnya adalah tugas kedua, yang memiliki tiga subtugas dan telah dimajukan empat hari.
Di sini saya juga meminta maaf dan menunjukkan satu slide kami lagi.
Cerita yang sama. Dua yang pertama, satu detik, yang umum dulu.
Saya rasa ini mungkin pertama kalinya dalam sejarah agen penagihan memenangkan kompetisi pencitraan medis.
Dan sekarang saya berdiri di atas panggung, mereka memberi saya semacam ijazah dan saya dibombardir. Bagaimana itu bisa terjadi? Para akademisi ini menghabiskan uang pembayar pajak, bekerja untuk menyederhanakan dan meningkatkan kualitas pekerjaan para dokter, yang secara teori adalah harapan hidup saya, dan beberapa orang mencabik-cabik seluruh staf akademis ini ke dalam bendera Inggris dalam beberapa malam.
Bonusnya adalah di tim lain, mahasiswa pascasarjana yang telah mengerjakan tugas ini selama berbulan-bulan akan memiliki resume yang menarik bagi HR, yaitu, mereka akan dengan mudah membuka layar teknologi. Dan di depan mataku ada email yang baru diterima:
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.Secara umum, langsung dari panggung, saya bertanya kepada penonton: βAdakah yang tahu di mana saya bekerja?β Salah satu penyelenggara kompetisi tahu - dia mencari di Google apa itu TrueAccord. Sisanya tidak. Saya melanjutkan: βSaya bekerja untuk agen penagihan, dan di tempat kerja saya tidak melakukan Computer Vision maupun Deep Learning. Dan dalam banyak hal, hal ini terjadi karena departemen SDM di Google Brain dan Deepmind memfilter resume saya, tidak memberi saya kesempatan untuk menunjukkan pelatihan teknis. "
Mereka menyerahkan sertifikat, istirahat. Sekelompok akademisi menarik saya ke samping. Ternyata ini adalah grup Kesehatan dengan Deepmind. Saking terkesannya mereka, mereka langsung ingin berbicara dengan saya tentang lowongan Research Engineer di tim mereka. (Kami memang ngobrol. Percakapan ini berlangsung selama 6 bulan, saya lolos dibawa pulang, kuis, tetapi terpotong di layar teknologi. 6 bulan dari awal komunikasi ke layar teknologi adalah waktu yang lama. Penantian yang lama memberi sebuah rasa tidak ada gunanya. Research Engineer di Deepmind di London, dengan latar belakang TrueAccord ada kemajuan yang kuat, namun dengan latar belakang posisi saya saat ini, ini adalah sebuah kemunduran. Dari jarak dua tahun yang telah berlalu sejak saat itu, itu bagus ternyata tidak.)
Kesimpulan
Sekitar waktu yang sama, saya menerima tawaran dari Lyft, yang saya terima.
Berdasarkan hasil dari dua kompetisi bersama MICCAI tersebut, diterbitkan hal-hal sebagai berikut:
Artinya, meskipun idenya sangat liar, menambahkan artikel tambahan dan pracetak melalui kompetisi adalah hal yang baik. Dan di tahun-tahun berikutnya, kami memperburuk keadaan.
Saya telah bekerja di Lyft selama beberapa tahun terakhir melakukan Computer Vision/Deep Learning untuk mobil Self Driving. Artinya, saya mendapatkan apa yang saya inginkan. Dan tugas, dan perusahaan berstatus tinggi, dan kolega yang kuat, dan semua hal lainnya.
Selama beberapa bulan ini, saya berkomunikasi dengan perusahaan besar Google, Facebook, Uber, LinkedIn, dan dengan lautan startup dari berbagai ukuran.
Itu menyakitkan selama berbulan-bulan ini. Alam semesta memberi tahu Anda sesuatu yang tidak menyenangkan setiap hari. Penolakan yang terus-menerus, kesalahan yang sering dilakukan, dan semua ini dibumbui dengan perasaan putus asa yang terus-menerus. Tidak ada jaminan bahwa Anda akan sukses, tetapi ada perasaan bahwa Anda bodoh. Ini sangat mengingatkan saya pada bagaimana saya mencoba mencari pekerjaan setelah lulus kuliah.
Saya pikir banyak yang mencari pekerjaan di lembah dan segalanya menjadi lebih mudah bagi mereka. Triknya menurut saya begini. Jika Anda mencari pekerjaan di bidang yang Anda pahami, memiliki banyak pengalaman, dan resume Anda menyatakan hal yang sama, tidak ada masalah. Saya mengambilnya dan menemukannya. Ada banyak lowongan.
Tetapi jika Anda sedang mencari pekerjaan di bidang yang baru bagi Anda, yaitu ketika tidak ada pengetahuan, tidak ada koneksi dan resume Anda mengatakan sesuatu yang salah - saat ini semuanya menjadi sangat menarik.
Saat ini, perekrut secara rutin menulis surat kepada saya dan menawarkan untuk melakukan hal yang sama seperti yang saya lakukan sekarang, tetapi di perusahaan yang berbeda. Ini benar-benar waktunya untuk berganti pekerjaan. Tapi tidak ada gunanya melakukan apa yang sudah saya kuasai. Untuk apa?
Tapi untuk apa yang saya inginkan, sekali lagi saya tidak memiliki pengetahuan maupun baris-baris di resume saya. Mari kita lihat bagaimana semua ini berakhir. Jika semuanya berjalan dengan baik, saya akan menulis bagian selanjutnya. π
Sumber: www.habr.com