Frá eðlisfræðingum til gagnavísinda (frá vélum vísinda til skrifstofusvifs). Þriðji hluti

Frá eðlisfræðingum til gagnavísinda (frá vélum vísinda til skrifstofusvifs). Þriðji hluti

Þessi mynd er eftir Arthur Kuzin (n01z3), dregur nokkuð nákvæmlega saman innihald bloggfærslunnar. Þess vegna ætti eftirfarandi frásögn að vera meira eins og föstudagssaga en sem eitthvað afar gagnlegt og tæknilegt. Auk þess er rétt að taka fram að textinn er ríkur af enskum orðum. Ég veit ekki hvernig ég á að þýða sum þeirra rétt, og ég vil bara ekki þýða sum þeirra.

Fyrsti hluti.
Seinni hluti.

Hvernig umskiptin úr akademísku umhverfi yfir í iðnaðarumhverfi fóru fram kemur í ljós í fyrstu tveimur þáttunum. Í þessari verður samtalið um það sem gerðist næst.

Það var janúar 2017. Á þeim tíma hafði ég aðeins meira en árs starfsreynslu og ég vann í San Francisco í fyrirtækinu TrueAccord eins og sr. Gagnafræðingur.

TrueAccord er innheimtufyrirtæki. Í einföldu máli - innheimtustofnun. Safnarar hringja yfirleitt mikið. Við sendum mikið af tölvupóstum en hringdum lítið. Hver tölvupóstur leiddi á heimasíðu fyrirtækisins, þar sem skuldara var boðinn afsláttur af skuldinni og jafnvel leyft að greiða í áföngum. Þessi nálgun leiddi til betri innheimtu, leyfði stigstærð og minni útsetningu fyrir málaferlum.

Félagið var eðlilegt. Varan er skýr. Stjórnin er heilvita. Staðsetningin er góð.

Að meðaltali vinnur fólk í dalnum á einum stað í um eitt og hálft ár. Það er að segja, hvert fyrirtæki sem þú vinnur hjá er bara lítið skref. Á þessu skrefi muntu safna peningum, öðlast nýja þekkingu, færni, tengingar og línur í ferilskránni þinni. Eftir þetta er skipt yfir í næsta skref.

Hjá TrueAccord sjálft tók ég þátt í að hengja meðmælakerfi við fréttabréf í tölvupósti, auk þess að forgangsraða símtölum. Áhrifin eru skiljanleg og mældist nokkuð vel í dollurum í gegnum A/B próf. Þar sem engin vélanám var fyrir komu mína voru áhrifin af vinnu minni ekki slæm. Aftur, það er miklu auðveldara að bæta eitthvað en eitthvað sem er nú þegar mjög fínstillt.

Eftir sex mánaða vinnu við þessi kerfi hækkuðu þeir meira að segja grunnlaunin mín úr $150k í $163k. Í samfélaginu Open Data Science (ODS) það er meme um $163k. Það vex með fótunum héðan.

Allt þetta var dásamlegt, en það leiddi ekki neitt, eða það leiddi, en ekki þangað.

Ég ber mikla virðingu fyrir TrueAccord, bæði fyrirtækinu og strákunum sem ég vann með þar. Ég lærði mikið af þeim, en ég vildi ekki vinna lengi við meðmælakerfi hjá innheimtustofnun. Frá þessu skrefi þurfti að stíga í einhverja átt. Ef ekki áfram og upp, þá að minnsta kosti til hliðar.

Hvað líkaði mér ekki?

  1. Frá sjónarhóli vélanáms vakti vandamálin mig ekki. Mig langaði í eitthvað smart, unglegt, þ.e. Deep Learning, Computer Vision, eitthvað frekar nálægt vísindum eða að minnsta kosti gullgerðarlist.
  2. Sprotafyrirtæki, og jafnvel innheimtustofa, á í vandræðum með að ráða mjög hæft starfsfólk. Sem gangsetning getur það ekki borgað mikið. En sem innheimtustofnun tapar hún í stöðu. Í grófum dráttum, ef stelpa á stefnumóti spyr hvar þú vinnur? Svar þitt: „Á Google“ hljómar í stærðargráðum betur en „innheimtustofa“. Ég var örlítið truflaður af þeirri staðreynd að fyrir vini mína sem vinna hjá Google og Facebook, ólíkt mér, opnaði nafn fyrirtækis þeirra dyr eins og: þér getur verið boðið á ráðstefnu eða fund sem fyrirlesari, eða fleira áhugavert fólk skrifar á LinkedIn með tilboði um að hittast og spjalla yfir teglasi. Ég elska virkilega að eiga samskipti við fólk sem ég þekki ekki í eigin persónu. Svo ef þú býrð í San Francisco skaltu ekki hika við að skrifa - við skulum fara í kaffi og tala.
  3. Auk mín störfuðu þrír gagnafræðingar í fyrirtækinu. Ég var að vinna í vélanámi og þeir voru að vinna að öðrum gagnavísindaverkefnum, sem eru algeng í öllum gangsetningum héðan til morguns. Fyrir vikið skildu þeir í raun ekki vélanám. En til þess að vaxa þarf ég að eiga samskipti við einhvern, ræða greinar og nýjustu þróunina og biðja um ráð á endanum.

Hvað var í boði?

  1. Menntun: eðlisfræði, ekki tölvunarfræði.
  2. Eina forritunarmálið sem ég þekkti var Python. Það var tilfinning að ég þyrfti að skipta yfir í C++, en ég gat samt ekki komist að því.
  3. Eitt og hálft ár í starfi í greininni. Þar að auki, í vinnunni lærði ég hvorki djúpnám né tölvusjón.
  4. Ekki ein einasta grein um Deep Learning / Computer Vision í ferilskránni.
  5. Það var Kaggle Master afrek.

Hvað vildirðu?

  1. Staða þar sem nauðsynlegt verður að þjálfa mörg net, og nær tölvusýn.
  2. Það er betra ef það er stórt fyrirtæki eins og Google, Tesla, Facebook, Uber, LinkedIn o.s.frv. Þó að það sé í klípu myndi gangsetning duga.
  3. Ég þarf ekki að vera stærsti vélanámssérfræðingurinn í liðinu. Mikil þörf var fyrir eldri félaga, leiðbeinendur og alls kyns samskipti sem áttu að flýta fyrir námsferlinu.
  4. Eftir að hafa lesið bloggfærslur um hvernig útskriftarnemar án iðnaðarreynslu hafa heildarlaun upp á $300-500 þúsund á ári, vildi ég fara inn á sama svið. Það er ekki það að þetta trufli mig svo mikið, en þar sem þeir segja að þetta sé algengt fyrirbæri, en ég hef minna, þá er þetta merki.

Verkefnið virtist fullkomlega leysanlegt, þó ekki í þeim skilningi að þú getir hoppað inn í hvaða fyrirtæki sem er, heldur frekar að ef þú sveltir þá mun allt ganga upp. Það er að segja að nota ætti tugi eða hundruð tilrauna, og sársaukann frá hverri bilun og hverri höfnun, til að skerpa einbeitinguna, bæta minni og teygja daginn í 36 klukkustundir.

Ég lagaði ferilskrána mína, byrjaði að senda hana út og fór í viðtöl. Ég flaug framhjá flestum á stigi samskipta við HR. Margir þurftu C++, en ég vissi það ekki og ég hafði sterka tilfinningu fyrir því að ég hefði ekki mikinn áhuga á stöðum sem krefjast C++.

Þess má geta að á sama tíma urðu áfangaskipti í tegund keppna á Kaggle. Fyrir 2017 var mikið af töflugögnum og mjög sjaldan myndgögn, en frá og með 2017 var mikið um tölvusjónarverkefni.

Lífið rann á eftirfarandi hátt:

  1. Vinna á daginn.
  2. Þegar tækniskjár / á staðnum tekurðu þér frí.
  3. Kvöld og helgar Kaggle + greinar / bækur / bloggfærslur

Lok ársins 2016 einkenndist af því að ég gekk í samfélagið Open Data Science (ODS), sem einfaldaði margt. Það eru margir krakkar í samfélaginu með ríka iðnaðarreynslu, sem gerði okkur kleift að spyrja margra heimskulegra spurninga og fá mörg gáfuleg svör. Það eru líka margir mjög sterkir vélanámssérfræðingar af öllum stærðum, sem, óvænt, leyfðu mér, í gegnum ODS, að loka málinu með reglulegum og ítarlegum samskiptum um Data Science. Hingað til, hvað varðar ML, gefur ODS mér margfalt meira en ég fæ í vinnunni.

Jæja, eins og venjulega hefur ODS nóg af sérfræðingum í keppnum á Kaggle og öðrum síðum. Að leysa vandamál í teymi er skemmtilegra og afkastameira, svo með brandara, blóti, memes og annarri nördalegri skemmtun fórum við að leysa vandamál eitt af öðru.

Í mars 2017 - í liði með Serega Mushinsky - þriðja sæti fyrir Dstl gervihnattamyndareiginleikagreining. Gullverðlaun á Kaggle + $20k fyrir tvo. Í þessu verkefni var vinna með gervihnattamyndir + tvíundarskiptingu í gegnum UNet bætt. Bloggfærsla á Habré um þetta efni.

Sama mars fór ég í viðtal hjá NVidia hjá Self Driving teyminu. Ég átti mjög erfitt með spurningar um Object Detection. Það var ekki næg þekking.

Sem betur fer hófst á sama tíma Object Detection keppnin um loftmyndir frá sama DSTL. Guð sjálfur skipaði að leysa vandamálið og uppfæra. Mánuður á kvöldin og um helgar. Ég sótti þekkinguna og endaði í öðru sæti. Þessi keppni hafði áhugaverðan blæ í reglunum sem leiddi til þess að ég var sýndur í Rússlandi á alríkisrásum en ekki svo alríkisrásum. Ég komst áfram heima Lenta.ru, og í fullt af prentuðum og netritum. Mail Ru Group fékk smá jákvæða PR á minn kostnað og eigin peninga og grundvallarvísindi í Rússlandi auðguðust um 12000 pund. Eins og venjulega var skrifað um þetta efni bloggfærsla á Hubr. Farðu þangað til að fá nánari upplýsingar.

Á sama tíma hafði Tesla ráðningaraðili samband við mig og bauðst til að ræða um tölvusjónstöðuna. Ég samþykkti. Ég hljóp í gegnum heimtökuna, tvo tækniskjái, viðtal á staðnum og átti mjög skemmtilegt samtal við Andrei Karpathy, sem var nýbúinn að vera ráðinn hjá Tesla sem forstöðumaður gervigreindar. Næsta stig er bakgrunnsskoðun. Eftir það þurfti Elon Musk persónulega að samþykkja umsóknina mína. Tesla er með strangan þagnarskyldusamning (NDA).
Ég stóðst ekki bakgrunnsathugunina. Ráðningamaðurinn sagði að ég spjallaði mikið á netinu og brýtur gegn NDA. Eini staðurinn þar sem ég sagði eitthvað um viðtal hjá Tesla var ODS, þannig að núverandi tilgáta er sú að einhver hafi tekið skjáskot og skrifað til HR hjá Tesla, og ég var fjarlægður úr keppninni af skaða. Það var synd þá. Nú er ég feginn að það tókst ekki. Núverandi staða mín er miklu betri, þó það væri mjög áhugavert að vinna með Andrey.

Strax eftir það skellti ég mér í gervihnattamyndakeppnina á Kaggle frá Planet Labs - Að skilja Amazon frá geimnum. Vandamálið var einfalt og einstaklega leiðinlegt, enginn vildi leysa það, en allir vildu fá ókeypis gullverðlaun eða verðlaunapening. Þess vegna, með 7 manna teymi Kaggle Masters, samþykktum við að kasta járni. Við þjálfuðum 480 netkerfi í „fit_predict“ ham og gerðum þriggja hæða ensemble úr þeim. Við urðum í sjöunda sæti. Bloggfærsla sem lýsir lausninni frá Arthur Kuzin. Við the vegur, Jeremy Howard, sem er víða þekktur sem skaparinn Fast.AI lauk 23.

Eftir lok keppninnar skipulagði ég Meetup í húsnæði þeirra í gegnum vin sem vann hjá AdRoll. Fulltrúar Planet Labs sögðu þar frá því hvernig skipulag keppninnar og gagnamerkingar litu út af þeirra hálfu. Wendy Kwan, sem starfar hjá Kaggle og hafði umsjón með keppninni, talaði um hvernig hún sá hana. Ég lýsti lausn okkar, brellum, tækni og tæknilegum upplýsingum. Tveir þriðju hlutar áhorfenda leystu þetta vandamál þannig að spurningarnar voru lagðar fram og almennt var allt flott. Jeremy Howard var þarna líka. Í ljós kom að hann endaði í 23. sæti vegna þess að hann kunni ekki að stafla líkaninu og að hann vissi alls ekki um þessa aðferð við að smíða samstæður.

Fundir í dalnum um vélanám eru allt öðruvísi en fundir í Moskvu. Að jafnaði eru fundir í dalnum neðst. En okkar reyndust vel. Því miður ýtti félaginn sem átti að ýta á takkann og taka allt upp ekki á takkann :)

Eftir það var mér boðið að ræða við stöðu Deep Learning Engineer á sama Planet Labs og strax á staðnum. Ég stóðst það ekki. Orðalag synjunarinnar er að ekki sé næg þekking í Deep Learning.

Ég hannaði hverja keppni sem verkefni í LinkedIn. Fyrir DSTL vandamálið skrifuðum við forprentun og setti það á arxiv. Ekki grein, en samt brauð. Ég mæli líka með því við alla aðra að blása upp LinkedIn prófílinn sinn með keppnum, greinum, færni og svo framvegis. Það er jákvæð fylgni á milli þess hversu mörg leitarorð þú hefur á LinkedIn prófílnum þínum og hversu oft fólk sendir þér skilaboð.

Ef ég var mjög tæknilegur á veturna og vorin, þá hafði ég bæði þekkingu og sjálfstraust í ágúst.

Í lok júlí hafði strákur sem starfaði sem gagnavísindastjóri hjá Lyft samband við mig á LinkedIn og bauð mér í kaffi og spjalla um lífið, um Lyft, um TrueAccord. Við töluðum. Hann bauðst til viðtals við teymi sitt um stöðu gagnafræðings. Ég sagði að valmöguleikinn væri að virka, að því gefnu að það sé tölvusjón / djúpnám frá morgni til kvölds. Hann fullvissaði um að engin mótmæli væru af hans hálfu.

Ég sendi ferilskrána mína og hann hlóð henni upp á innri gátt Lyft. Eftir það hringdi ráðningarmaðurinn í mig til að opna ferilskrána mína og fá að vita meira um mig. Strax í fyrstu orðum var ljóst að fyrir hann var þetta formsatriði, þar sem það var augljóst af ferilskrá hans að „ég er ekki efni í Lyft.“ Ég býst við að eftir það hafi ferilskráin mín farið í ruslatunnu.

Allan þennan tíma, á meðan ég var í viðtali, ræddi ég mistök mín og fall í ODS og strákarnir gáfu mér viðbrögð og hjálpuðu mér á allan mögulegan hátt með ráðum, þó eins og venjulega væri líka mikið af vinalegum trolli þar.

Einn af ODS-meðlimunum bauðst til að tengja mig við vin sinn, sem er verkfræðingur hjá Lyft. Ekki fyrr sagt en gert. Ég kem til Lyft í hádeginu og fyrir utan þennan vin er líka yfirmaður gagnafræði og vörustjóri sem er mikill aðdáandi djúpnáms. Í hádeginu spjölluðum við yfir DL. Og þar sem ég hef þjálfað net 24/7 í hálft ár, lesið rúmmetra af bókmenntum og keyrt verkefni á Kaggle með meira og minna skýrum árangri, gæti ég talað um Deep Learning tímunum saman, bæði hvað varðar nýjar greinar og hagnýtar tækni.

Eftir hádegismatinn horfðu þeir á mig og sögðu - það er strax augljóst að þú ert myndarlegur, viltu tala við okkur? Þar að auki bættu þeir við að mér er ljóst að hægt er að sleppa því að taka heim + tækniskjá. Og að mér verði boðið strax á staðinn. Ég samþykkti.

Eftir það hringdi þessi ráðningaraðili í mig til að skipuleggja viðtal á staðnum og hann var ósáttur. Hann muldraði eitthvað um að hoppa ekki yfir höfuðið á þér.

Kom. Viðtal á staðnum. Fimm tíma samskipti við mismunandi fólk. Það var ekki ein spurning um Deep Learning, eða um vélanám í grundvallaratriðum. Þar sem það er ekkert djúpt nám / tölvusjón, þá hef ég ekki áhuga. Þannig voru niðurstöður viðtalanna hornréttar.

Þessi ráðningaraðili hringir og segir - til hamingju, þú komst í annað viðtalið á staðnum. Þetta kemur allt á óvart. Hvað er annað á staðnum? Ég hef aldrei heyrt um slíkt. Ég fór. Það eru nokkrar klukkustundir þarna, að þessu sinni allt um hefðbundið vélanám. Það er betra. En samt ekki áhugavert.

Ráðningamaðurinn hringir með til hamingju með að ég hafi staðist þriðja viðtalið á staðnum og lofar að þetta verði það síðasta. Ég fór að skoða það og það var bæði DL og CV.

Ég var með forstjóra í marga mánuði sem sagði mér að það kæmi ekkert tilboð. Ég mun ekki þjálfa á tæknikunnáttu heldur mjúkum. Ekki í mjúku kantinum heldur því að staðan verði lögð niður eða að fyrirtækið sé ekki enn að ráða, heldur er einfaldlega verið að prófa markaðinn og umsækjendur.

Miðjan ágúst. Ég drakk bjór í lagi. Myrkar hugsanir. 8 mánuðir liðnir og enn ekkert tilboð. Það er gott að vera skapandi undir bjór, sérstaklega ef sköpunarkrafturinn er undarlegur. Hugmynd kemur upp í huga minn. Ég deili því með Alexey Shvets, sem á þeim tíma var nýdoktor við MIT.

Hvað ef þú tekur næstu DL/CV ráðstefnu, horfir á keppnirnar sem eru haldnar sem hluti af henni, æfir eitthvað og skilar inn? Þar sem allir sérfræðingar þar eru að byggja feril sinn á þessu og hafa gert þetta í marga mánuði eða jafnvel ár, þá eigum við enga möguleika. En það er ekki skelfilegt. Við gerum einhverja merkingarbæra sendingu, fljúgum í síðasta sætið og eftir það skrifum við forprent eða grein um hvernig við erum ekki eins og allir aðrir og tölum um ákvörðun okkar. Og greinin er nú þegar á LinkedIn og í ferilskránni þinni.

Það er, það virðist eiga við og það eru réttari leitarorð í ferilskránni, sem ætti að auka örlítið líkurnar á að komast á tækniskjáinn. Kóði og sendingar frá mér, textar frá Alexey. Leikur, auðvitað, en hvers vegna ekki?

Ekki fyrr sagt en gert. Næsta ráðstefna sem við gúgluðum var MICCAI og þar voru reyndar keppnir. Við hittum þann fyrsta. Það var Myndgreining á meltingarvegi (GIANA). Verkefnið hefur 3 undirverkefni. Það voru 8 dagar eftir af frestinum. Ég varð edrú um morguninn en gafst ekki upp. Ég tók leiðslur mínar frá Kaggle og skipti þeim úr gervihnattagögnum yfir í læknisfræðileg gögn. 'fit_predict'. Alexey útbjó tveggja blaðsíðna lýsingu á lausnum fyrir hvert vandamál og við sendum hana. Tilbúið. Fræðilega séð geturðu andað frá þér. En það kom í ljós að það var annað verkefni fyrir sama verkstæði (Skipting vélfæratækja) með þremur undirverkefnum og að frestur hennar hafi verið færður upp um 4 daga, það er að við getum gert 'fit_predict' þangað og sent. Það var það sem við gerðum.

Ólíkt Kaggle höfðu þessar keppnir sínar eigin fræðilegu sérkenni:

  1. Engin stigatöflu. Tillögur eru sendar með tölvupósti.
  2. Þú verður fjarlægður ef fulltrúi teymisins kemur ekki til að kynna lausnina á ráðstefnunni á vinnustofunni.
  3. Staðurinn þinn á stigatöflunni verður aðeins þekktur á ráðstefnunni. Eins konar akademískt drama.

MICCAI 2017 ráðstefnan var haldin í Quebec City. Til að vera heiðarlegur, í september var ég farin að brenna út, svo hugmyndin um að taka viku frí frá vinnu og halda til Kanada leit áhugaverð út.

Kom á ráðstefnuna. Ég kom á þessa vinnustofu, ég þekki engan, ég sit í horninu. Allir þekkjast, þeir hafa samskipti, þeir kasta fram snjöllum læknisorðum. Farið yfir fyrstu keppnina. Þátttakendur tala og tala um ákvarðanir sínar. Það er flott þarna, með glampa. Ég á að gera. Og ég skammast mín einhvern veginn meira að segja. Þeir leystu vandamálið, unnu að því, háþróuðu vísindi og við erum eingöngu „fit_predict“ frá fyrri þróun, ekki fyrir vísindi, heldur til að efla ferilskrá okkar.

Hann kom út og sagði að ég væri ekki sérfræðingur í læknisfræði heldur, baðst afsökunar á að eyða tíma sínum og sýndi mér eina glæru með lausninni. Ég fór niður í sal.

Þeir tilkynna fyrsta undirverkefnið - við erum fyrst, og með mun.
Önnur og þriðju eru tilkynnt.
Þeir tilkynna þann þriðja - aftur fyrst og aftur með forystu.
Hershöfðingi er sá fyrsti.

Frá eðlisfræðingum til gagnavísinda (frá vélum vísinda til skrifstofusvifs). Þriðji hluti

Opinber fréttatilkynning.

Sumir í salnum brosa og horfa á mig með virðingu. Aðrir, þeir sem greinilega töldust sérfræðingar á þessu sviði, höfðu fengið styrk til þessa verkefnis og gert þetta í mörg ár, voru með örlítið brenglaðan svip á andlitinu.

Næst er annað verkefnið, það með þremur undirverkefnum og hefur verið fært fram um fjóra daga.

Hér baðst ég líka afsökunar og sýndi einu glæruna okkar aftur.
Sama sagan. Tveir fyrst, ein sekúndu, algengir fyrst.

Ég held að þetta sé líklega í fyrsta skipti í sögunni sem innheimtustofa vinnur læknisfræðilega myndgreiningarkeppni.

Og núna stend ég á sviðinu, þeir eru að afhenda mér einhvers konar prófskírteini og ég er fyrir sprengjum. Hvernig í fjandanum getur það verið? Þessir fræðimenn eru að eyða peningum skattgreiðenda, vinna að því að einfalda og bæta gæði starf lækna, það er í orði, lífslíkur mínar, og einhver líkami reif allt þetta akademíska starfsfólk í breska fánann á nokkrum kvöldum.

Bónus við þetta er að í öðrum teymum munu útskriftarnemar sem hafa unnið við þessi verkefni í marga mánuði hafa ferilskrá sem er aðlaðandi fyrir HR, það er að þeir komast auðveldlega á tækniskjáinn. Og fyrir augum mínum er nýkominn tölvupóstur:

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.

Almennt séð, strax af sviðinu, spyr ég áhorfendur: "Veit einhver hvar ég vinn?" Einn af skipuleggjendum keppninnar vissi - hann googlaði hvað TrueAccord væri. Restin er það ekki. Ég held áfram: „Ég vinn hjá innheimtustofnun og í vinnunni stunda ég hvorki tölvusjón né djúpnám. Og á margan hátt gerist þetta vegna þess að starfsmannadeildir Google Brain og Deepmind sía ferilskrána mína, gefa mér ekki tækifæri til að sýna tækniþjálfun. "

Þeir afhentu skírteinið, hlé. Hópur fræðimanna dregur mig til hliðar. Í ljós kom að þetta er Heilsuhópur með Deepmind. Þeir voru svo hrifnir að þeir vildu strax tala við mig um lausa stöðu rannsóknarverkfræðings í teyminu þeirra. (Við töluðum saman. Þetta samtal stóð yfir í 6 mánuði, ég stóðst taka heim, spurningakeppni, en var stytt á tækniskjánum. 6 mánuðir frá upphafi samskipta að tækniskjánum er langur tími. Lang bið gefur bragð af gagnsleysi. Rannsóknarverkfræðingur hjá Deepmind í London, gegn bakgrunn TrueAccord var sterkur stígandi, en miðað við núverandi stöðu mína er það skref niður. Frá tveggja ára fjarlægð sem eru liðin síðan þá er það gott að það gerði það ekki.)

Ályktun

Um svipað leyti fékk ég tilboð frá Lyft sem ég tók.
Byggt á niðurstöðum þessara tveggja keppna með MICCAI voru eftirfarandi birtar:

  1. Sjálfvirk hljóðfæraskipting í skurðaðgerð með vélmenni með djúpnámi
  2. Uppgötvun og staðsetning ofsfæðingar með djúpum snúnings tauganetum
  3. 2017 Vélfærafræði tækjaskiptingaráskorun

Það er að segja, þrátt fyrir villileika hugmyndarinnar, virkar vel að bæta við stigvaxandi greinum og forprentum í gegnum keppnir. Og á síðari árum gerðum við það enn verra.

Frá eðlisfræðingum til gagnavísinda (frá vélum vísinda til skrifstofusvifs). Þriðji hluti

Ég hef unnið hjá Lyft undanfarin ár við tölvusjón/djúpnám fyrir sjálfkeyrandi bíla. Það er, ég fékk það sem ég vildi. Og verkefni, og háttsett fyrirtæki, og sterkir samstarfsmenn, og allt annað góðgæti.

Á þessum mánuðum átti ég samskipti við bæði stórfyrirtækin Google, Facebook, Uber, LinkedIn og við hafsjó af sprotafyrirtækjum af ýmsum stærðum.

Það var sárt alla þessa mánuði. Alheimurinn segir þér eitthvað sem er ekki mjög skemmtilegt á hverjum degi. Regluleg höfnun, að gera reglulega mistök og allt er þetta bragðbætt með viðvarandi vonleysistilfinningu. Það eru engar tryggingar fyrir því að þú náir árangri, en það er tilfinning að þú sért fífl. Þetta minnir mjög á hvernig ég reyndi að finna vinnu strax eftir háskólanám.

Ég held að margir hafi verið að leita að vinnu í dalnum og allt hafi verið þeim mun auðveldara. The bragð, að mínu mati, er þetta. Ef þú ert að leita að starfi á sviði sem þú skilur, hefur mikla reynslu og ferilskráin þín segir það sama, þá eru engin vandamál. Ég tók það og fann það. Það er fullt af lausum störfum.

En ef þú ert að leita að starfi á sviði sem er nýtt fyrir þér, það er að segja þegar engin þekking er til, engin tengsl og ferilskráin þín segir eitthvað rangt - á þessari stundu verður allt einstaklega áhugavert.

Núna skrifa ráðunautar mér reglulega og bjóðast til að gera það sama og ég er að gera núna, en í öðru fyrirtæki. Það er virkilega kominn tími til að skipta um vinnu. En það þýðir ekkert að fara að gera það sem ég er nú þegar góður í. Til hvers?

En fyrir það sem ég vil hef ég aftur hvorki þekkingu né línur í ferilskránni minni. Sjáum hvernig þetta endar allt. Ef allt gengur vel mun ég skrifa næsta hluta. 🙂

Heimild: www.habr.com

Bæta við athugasemd