ფიზიკოსებიდან მონაცემთა მეცნიერებამდე (მეცნიერების ძრავებიდან საოფისე პლანქტონამდე). მესამე ნაწილი

ეს სურათი არის არტურ კუზინის (n01z3), საკმაოდ ზუსტად აჯამებს ბლოგის პოსტის შინაარსს. შედეგად, შემდეგი ნარატივი უფრო პარასკევის ამბავს უნდა აღვიქვათ, ვიდრე რაღაც უკიდურესად სასარგებლო და ტექნიკურად. გარდა ამისა, აღსანიშნავია, რომ ტექსტი მდიდარია ინგლისური სიტყვებით. ზოგიერთი მათგანის სწორად თარგმნა არ ვიცი და უბრალოდ არ მინდა ზოგიერთის თარგმნა.

Პირველი ნაწილი.
Მეორე ნაწილი.

როგორ მოხდა გადასვლა აკადემიური გარემოდან ინდუსტრიულ გარემოზე, ვლინდება პირველ ორ ეპიზოდში. ამ ერთში საუბარი იქნება იმაზე, რაც შემდეგ მოხდა.

ეს იყო 2017 წლის იანვარი. იმ პერიოდში ერთ წელზე ცოტა მეტი სამუშაო გამოცდილება მქონდა და კომპანიაში სან-ფრანცისკოში ვმუშაობდი TrueAccord ისევე როგორც უფროსი. მონაცემთა მეცნიერი.

TrueAccord არის ვალების ამოღების სტარტაპი. მარტივი სიტყვებით - საკოლექციო სააგენტო. კოლექციონერები ჩვეულებრივ ბევრს ურეკავენ. ჩვენ გავგზავნეთ ბევრი ელ.წერილი, მაგრამ რამდენიმე ზარი განვახორციელეთ. თითოეული ელ.წერილი მიდიოდა კომპანიის ვებსაიტზე, სადაც მოვალეს სთავაზობდნენ ვალზე ფასდაკლებას და განვადებით გადახდის უფლებასაც კი აძლევდნენ. ამ მიდგომამ განაპირობა უკეთესი შეგროვება, დაშვებული სკალირებისა და სარჩელის ნაკლები ზემოქმედება.

კომპანია ნორმალური იყო. პროდუქტი ნათელია. მენეჯმენტი საღი აზრია. მდებარეობა კარგია.

საშუალოდ, ხეობაში ადამიანები ერთ ადგილზე მუშაობენ დაახლოებით წელიწადნახევარი. ანუ, ნებისმიერი კომპანია, რომელშიც მუშაობთ, მხოლოდ მცირე ნაბიჯია. ამ ეტაპზე თქვენ შეაგროვებთ გარკვეულ თანხას, შეიძენთ ახალ ცოდნას, უნარებს, კავშირებს და ხაზებს თქვენს რეზიუმეში. ამის შემდეგ ხდება გადასვლა შემდეგ ეტაპზე.

თავად TrueAccord-ში მე ვიყავი ჩართული სარეკომენდაციო სისტემების მიმაგრებაში ელ.ფოსტის საინფორმაციო ბიულეტენებზე, ასევე სატელეფონო ზარების პრიორიტეტის მინიჭებაში. ზემოქმედება გასაგებია და საკმაოდ კარგად იყო გაზომილი დოლარებში A/B ტესტირების საშუალებით. ვინაიდან ჩემს ჩამოსვლამდე მანქანათმცოდნეობა არ იყო, ჩემი მუშაობის გავლენა ცუდი არ იყო. კიდევ ერთხელ, ბევრად უფრო ადვილია რაღაცის გაუმჯობესება, ვიდრე ის, რაც უკვე ძლიერ ოპტიმიზირებულია.

ამ სისტემებზე მუშაობის ექვსი თვის შემდეგ, მათ ჩემი საბაზისო ანაზღაურებაც კი გაზარდეს 150 ათასი დოლარიდან 163 ათას დოლარამდე. Საზოგადოებაში ღია მონაცემთა მეცნიერება (ODS) არის მემი დაახლოებით $163k. აქედან ფეხებით იზრდება.

ეს ყველაფერი მშვენიერი იყო, მაგრამ არსად არ მიგვიყვანდა, ან მიიყვანა, მაგრამ არა იქ.

მე დიდ პატივს ვცემ TrueAccord-ს, როგორც კომპანიას, ასევე იმ ბიჭებს, ვისთანაც იქ ვმუშაობდი. ბევრი რამ ვისწავლე მათგან, მაგრამ არ მინდოდა დიდი ხნის განმავლობაში მემუშავა სარეკომენდაციო სისტემებზე შემგროვებელ სააგენტოში. ამ ნაბიჯიდან რაღაც მიმართულებით უნდა გადაგედგათ. თუ არა წინ და ზემოთ, მაშინ მაინც გვერდით.

რა არ მომეწონა?

1. მანქანათმცოდნეობის პერსპექტივიდან გამომდინარე, პრობლემები არ მაღელვებს. მინდოდა რაღაც მოდური, ახალგაზრდული, ანუ ღრმა სწავლა, კომპიუტერული ხედვა, რაღაც საკმაოდ ახლოს მეცნიერებასთან ან სულაც ალქიმიასთან.
2. სტარტაპს და თუნდაც შემგროვებელ სააგენტოს აქვს პრობლემები მაღალკვალიფიციური კადრების დაქირავებით. როგორც სტარტაპს, მას არ შეუძლია ბევრის გადახდა. მაგრამ, როგორც შემგროვებელი სააგენტო, ის კარგავს სტატუსს. უხეშად რომ ვთქვათ, პაემანზე გოგომ რომ გკითხოს სად მუშაობ? თქვენი პასუხი: „Google-ში“ უფრო კარგად ჟღერს, ვიდრე „შეგროვების სააგენტო“. ოდნავ მაწუხებდა ის ფაქტი, რომ ჩემს მეგობრებს, რომლებიც მუშაობენ Google-სა და Facebook-ში, ჩემგან განსხვავებით, მათი კომპანიის სახელმა გაიღო კარები, როგორიცაა: შეგიძლიათ მიიწვიოთ კონფერენციაზე ან შეხვედრაზე, როგორც მომხსენებელი, ან უფრო საინტერესო ადამიანები დაწერონ LinkedIn-ზე. შეხვედრის შეთავაზებით და ჩაის ჭიქაზე საუბარი. მე ნამდვილად მიყვარს ადამიანებთან ურთიერთობა, რომლებსაც პირადად არ ვიცნობ. ასე რომ, თუ სან-ფრანცისკოში ცხოვრობთ, ნუ მოგერიდებათ დაწერა - წავიდეთ ყავაზე და ვისაუბროთ.
3. ჩემს გარდა კომპანიაში სამი Data Scientist მუშაობდა. მე ვმუშაობდი მანქანურ სწავლებაზე და ისინი მუშაობდნენ მონაცემთა მეცნიერების სხვა ამოცანებზე, რომლებიც გავრცელებულია ნებისმიერ სტარტაპში აქედან ხვალამდე. შედეგად, მათ ნამდვილად არ ესმოდათ მანქანური სწავლება. მაგრამ იმისთვის, რომ გავიზარდო, მჭირდება ვინმესთან კომუნიკაცია, განვიხილო სტატიები და უახლესი მოვლენები და საბოლოოდ ვთხოვო რჩევა.

რა იყო ხელმისაწვდომი?

1. განათლება: ფიზიკა და არა კომპიუტერული მეცნიერება.
2. ერთადერთი პროგრამირების ენა, რომელიც ვიცოდი, იყო პითონი. ისეთი შეგრძნება იყო, რომ მჭირდებოდა C++-ზე გადასვლა, მაგრამ მაინც ვერ მოვახერხე.
3. წელიწადნახევარი მუშაობა ინდუსტრიაში. უფრო მეტიც, სამსახურში არ ვსწავლობდი არც Deep Learning და არც Computer Vision.
4. არც ერთი სტატია Deep Learning/Computer Vision-ის შესახებ რეზიუმეში.
5. იყო Kaggle Master-ის მიღწევა.

Რა გინდოდა?

1. პოზიცია, სადაც საჭირო იქნება მრავალი ქსელის მომზადება და კომპიუტერულ ხედვასთან უფრო ახლოს.
2. უმჯობესია, თუ ეს არის ისეთი დიდი კომპანია, როგორიცაა Google, Tesla, Facebook, Uber, LinkedIn და ა.შ. მიუხედავად იმისა, რომ სტარტაპი ძალიან ცოტაა.
3. არ მჭირდება გუნდში მანქანათმცოდნეობის უდიდესი ექსპერტი ვიყო. დიდი მოთხოვნილება იყო უფროსი თანამებრძოლების, მენტორებისა და ყველანაირი კომუნიკაციის, რაც უნდა დაეჩქარებინა სასწავლო პროცესი.
4. მას შემდეგ რაც წავიკითხე ბლოგ პოსტები იმის შესახებ, თუ როგორ იღებენ კურსდამთავრებულებს ინდუსტრიული გამოცდილების გარეშე ჯამური ანაზღაურება 300-500 ათასი დოლარი წელიწადში, მეც მინდოდა იმავე დიაპაზონში შესვლა. ეს ასე არ მაწუხებს, მაგრამ რადგან ამბობენ, რომ ეს ჩვეულებრივი მოვლენაა, მაგრამ მე ნაკლები მაქვს, მაშინ ეს არის სიგნალი.

ამოცანა სრულიად მოსაგვარებელი ჩანდა, თუმცა არა იმ გაგებით, რომ ნებისმიერ კომპანიაში გადახტე, არამედ, თუ შიმშილით მოკვდები, ყველაფერი გამოვა. ანუ, ათობით ან ასობით მცდელობა და ტკივილი ყოველი წარუმატებლობისა და ყოველი უარის გამო, უნდა იქნას გამოყენებული ყურადღების გასაძლიერებლად, მეხსიერების გასაუმჯობესებლად და დღის 36 საათამდე გასაგრძელებლად.

შევასწორე ჩემი რეზიუმე, დავიწყე მისი გაგზავნა და გასაუბრებაზე წასვლა. მე გავფრინდი მათ უმეტესობას HR-თან კომუნიკაციის ეტაპზე. ბევრ ადამიანს სჭირდებოდა C++, მაგრამ მე ეს არ ვიცოდი და მქონდა ძლიერი განცდა, რომ არ ვიქნებოდი დაინტერესებული პოზიციებით, რომლებიც საჭიროებდნენ C++-ს.

აღსანიშნავია, რომ დაახლოებით ამავე დროს მოხდა ფაზური გადასვლა კაგლის ტიპის შეჯიბრებებში. 2017 წლამდე იყო ბევრი ცხრილური მონაცემი და ძალიან იშვიათად სურათის მონაცემები, მაგრამ 2017 წლიდან დაწყებული იყო უამრავი კომპიუტერული ხედვის დავალება.

ცხოვრება მიდიოდა შემდეგ რეჟიმში:

1. იმუშავეთ დღის განმავლობაში.
2. როდესაც ტექნიკურ ეკრანზე / ადგილზე თქვენ იღებთ დრო.
3. საღამოები და შაბათ-კვირა Kaggle + სტატიები / წიგნები / ბლოგ პოსტები

2016 წლის დასასრული იმით აღინიშნა, რომ საზოგადოებას შევუერთდი ღია მონაცემთა მეცნიერება (ODS), რამაც ბევრი რამ გაამარტივა. საზოგადოებაში უამრავი ბიჭია მდიდარი ინდუსტრიული გამოცდილებით, რამაც მოგვცა საშუალება დაგვესვა ბევრი სულელური შეკითხვა და ბევრი ჭკვიანი პასუხი მივიღოთ. ასევე არის ბევრი ძალიან ძლიერი მანქანათმცოდნეობის სპეციალისტი ყველა ზოლში, რამაც, მოულოდნელად, მომცა საშუალება, ODS-ის მეშვეობით დავხურო საკითხი მონაცემთა მეცნიერების შესახებ რეგულარული სიღრმისეული კომუნიკაციით. აქამდე, ML-ის თვალსაზრისით, ODS მაძლევს ბევრჯერ მეტს, ვიდრე სამსახურში ვიღებ.

ისე, როგორც ყოველთვის, ODS-ს ჰყავს საკმარისი სპეციალისტები შეჯიბრებებში Kaggle-სა და სხვა საიტებზე. გუნდში პრობლემების გადაჭრა უფრო სახალისო და პროდუქტიულია, ამიტომ ხუმრობებით, ლანძღვით, მემებით და სხვა უაზრო გართობით დავიწყეთ პრობლემების სათითაოდ გადაჭრა.

2017 წლის მარტში - სერეგა მუშინსკის გუნდში - მესამე ადგილისთვის Dstl სატელიტური გამოსახულების ფუნქციის ამოცნობა. ოქროს მედალი კაგლზე + 20 ათასი დოლარი ორზე. ამ ამოცანაზე გაუმჯობესდა მუშაობა სატელიტური გამოსახულებები + ბინარული სეგმენტაცია UNet-ის საშუალებით. ბლოგის პოსტი Habré-ზე ამ თემაზე.

იმავე მარტში მივედი ინტერვიუზე NVidia-ში Self Driving გუნდთან. მე ნამდვილად გამიჭირდა კითხვები ობიექტების ამოცნობის შესახებ. არ იყო საკმარისი ცოდნა.

საბედნიეროდ, ამავე დროს, დაიწყო Object Detection კონკურსი აერო გამოსახულებაზე იმავე DSTL-დან. თავად ღმერთმა უბრძანა პრობლემის მოგვარება და განახლება. საღამოს და შაბათ-კვირის თვე. ავიღე ცოდნა და მეორე ადგილზე გავედი. ამ კონკურსს წესებში საინტერესო ნიუანსი ჰქონდა, რამაც განაპირობა ის, რომ რუსეთში მაჩვენეს ფედერალურ და არც ისე ფედერალურ არხებზე. ჩავჯექი მთავარი Lenta.ru, და ბეჭდურ და ონლაინ პუბლიკაციებში. Mail Ru Group-მა მიიღო ცოტა დადებითი პიარი ჩემი ხარჯებით და საკუთარი ფულით და რუსეთში ფუნდამენტური მეცნიერება 12000 ფუნტით გამდიდრდა. როგორც ყოველთვის, ამ თემაზე ეწერა ბლოგის პოსტი hubr-ზე. გადადით იქ დეტალებისთვის.

ამავე დროს, Tesla-ს დამსაქმებელი დამიკავშირდა და შემომთავაზა საუბარი Computer Vision პოზიციაზე. Მე დავეთანხმე. მე გადავწყვიტე სახლიდან წასასვლელი, ორი ტექნიკური ეკრანი, ადგილზე გასაუბრება და ძალიან სასიამოვნო საუბარი მქონდა ანდრეი კარპათთან, რომელიც ახლახან დაიქირავა Tesla-ში ხელოვნური ინტელექტის დირექტორად. შემდეგი ეტაპი არის ფონის შემოწმება. ამის შემდეგ ელონ მასკს პირადად უნდა დაემტკიცებინა ჩემი განცხადება. Tesla-ს აქვს მკაცრი არა-გამჟღავნების ხელშეკრულება (NDA).
მე არ ჩავაბარე საფონდო შემოწმება. დამქირავებელმა თქვა, რომ მე ბევრს ვსაუბრობ ონლაინში, რაც არღვევს NDA-ს. ერთადერთი ადგილი, სადაც მე ვთქვი რამე ტესლაში ინტერვიუს შესახებ, იყო ODS, ასე რომ, არსებული ჰიპოთეზა არის ის, რომ ვიღაცამ გადაიღო სკრინშოტი და მისწერა HR-ს Tesla-ში, და მე გამომაგდეს რბოლიდან საფრთხის გარეშე. სირცხვილი იყო მაშინ. ახლა მიხარია, რომ არ გამოვიდა. ჩემი ამჟამინდელი პოზიცია ბევრად უკეთესია, თუმცა ძალიან საინტერესო იქნებოდა ანდრეისთან მუშაობა.

ამის შემდეგ დაუყოვნებლივ ჩავეშვი სატელიტური გამოსახულების კონკურსში Kaggle-დან პლანეტის ლაბორატორიები - ამაზონის გაგება კოსმოსიდან. პრობლემა იყო მარტივი და უკიდურესად მოსაწყენი; არავის სურდა მისი გადაჭრა, მაგრამ ყველას სურდა უფასო ოქროს მედალი ან საპრიზო თანხა. ამიტომ, კაგლი მასტერსის 7 კაციან გუნდთან ერთად შევთანხმდით, რომ რკინას ჩავყრიდით. ჩვენ მოვამზადეთ 480 ქსელი 'fit_predict' რეჟიმში და მათგან სამსართულიანი ანსამბლი გავაკეთეთ. მეშვიდე დავასრულეთ. ბლოგის პოსტი, რომელიც აღწერს გამოსავალს არტურ კუზინისგან. სხვათა შორის, ჯერემი ჰოვარდი, რომელიც ფართოდ არის ცნობილი როგორც შემოქმედი სწრაფი.AI დასრულდა 23.

კონკურსის დასრულების შემდეგ, მეგობრის მეშვეობით, რომელიც მუშაობდა AdRoll-ში, მოვაწყე შეხვედრა მათ შენობაში. Planet Labs-ის წარმომადგენლებმა იქ ისაუბრეს იმაზე, თუ როგორ გამოიყურებოდა კონკურსის ორგანიზება და მონაცემების მარკირება მათი მხრიდან. ვენდი კვანმა, რომელიც მუშაობს Kaggle-ში და კურირებდა კონკურსს, ისაუბრა იმაზე, თუ როგორ დაინახა იგი. მე აღვწერე ჩვენი გადაწყვეტა, ხრიკები, ტექნიკა და ტექნიკური დეტალები. აუდიტორიის ორმა მესამედმა მოაგვარა ეს პრობლემა, ასე რომ, კითხვები დაუსვეს და ზოგადად ყველაფერი მაგარი იყო. ჯერემი ჰოვარდიც იქ იყო. აღმოჩნდა, რომ მან 23-ე ადგილი დაასრულა, რადგან არ იცოდა მოდელის დაწყობა და ანსამბლების აგების ამ მეთოდის შესახებ საერთოდ არ იცოდა.

შეხვედრები ხეობაში მანქანური სწავლების შესახებ ძალიან განსხვავდება მოსკოვის შეხვედრებისგან. როგორც წესი, ხეობაში შეხვედრები ბოლოშია. მაგრამ ჩვენი კარგი აღმოჩნდა. სამწუხაროდ, ამხანაგმა, რომელსაც უნდა დაეჭირა ღილაკი და ჩაეწერა ყველაფერი, არ დააჭირა ღილაკს :)

ამის შემდეგ მიმიწვიეს Deep Learning Engineer-ის თანამდებობაზე სასაუბროდ იმავე Planet Labs-ში და მაშინვე ადგილზე. მე არ ჩავაბარე. უარის ფორმულირება არის ის, რომ არ არის საკმარისი ცოდნა ღრმა სწავლებაში.

ყოველი კონკურსი დავაპროექტე, როგორც პროექტი LinkedIn. DSTL პრობლემისთვის ჩვენ დავწერეთ წინასწარ დაბეჭდვა და გამოაქვეყნა arxiv-ზე. არა სტატია, მაგრამ მაინც პური. მე ასევე ვურჩევ ყველას, რომ გაზარდონ LinkedIn პროფილი კონკურსების, სტატიების, უნარების და ა.შ. არსებობს დადებითი კორელაცია შორის, თუ რამდენი საკვანძო სიტყვა გაქვთ თქვენს LinkedIn პროფილში და რამდენად ხშირად გიგზავნიან ადამიანები.

თუ ზამთარში და გაზაფხულზე ვიყავი ძალიან ტექნიკური, მაშინ აგვისტოსთვის მქონდა ცოდნაც და თავდაჯერებულობაც.

ივლისის ბოლოს, ბიჭი, რომელიც მუშაობდა მონაცემთა მეცნიერების მენეჯერად Lyft-ში, დამიკავშირდა LinkedIn-ზე და დამპატიჟა ყავის დასალევად და ცხოვრებაზე, Lyft-ზე, TrueAccord-ზე სასაუბროდ. Ჩვენ ვისაუბრეთ. მან შესთავაზა გასაუბრება თავის გუნდს მონაცემთა მეცნიერის თანამდებობაზე. მე ვთქვი, რომ ვარიანტი მუშაობს, იმ პირობით, რომ ეს არის Computer Vision / Deep Learning დილიდან საღამომდე. მან დაარწმუნა, რომ მისი მხრიდან არანაირი წინააღმდეგობა არ ყოფილა.

მე გავგზავნე ჩემი რეზიუმე და მან ატვირთა Lyft-ის შიდა პორტალზე. ამის შემდეგ დამსაქმებელმა დამირეკა, რომ გამეხსნა ჩემი რეზიუმე და მეტი გაიგო ჩემს შესახებ. პირველივე სიტყვებიდან ცხადი იყო, რომ მისთვის ეს ფორმალობა იყო, რადგან მისი რეზიუმედან აშკარა იყო, რომ ”მე არ ვარ ლიფტის მასალა”. ვფიქრობ, ამის შემდეგ ჩემი რეზიუმე ნაგვის ურნაში წავიდა.

მთელი ამ ხნის განმავლობაში, სანამ ინტერვიუ ვიღებდი, განვიხილავდი ჩემს წარუმატებლობას და ვარდნას ODS-ში და ბიჭები მაძლევდნენ გამოხმაურებას და ყველანაირად მეხმარებოდნენ რჩევებით, თუმცა, როგორც ყოველთვის, იქაც ბევრი მეგობრული ტროლინგი იყო.

ODS-ის ერთ-ერთმა წევრმა შემომთავაზა დაკავშირება თავის მეგობართან, რომელიც არის Lyft-ის ინჟინერიის დირექტორი. ადრე არ არის ნათქვამი. Lyft-ში მოვდივარ ლანჩზე და ამ მეგობრის გარდა არის მონაცემთა მეცნიერების ხელმძღვანელი და პროდუქტის მენეჯერი, რომელიც Deep Learning-ის დიდი გულშემატკივარია. ლანჩზე ჩვენ ვისაუბრეთ DL-ზე. და რადგან ნახევარი წელიწადი 24/7 ვვარჯიშობ ქსელებს, ვკითხულობდი კუბურ მეტრ ლიტერატურას და ვასრულებდი დავალებებს Kaggle-ზე მეტ-ნაკლებად მკაფიო შედეგებით, შემიძლია საათობით ვისაუბრო ღრმა სწავლებაზე, როგორც ახალი სტატიების, ისე ახალი სტატიების თვალსაზრისით. პრაქტიკული ტექნიკა.

ლანჩის შემდეგ მათ შემომხედეს და მითხრეს - მაშინვე აშკარაა, რომ სიმპათიური ხარ, გინდა ჩვენთან საუბარი? უფრო მეტიც, დაამატეს, რომ ჩემთვის გასაგებია, რომ take home + ტექნიკური ეკრანის გამოტოვება შეიძლება. და რომ სასწრაფოდ მიმიწვევენ ადგილზე. Მე დავეთანხმე.

ამის შემდეგ იმ დამქირავებელმა დამირეკა ადგილზე გასაუბრების დასანიშნად და ის უკმაყოფილო დარჩა. მან რაღაც ჩაილაპარაკა იმაზე, რომ არ გადახტა შენს თავზე.

მოვიდა. ადგილზე გასაუბრება. ხუთი საათი კომუნიკაცია სხვადასხვა ადამიანებთან. არ იყო არც ერთი კითხვა ღრმა სწავლის შესახებ, ან პრინციპში მანქანური სწავლების შესახებ. ვინაიდან არ არსებობს Deep Learning / Computer Vision, მაშინ მე არ ვარ დაინტერესებული. ამრიგად, ინტერვიუს შედეგები ორთოგონალური იყო.

ეს დამსაქმებელი რეკავს და ამბობს - გილოცავთ, თქვენ გადახვედით მეორე ადგილზე გასაუბრებაზე. ეს ყველაფერი გასაკვირია. რა არის მეორე ადგილზე? ასეთი რამ არასდროს მსმენია. Წავედი. იქ რამდენიმე საათია, ამჯერად ყველაფერი ტრადიციული მანქანათმცოდნეობის შესახებ. ასე ჯობია. მაგრამ მაინც არ არის საინტერესო.

დამსაქმებელი ურეკავს მილოცვით, რომ ჩავაბარე მესამე ადგილზე გასაუბრება და პირობას დებს, რომ ეს იქნება ბოლო. მივედი სანახავად და იქ იყო როგორც DL, ასევე CV.

მრავალი თვის წინამორბედი მყავდა, რომელმაც მითხრა, რომ შეთავაზება არ იქნებოდა. ვივარჯიშებ არა ტექნიკურ უნარებზე, არამედ რბილზე. არა რბილ მხარეზე, არამედ იმაზე, რომ თანამდებობა დაიხურება ან კომპანია ჯერ არ ასაქმებს, უბრალოდ ამოწმებს ბაზარს და კანდიდატების დონეს.

აგვისტოს შუა რიცხვები. ლუდი დავლიე კარგი. ბნელი ფიქრები. 8 თვე გავიდა და ჯერ არ არის შეთავაზება. კარგია კრეატიულობა ლუდის ქვეშ, განსაკუთრებით თუ კრეატიულობა უცნაურია. ერთი იდეა მომდის თავში. ამას ვუზიარებ ალექსეი შვეცს, რომელიც იმ დროს MIT-ის პოსტდოქტორი იყო.

რა მოხდება, თუ აიღებთ უახლოეს DL/CV კონფერენციას, უყურებთ კონკურსებს, რომლებიც ტარდება მის ფარგლებში, ივარჯიშებთ რამეს და წარადგენთ? ვინაიდან იქ ყველა ექსპერტი სწორედ ამაზე აშენებს თავის კარიერას და ამას აკეთებს მრავალი თვის ან თუნდაც წლების განმავლობაში, ჩვენ არ გვაქვს შანსი. მაგრამ ეს არ არის საშინელი. ჩვენ ვაკეთებთ მნიშვნელოვან წარდგენას, ვფრინავთ ბოლო ადგილზე და ამის შემდეგ ვწერთ წინასწარ ბეჭდვას ან სტატიას იმის შესახებ, თუ როგორ არ ვართ როგორც ყველა სხვა და ვსაუბრობთ ჩვენს გადაწყვეტილებაზე. და სტატია უკვე არის LinkedIn-ზე და თქვენს რეზიუმეში.

ანუ, როგორც ჩანს, აქტუალურია და რეზიუმეში არის უფრო სწორი საკვანძო სიტყვები, რამაც ოდნავ უნდა გაზარდოს ტექნიკურ ეკრანზე მოხვედრის შანსები. კოდი და წარდგინებები ჩემგან, ტექსტები ალექსეისგან. თამაში, რა თქმა უნდა, მაგრამ რატომაც არა?

ადრე არ არის ნათქვამი. უახლოესი კონფერენცია, რომელიც ჩვენ გუგლში მოვიძიეთ, იყო MICCAI და იქ რეალურად იყო კონკურსები. პირველს მოვხვდით. Ის იყო კუჭ-ნაწლავის გამოსახულების ანალიზი (GIANA). დავალებას აქვს 3 ქვეამოცანა. ვადამდე 8 დღე იყო დარჩენილი. დილით გამოვფხიზლდი, მაგრამ აზრზე უარი არ ვთქვი. მე ავიღე ჩემი მილსადენები კაგლიდან და გადავრთო ისინი სატელიტური მონაცემებიდან სამედიცინოზე. 'fit_predict'. ალექსიმ მოამზადა თითოეული პრობლემის გადაჭრის ორგვერდიანი აღწერა და ჩვენ გავგზავნეთ. მზადაა. თეორიულად, შეგიძლიათ ამოისუნთქოთ. მაგრამ აღმოჩნდა, რომ იყო სხვა დავალება იმავე სახელოსნოსთვის (რობოტული ინსტრუმენტების სეგმენტაცია) სამი ქვეამოცნებით და რომ მისი ვადა გადაიწია 4 დღით, ანუ შეგვიძლია იქ გავაკეთოთ 'fit_predict' და გავაგზავნოთ. სწორედ ეს გავაკეთეთ.

კაგლისგან განსხვავებით, ამ კონკურსებს ჰქონდათ საკუთარი აკადემიური სპეციფიკა:

1. ლიდერბორდი არ არის. წინადადებები იგზავნება ელექტრონული ფოსტით.
2. თქვენ მოხსნილი იქნებით, თუ გუნდის წარმომადგენელი არ მოვა კონფერენციაზე გამოსავლის წარსადგენად სემინარზე.
3. თქვენი ადგილი ლიდერბორდზე მხოლოდ კონფერენციის დროს ხდება ცნობილი. ერთგვარი აკადემიური დრამა.

MICCAI 2017 კონფერენცია გაიმართა კვებეკში. მართალი გითხრათ, სექტემბრისთვის დავიწყე დაწვა, ამიტომ საინტერესო ჩანდა სამსახურიდან ერთი კვირით დასვენების და კანადაში გამგზავრების იდეა.

კონფერენციაზე მოვიდა. ამ სახელოსნოში მოვედი, არავის ვიცნობ, კუთხეში ვზივარ. ყველა ერთმანეთს იცნობს, ურთიერთობენ, აგდებენ ჭკვიან სამედიცინო სიტყვებს. პირველი კონკურსის მიმოხილვა. მონაწილეები საუბრობენ და საუბრობენ თავიანთ გადაწყვეტილებებზე. იქ მაგარია, ნაპერწკალით. ჩემი ჯერია. და მე რატომღაც მრცხვენია კიდეც. მათ გადაჭრეს პრობლემა, იმუშავეს მასზე, დააწინაურეს მეცნიერება და ჩვენ მხოლოდ წარსული განვითარებული მოვლენების "შესაბამისი_პროგნოზირება" ვართ, არა მეცნიერებისთვის, არამედ ჩვენი რეზიუმეს გასაძლიერებლად.

ის გამოვიდა და თქვა, რომ არც მე ვარ მედიცინის ექსპერტი, ბოდიში მოიხადა მათი დროის დაკარგვისთვის და მაჩვენა ერთი სლაიდი ხსნარით. დარბაზში ჩავედი.

ისინი აცხადებენ პირველ ქვეამოცანას - პირველები ვართ და სხვაობით.
გამოცხადებულია მეორე და მესამე.
აცხადებენ მესამეს - ისევ პირველი და ისევ ტყვიით.
გენერალი პირველია.

ოფიციალური პრესრელიზი.

აუდიტორიაში ზოგი იღიმება და პატივისცემით მიყურებს. სხვებს, რომლებიც, როგორც ჩანს, დარგის ექსპერტებად ითვლებოდნენ, ამ ამოცანისთვის გრანტი მოიპოვეს და ამას მრავალი წლის განმავლობაში აკეთებდნენ, სახეზე ოდნავ დამახინჯებული გამომეტყველება ჰქონდათ.

შემდეგი არის მეორე დავალება, სამი ქვეამოცანის მქონე და რომელიც წინ გადაიწია ოთხი დღით.

აქაც ბოდიში მოვიხადე და ისევ ვაჩვენე ჩვენი ერთი სლაიდი.
იგივე ამბავი. ორი პირველი, ერთი მეორე, საერთო პირველი.

ვფიქრობ, ეს არის ალბათ პირველი შემთხვევა ისტორიაში, როდესაც კოლექციონერმა სააგენტომ გაიმარჯვა სამედიცინო გამოსახულების კონკურსში.

ახლა კი სცენაზე ვდგავარ, რაღაც დიპლომს მაძლევენ და დაბომბეს. როგორ ჯანდაბა შეიძლება იყოს ეს? ეს აკადემიკოსები ხარჯავენ გადასახადის გადამხდელთა ფულს, მუშაობენ ექიმების მუშაობის გამარტივებაზე და გაუმჯობესებაზე, ანუ თეორიულად ჩემი სიცოცხლის ხანგრძლივობაზე, და ზოგიერთმა სხეულმა მთელი ეს აკადემიური პერსონალი რამდენიმე საღამოს დაანგრია ბრიტანეთის დროშაზე.

ამის ბონუსი ის არის, რომ სხვა გუნდებში მაგისტრანტებს, რომლებიც ამ ამოცანებზე მუშაობენ მრავალი თვის განმავლობაში, ექნებათ HR-ისთვის მიმზიდველი რეზიუმე, ანუ ადვილად მოხვდებიან ტექნიკურ ეკრანზე. და ჩემს თვალწინ არის ახლად მიღებული ელ.წერილი:

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.

ზოგადად, სცენიდან მაყურებელს ვეკითხები: "ვინმემ იცის სად ვმუშაობ?" კონკურსის ერთ-ერთმა ორგანიზატორმა იცოდა - გუგლში გამოიკვლია რა იყო TrueAccord. დანარჩენი არ არის. ვაგრძელებ: „ვმუშაობ საკოლექციო სააგენტოში და სამსახურში არ ვაკეთებ არც Computer Vision-ს და არც Deep Learning-ს. და მრავალი თვალსაზრისით, ეს იმიტომ ხდება, რომ Google Brain-ისა და Deepmind-ის HR განყოფილებები ფილტრავენ ჩემს რეზიუმეს და არ მაძლევენ ტექნიკური ტრენინგის ჩვენების შესაძლებლობას. "

გადასცეს მოწმობა, შესვენება. აკადემიკოსთა ჯგუფი გვერდით მიმყავს. აღმოჩნდა, რომ ეს არის Deepmind-ის ჯანმრთელობის ჯგუფი. მათ ისეთი შთაბეჭდილება მოახდინეს, რომ მაშინვე მოინდომეს ჩემთან საუბარი მათ გუნდში მკვლევარი ინჟინრის ვაკანსიაზე. (ჩვენ ვისაუბრეთ. ეს საუბარი 6 თვე გაგრძელდა, მე ჩავაბარე სახლში, ვიქტორინა, მაგრამ მოკლედ შეწყდა ტექნიკურ ეკრანზე. კომუნიკაციის დაწყებიდან ტექნიკურ ეკრანამდე 6 თვე დიდი დროა. ხანგრძლივი ლოდინი გემოვნებას იძლევა. ლონდონის Deepmind-ის მკვლევარი ინჟინერი, TrueAccord-ის ფონზე იყო ძლიერი ნაბიჯი, მაგრამ ჩემი ამჟამინდელი პოზიციის ფონზე ეს არის ნაბიჯი ქვემოთ. ორი წლის მანძილზე, რაც მას შემდეგ გავიდა, კარგია. რომ ეს არ მოხდა.)

დასკვნა

დაახლოებით იმავე პერიოდში მივიღე შემოთავაზება Lyft-ისგან, რომელიც დავთანხმდი.
MICCAI-სთან ამ ორი კონკურსის შედეგების საფუძველზე, გამოქვეყნდა შემდეგი:

1. ინსტრუმენტის ავტომატური სეგმენტაცია რობოტის დახმარებით ქირურგიაში ღრმა სწავლის გამოყენებით
2. ანგიოდისპლაზიის გამოვლენა და ლოკალიზაცია ღრმა კონვოლუციური ნერვული ქსელების გამოყენებით
3. 2017 წლის რობოტული ინსტრუმენტების სეგმენტაციის გამოწვევა

ანუ, იდეის ველურობის მიუხედავად, კონკურსების საშუალებით დამატებითი სტატიებისა და წინასწარი ბეჭდვის დამატება კარგად მუშაობს. და შემდგომ წლებში ჩვენ ეს კიდევ უფრო გავაუარესეთ.

მე ვმუშაობ Lyft-ში ბოლო რამდენიმე წელია, ვმუშაობ კომპიუტერული ხედვის/ღრმა სწავლების პროცესში თვითმართვადი მანქანებისთვის. ანუ მივიღე რაც მინდოდა. და ამოცანები, და მაღალი სტატუსის კომპანია, ძლიერი კოლეგები და ყველა სხვა სიკეთე.

ამ თვეების განმავლობაში მქონდა კომუნიკაცია როგორც მსხვილ კომპანიებთან, Google-თან, Facebook-თან, Uber-თან, LinkedIn-თან და სხვადასხვა ზომის სტარტაპებთან.

მტკიოდა მთელი ეს თვე. სამყარო ყოველდღე გეუბნებათ რაღაც არც თუ ისე სასიამოვნოს. რეგულარული უარის თქმა, რეგულარულად შეცდომების დაშვება და ეს ყველაფერი უიმედობის მუდმივი განცდით არის არომატული. არ არსებობს გარანტია იმისა, რომ წარმატებას მიაღწევ, მაგრამ არსებობს განცდა, რომ სულელი ხარ. ეს ძალიან მოგვაგონებს იმას, თუ როგორ ვცდილობდი სამსახურის პოვნას უნივერსიტეტის დასრულებისთანავე.

ვფიქრობ, რომ ბევრი ეძებდა სამუშაოს ხეობაში და მათთვის ყველაფერი გაცილებით მარტივი იყო. ხრიკი, ჩემი აზრით, ეს არის. თუ თქვენ ეძებთ სამუშაოს ისეთ სფეროში, რომელშიც გესმით, გაქვთ დიდი გამოცდილება და თქვენი რეზიუმეც იგივეს ამბობს, არანაირი პრობლემა არ არის. ავიღე და ვიპოვე. ბევრი ვაკანსიაა.

მაგრამ თუ თქვენ ეძებთ სამუშაოს თქვენთვის ახალ სფეროში, ანუ როდესაც არ არის ცოდნა, არ არის კავშირები და თქვენი რეზიუმე ამბობს რაღაცას - ამ მომენტში ყველაფერი უაღრესად საინტერესო ხდება.

ამჟამად, დამსაქმებლები რეგულარულად მწერენ და მთავაზობენ იგივეს გაკეთებას, რასაც ახლა ვაკეთებ, მაგრამ სხვა კომპანიაში. ნამდვილად დროა შეცვალოთ სამუშაო. მაგრამ აზრი არ აქვს ვაკეთო ის, რაშიც უკვე კარგად ვარ. Რისთვის?

მაგრამ რაც მინდა, ისევ არ მაქვს არც ცოდნა და არც ხაზები ჩემს რეზიუმეში. ვნახოთ, როგორ დასრულდება ეს ყველაფერი. თუ ყველაფერი კარგად იქნება, შემდეგ ნაწილს დავწერ. 🙂

წყარო: www.habr.com