ຈາກນັກຟີຊິກໄປສູ່ວິທະຍາສາດຂໍ້ມູນ (ຈາກເຄື່ອງຈັກຂອງວິທະຍາສາດເຖິງແຜນການວາງແຜນ). ສ່ວນທີສາມ

ຮູບພາບນີ້ແມ່ນໂດຍ Arthur Kuzin (n01z3), ຂ້ອນຂ້າງສະຫຼຸບເນື້ອໃນຂອງການຕອບ blog ໄດ້ຢ່າງຖືກຕ້ອງ. ດັ່ງນັ້ນ, ການເທື່ອເນື່ອງຈາກຕໍ່ໄປນີ້ຄວນຈະຖືກຮັບຮູ້ຫຼາຍກວ່າເລື່ອງວັນສຸກກ່ວາເປັນສິ່ງທີ່ເປັນປະໂຫຍດທີ່ສຸດແລະດ້ານວິຊາການ. ນອກຈາກນັ້ນ, ມັນເປັນມູນຄ່າທີ່ສັງເກດວ່າຂໍ້ຄວາມແມ່ນອຸດົມສົມບູນໃນຄໍາສັບພາສາອັງກິດ. ຂ້ອຍບໍ່ຮູ້ວິທີແປບາງອັນໃຫ້ຖືກຕ້ອງ, ແລະຂ້ອຍກໍ່ບໍ່ຢາກແປບາງອັນ.

ສ່ວນ ທຳ ອິດ.
ສ່ວນທີສອງ.

ວິທີການຫັນປ່ຽນຈາກສະພາບແວດລ້ອມທາງວິຊາການໄປສູ່ສະພາບແວດລ້ອມອຸດສາຫະກໍາໄດ້ຖືກເປີດເຜີຍໃນສອງຕອນທໍາອິດ. ໃນນີ້, ການສົນທະນາຈະກ່ຽວກັບສິ່ງທີ່ເກີດຂຶ້ນຕໍ່ໄປ.

ມັນແມ່ນເດືອນມັງກອນ 2017. ໃນ​ເວ​ລາ​ນັ້ນ, ຂ້າ​ພະ​ເຈົ້າ​ມີ​ປະ​ສົບ​ການ​ການ​ເຮັດ​ວຽກ​ພຽງ​ເລັກ​ນ້ອຍ​ຫຼາຍ​ກວ່າ​ຫນຶ່ງ​ປີ​ແລະ​ຂ້າ​ພະ​ເຈົ້າ​ເຮັດ​ວຽກ​ຢູ່​ໃນ San Francisco ໃນ​ບໍ​ລິ​ສັດ TrueAccord ຄື Sr. ນັກວິທະຍາສາດຂໍ້ມູນ.

TrueAccord ແມ່ນການເລີ່ມຕົ້ນການເກັບໜີ້ສິນ. ໃນຄໍາສັບທີ່ງ່າຍດາຍ - ອົງການເກັບກໍາ. ປົກກະຕິແລ້ວນັກສະສົມໂທຫາຫຼາຍ. ພວກ​ເຮົາ​ໄດ້​ສົ່ງ​ອີ​ເມວ​ຫຼາຍ, ແຕ່​ໄດ້​ໂທ​ບໍ່​ຫຼາຍ​ປານ​ໃດ. ແຕ່ລະອີເມລ໌ໄດ້ນໍາໄປສູ່ເວັບໄຊທ໌ຂອງບໍລິສັດ, ບ່ອນທີ່ລູກຫນີ້ໄດ້ຮັບການສະເຫນີສ່ວນຫຼຸດກ່ຽວກັບຫນີ້ສິນ, ແລະແມ້ກະທັ້ງອະນຸຍາດໃຫ້ຈ່າຍເປັນງວດ. ວິທີການນີ້ນໍາໄປສູ່ການເກັບລວບລວມທີ່ດີກວ່າ, ອະນຸຍາດໃຫ້ຂະຫຍາຍຂະຫນາດແລະການເປີດເຜີຍຫນ້ອຍຕໍ່ກັບການດໍາເນີນຄະດີ.

ບໍລິສັດແມ່ນປົກກະຕິ. ຜະລິດຕະພັນແມ່ນຈະແຈ້ງ. ການຄຸ້ມຄອງແມ່ນ sane. ສະຖານທີ່ແມ່ນດີ.

ໂດຍ​ສະ​ເລ່ຍ​ແລ້ວ, ຄົນ​ໃນ​ຮ່ອມ​ພູ​ເຮັດ​ວຽກ​ຢູ່​ບ່ອນ​ໜຶ່ງ​ເປັນ​ເວລາ​ປະມານ XNUMX ປີ​ເຄິ່ງ. ນັ້ນແມ່ນ, ບໍລິສັດໃດກໍ່ຕາມທີ່ທ່ານເຮັດວຽກເປັນພຽງແຕ່ຂັ້ນຕອນນ້ອຍໆ. ໃນຂັ້ນຕອນນີ້, ທ່ານຈະໄດ້ເງິນຈໍານວນຫນຶ່ງ, ໄດ້ຮັບຄວາມຮູ້ໃຫມ່, ທັກສະ, ການເຊື່ອມຕໍ່ແລະສາຍໃນຊີວະປະຫວັດຂອງທ່ານ. ຫຼັງຈາກນີ້, ມີການຫັນປ່ຽນໄປສູ່ຂັ້ນຕອນຕໍ່ໄປ.

ຢູ່ TrueAccord ຕົວຂອງມັນເອງ, ຂ້າພະເຈົ້າໄດ້ມີສ່ວນຮ່ວມໃນການຕິດຄັດລະບົບຄໍາແນະນໍາກັບຈົດຫມາຍຂ່າວທາງອີເມລ໌, ເຊັ່ນດຽວກັນກັບການຈັດລໍາດັບຄວາມສໍາຄັນຂອງໂທລະສັບ. ຜົນກະທົບແມ່ນເຂົ້າໃຈໄດ້ແລະຖືກວັດແທກຂ້ອນຂ້າງເປັນເງິນໂດລາຜ່ານການທົດສອບ A/B. ເນື່ອງຈາກບໍ່ມີການຮຽນຮູ້ເຄື່ອງຈັກກ່ອນການມາຮອດຂອງຂ້ອຍ, ຜົນກະທົບຂອງການເຮັດວຽກຂອງຂ້ອຍບໍ່ແມ່ນເລື່ອງທີ່ບໍ່ດີ. ອີກເທື່ອ ໜຶ່ງ, ມັນງ່າຍກວ່າທີ່ຈະປັບປຸງບາງສິ່ງບາງຢ່າງກ່ວາບາງສິ່ງບາງຢ່າງທີ່ຖືກປັບປຸງໃຫ້ດີທີ່ສຸດແລ້ວ.

ຫຼັງຈາກຫົກເດືອນຂອງການເຮັດວຽກກ່ຽວກັບລະບົບເຫຼົ່ານີ້, ພວກເຂົາເຈົ້າຍັງໄດ້ເພີ່ມເງິນເດືອນພື້ນຖານຂອງຂ້າພະເຈົ້າຈາກ $150k ເປັນ $163k. ຢູ່ໃນຊຸມຊົນ Open Data Science (ODS) ມີ meme ປະມານ $163k. ມັນເຕີບໃຫຍ່ດ້ວຍຂາຂອງມັນຈາກທີ່ນີ້.

ທັງ​ໝົດ​ນີ້​ເປັນ​ສິ່ງ​ທີ່​ດີ​ເລີດ, ແຕ່​ມັນ​ບໍ່​ໄດ້​ນຳ​ໜ້າ​ໄປ​ບ່ອນ​ໃດ, ຫຼື​ມັນ​ນຳ​ໜ້າ, ແຕ່​ບໍ່​ແມ່ນ​ຢູ່​ທີ່​ນັ້ນ.

ຂ້ອຍມີຄວາມນັບຖືຢ່າງສູງຕໍ່ TrueAccord, ທັງບໍລິສັດ ແລະຄົນທີ່ຂ້ອຍເຮັດວຽກຢູ່ນັ້ນ. ຂ້ອຍໄດ້ຮຽນຮູ້ຫຼາຍຢ່າງຈາກພວກເຂົາ, ແຕ່ຂ້ອຍບໍ່ຢາກເຮັດວຽກເປັນເວລາດົນນານກ່ຽວກັບລະບົບການແນະນໍາຢູ່ໃນອົງການເກັບລວບລວມ. ຈາກຂັ້ນຕອນນີ້ເຈົ້າຕ້ອງກ້າວໄປໃນທິດທາງໃດນຶ່ງ. ຖ້າບໍ່ໄປຂ້າງຫນ້າແລະຂຶ້ນ, ຫຼັງຈາກນັ້ນຢ່າງຫນ້ອຍ sideways.

ຂ້ອຍບໍ່ມັກຫຍັງ?

1. ຈາກທັດສະນະຂອງການຮຽນຮູ້ເຄື່ອງຈັກ, ບັນຫາຕ່າງໆບໍ່ໄດ້ເຮັດໃຫ້ຂ້ອຍຕື່ນເຕັ້ນ. ຂ້າພະເຈົ້າຕ້ອງການບາງສິ່ງບາງຢ່າງຄົນອັບເດດ:, ໄວຫນຸ່ມ, ນັ້ນແມ່ນ, ການຮຽນຮູ້ເລິກ, ວິໄສທັດຄອມພິວເຕີ, ບາງສິ່ງບາງຢ່າງທີ່ໃກ້ຊິດກັບວິທະຍາສາດຫຼືຢ່າງຫນ້ອຍກັບ alchemy.
2. ການເລີ່ມຕົ້ນ, ແລະແມ້ກະທັ້ງອົງການເກັບກໍາ, ມີບັນຫາການຈ້າງພະນັກງານທີ່ມີຄຸນວຸດທິສູງ. ໃນຖານະເປັນການເລີ່ມຕົ້ນ, ມັນບໍ່ສາມາດຈ່າຍຫຼາຍ. ແຕ່ເປັນອົງການເກັບກໍາ, ມັນສູນເສຍສະຖານະພາບ. ເວົ້າປະມານ, ຖ້າສາວທີ່ອອກເດດຖາມວ່າເຈົ້າເຮັດວຽກຢູ່ໃສ? ຄໍາຕອບຂອງທ່ານ: "ໃນ Google" ຟັງຊັນຄໍາສັ່ງຂອງຂະຫນາດທີ່ດີກວ່າ "ອົງການການລວບລວມ." ຂ້ອຍຮູ້ສຶກເບື່ອຫນ່າຍເລັກນ້ອຍໂດຍຄວາມຈິງທີ່ວ່າສໍາລັບຫມູ່ເພື່ອນຂອງຂ້ອຍທີ່ເຮັດວຽກຢູ່ Google ແລະ Facebook, ບໍ່ເຫມືອນກັບຂ້ອຍ, ຊື່ຂອງບໍລິສັດຂອງພວກເຂົາເປີດປະຕູເຊັ່ນ: ເຈົ້າສາມາດຖືກເຊື້ອເຊີນໃຫ້ເຂົ້າຮ່ວມກອງປະຊຸມຫຼືກອງປະຊຸມເປັນຜູ້ເວົ້າ, ຫຼືຄົນທີ່ຫນ້າສົນໃຈຫຼາຍຂຽນໃນ LinkedIn. ດ້ວຍການສະເໜີໃຫ້ພົບປະ ແລະສົນທະນາຜ່ານຈອກຊາ. ຂ້ອຍມັກຕິດຕໍ່ສື່ສານກັບຄົນທີ່ຂ້ອຍບໍ່ຮູ້ຈັກ. ສະນັ້ນຖ້າທ່ານອາໄສຢູ່ໃນ San Francisco, ຢ່າລັງເລທີ່ຈະຂຽນ - ໄປຫາກາເຟແລະສົນທະນາ.
3. ນອກເຫນືອຈາກຂ້ອຍ, ນັກວິທະຍາສາດຂໍ້ມູນສາມຄົນເຮັດວຽກຢູ່ໃນບໍລິສັດ. ຂ້ອຍກໍາລັງເຮັດວຽກກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກ, ແລະເຂົາເຈົ້າກໍາລັງເຮັດວຽກກ່ຽວກັບວຽກງານວິທະຍາສາດຂໍ້ມູນອື່ນໆ, ເຊິ່ງມີທົ່ວໄປໃນການເລີ່ມຕົ້ນໃດໆຈາກນີ້ເຖິງມື້ອື່ນ. ດັ່ງນັ້ນ, ພວກເຂົາບໍ່ເຂົ້າໃຈການຮຽນຮູ້ເຄື່ອງຈັກຢ່າງແທ້ຈິງ. ແຕ່ເພື່ອເຕີບໂຕ, ຂ້ອຍຈໍາເປັນຕ້ອງຕິດຕໍ່ກັບໃຜຜູ້ຫນຶ່ງ, ສົນທະນາບົດຄວາມແລະການພັດທະນາຫລ້າສຸດ, ແລະຂໍຄໍາແນະນໍາ, ໃນທີ່ສຸດ.

ມີຫຍັງແດ່?

1. ການສຶກສາ: ຟີຊິກ, ບໍ່ແມ່ນວິທະຍາສາດຄອມພິວເຕີ.
2. ພາສາການຂຽນໂປລແກລມດຽວທີ່ຂ້ອຍຮູ້ແມ່ນ Python. ມີຄວາມຮູ້ສຶກວ່າຂ້ອຍຈໍາເປັນຕ້ອງປ່ຽນເປັນ C ++, ແຕ່ຂ້ອຍຍັງບໍ່ສາມາດເຂົ້າຫາມັນໄດ້.
3. ປີແລະເຄິ່ງຫນຶ່ງຂອງການເຮັດວຽກໃນອຸດສາຫະກໍາ. ຍິ່ງໄປກວ່ານັ້ນ, ຢູ່ບ່ອນເຮັດວຽກຂ້ອຍບໍ່ໄດ້ສຶກສາທັງ Deep Learning ຫຼື Computer Vision.
4. ບໍ່ແມ່ນບົດຄວາມດຽວກ່ຽວກັບ Deep Learning / Computer Vision ໃນຊີວະປະຫວັດ.
5. ມີຜົນສໍາເລັດ Kaggle Master.

ເຈົ້າຕ້ອງການຫຍັງ?

1. ຕໍາແຫນ່ງທີ່ມັນຈະມີຄວາມຈໍາເປັນໃນການຝຶກອົບຮົມເຄືອຂ່າຍຈໍານວນຫຼາຍ, ແລະໃກ້ຊິດກັບວິໄສທັດຄອມພິວເຕີ.
2. ມັນດີກວ່າຖ້າມັນເປັນບໍລິສັດໃຫຍ່ເຊັ່ນ Google, Tesla, Facebook, Uber, LinkedIn, ແລະອື່ນໆ. ເຖິງແມ່ນວ່າໃນ pinch, startup ຈະເຮັດ.
3. ຂ້ອຍບໍ່ຈໍາເປັນຕ້ອງເປັນຜູ້ຊ່ຽວຊານດ້ານການຮຽນຮູ້ເຄື່ອງຈັກທີ່ໃຫຍ່ທີ່ສຸດໃນທີມ. ມີຄວາມຕ້ອງການອັນໃຫຍ່ຫຼວງສໍາລັບສະຫາຍອາວຸໂສ, ພີ່ລ້ຽງແລະການສື່ສານທຸກປະເພດ, ເຊິ່ງຄາດວ່າຈະເລັ່ງຂະບວນການຮຽນຮູ້.
4. ຫຼັງຈາກອ່ານບົດຄວາມ blog ກ່ຽວກັບວິທີການຮຽນຈົບທີ່ບໍ່ມີປະສົບການອຸດສາຫະກໍາມີຄ່າຊົດເຊີຍທັງຫມົດ $ 300-500k ຕໍ່ປີ, ຂ້ອຍຢາກເຂົ້າໄປໃນລະດັບດຽວກັນ. ມັນບໍ່ແມ່ນວ່າສິ່ງນີ້ລົບກວນຂ້ອຍຫຼາຍ, ແຕ່ຍ້ອນວ່າພວກເຂົາເວົ້າວ່ານີ້ແມ່ນປະກົດການທົ່ວໄປ, ແຕ່ຂ້ອຍມີຫນ້ອຍ, ນີ້ແມ່ນສັນຍານ.

ວຽກງານດັ່ງກ່າວເບິ່ງຄືວ່າສາມາດແກ້ໄຂໄດ້ຢ່າງສົມບູນ, ເຖິງແມ່ນວ່າບໍ່ແມ່ນໃນຄວາມຫມາຍທີ່ທ່ານສາມາດເຕັ້ນໄປຫາບໍລິສັດໃດກໍ່ຕາມ, ແຕ່ວ່າຖ້າທ່ານຫິວໂຫຍ, ທຸກສິ່ງທຸກຢ່າງຈະເຮັດວຽກ. ນັ້ນແມ່ນ, ຄວາມພະຍາຍາມຫຼາຍສິບຫຼືຫຼາຍຮ້ອຍຄັ້ງ, ແລະຄວາມເຈັບປວດຈາກທຸກໆຄວາມລົ້ມເຫລວແລະການປະຕິເສດທຸກໆຄັ້ງ, ຄວນຖືກນໍາໃຊ້ເພື່ອເຮັດໃຫ້ຈຸດສຸມ, ປັບປຸງຄວາມຊົງຈໍາແລະຍືດເວລາມື້ເຖິງ 36 ຊົ່ວໂມງ.

ຂ້າພະເຈົ້າໄດ້ປັບປຸງຊີວະປະຫວັດຂອງຂ້ອຍ, ເລີ່ມສົ່ງມັນອອກ, ແລະໄປສໍາພາດ. ຂ້າພະເຈົ້າໄດ້ບິນຜ່ານພວກເຂົາສ່ວນໃຫຍ່ຢູ່ໃນຂັ້ນຕອນຂອງການສື່ສານກັບ HR. ຫຼາຍຄົນຕ້ອງການ C ++, ແຕ່ຂ້ອຍບໍ່ຮູ້, ແລະຂ້ອຍມີຄວາມຮູ້ສຶກທີ່ເຂັ້ມແຂງທີ່ຂ້ອຍຈະບໍ່ສົນໃຈຫຼາຍໃນຕໍາແຫນ່ງທີ່ຕ້ອງການ C ++.

ມັນເປັນມູນຄ່າທີ່ສັງເກດວ່າປະມານເວລາດຽວກັນມີການຫັນປ່ຽນໄລຍະໃນປະເພດຂອງການແຂ່ງຂັນໃນ Kaggle. ກ່ອນປີ 2017 ມີຂໍ້ມູນຕາຕະລາງຫຼາຍ ແລະ ບໍ່ຄ່ອຍມີຂໍ້ມູນຮູບຫຼາຍ, ແຕ່ເລີ່ມແຕ່ປີ 2017 ມີວຽກງານວິໄສທັດຄອມພິວເຕີຫຼາຍດ້ານ.

ຊີ​ວິດ​ໄຫລ​ໄປ​ໃນ​ຮູບ​ແບບ​ດັ່ງ​ຕໍ່​ໄປ​ນີ້​:

1. ເຮັດວຽກໃນລະຫວ່າງມື້.
2. ເມື່ອໜ້າຈໍເທັກໂນໂລຍີ / ຢູ່ບ່ອນເຈົ້າໃຊ້ເວລາພັກຜ່ອນ.
3. ຕອນແລງແລະທ້າຍອາທິດ Kaggle + ບົດຄວາມ / ປຶ້ມ / ບົດຄວາມ blog

ໃນຕອນທ້າຍຂອງ 2016 ໄດ້ຫມາຍໂດຍຄວາມຈິງທີ່ວ່າຂ້າພະເຈົ້າໄດ້ເຂົ້າຮ່ວມຊຸມຊົນ Open Data Science (ODS), ເຊິ່ງ simplified ຫຼາຍສິ່ງທີ່. ມີຜູ້ຊາຍຫຼາຍຄົນໃນຊຸມຊົນທີ່ມີປະສົບການດ້ານອຸດສາຫະກໍາທີ່ອຸດົມສົມບູນ, ເຊິ່ງເຮັດໃຫ້ພວກເຮົາຖາມຄໍາຖາມທີ່ໂງ່ຈ້າຫຼາຍແລະໄດ້ຮັບຄໍາຕອບທີ່ສະຫລາດຫຼາຍ. ຍັງມີຜູ້ຊ່ຽວຊານດ້ານການຮຽນຮູ້ເຄື່ອງຈັກທີ່ເຂັ້ມແຂງຫຼາຍຂອງເສັ້ນດ່າງທັງຫມົດ, ເຊິ່ງ, ໂດຍບໍ່ຄາດຄິດ, ໄດ້ອະນຸຍາດໃຫ້ຂ້ອຍ, ຜ່ານ ODS, ປິດບັນຫາດ້ວຍການສື່ສານຢ່າງເລິກເຊິ່ງເປັນປົກກະຕິກ່ຽວກັບວິທະຍາສາດຂໍ້ມູນ. ຈົນກ່ວາໃນປັດຈຸບັນ, ໃນແງ່ຂອງ ML, ODS ໃຫ້ຂ້ອຍຫຼາຍຄັ້ງຫຼາຍກ່ວາສິ່ງທີ່ຂ້ອຍໄດ້ຮັບໃນບ່ອນເຮັດວຽກ.

ດີ, ຕາມປົກກະຕິ, ODS ມີຜູ້ຊ່ຽວຊານພຽງພໍໃນການແຂ່ງຂັນໃນ Kaggle ແລະສະຖານທີ່ອື່ນໆ. ການແກ້ໄຂບັນຫາໃນທີມແມ່ນມີຄວາມມ່ວນ ແລະ ມີປະສິດທິພາບຫຼາຍຂຶ້ນ, ສະນັ້ນ ດ້ວຍເລື່ອງຕະຫຼົກ, ການສາບານ, ມີມ ແລະ ຄວາມບັນເທີງອື່ນໆທີ່ແປກປະຫຼາດ, ພວກເຮົາເລີ່ມແກ້ໄຂບັນຫາເທື່ອລະອັນ.

ໃນເດືອນມີນາ 2017 - ໃນທີມທີ່ມີ Serega Mushinsky - ອັນດັບສາມສໍາລັບ ການກວດຫາຄຸນສົມບັດຮູບພາບດາວທຽມ Dstl. ຫຼຽນທອງໄດ້ແກ່ Kaggle + $20k ສໍາລັບສອງຄົນ. ໃນ​ວຽກ​ງານ​ນີ້​, ການ​ເຮັດ​ວຽກ​ກັບ​ຮູບ​ພາບ​ດາວ​ທຽມ + ການ​ແບ່ງ​ແຍກ​ຖານ​ສອງ​ໂດຍ​ຜ່ານ UNet ໄດ້​ຮັບ​ການ​ປັບ​ປຸງ​. ຕອບ blog ກ່ຽວກັບ Habre ກ່ຽວກັບຫົວຂໍ້ນີ້.

ເດືອນມີນາດຽວກັນນັ້ນ, ຂ້າພະເຈົ້າໄດ້ໄປສໍາພາດຢູ່ NVidia ກັບທີມງານຂັບລົດດ້ວຍຕົນເອງ. ຂ້າພະເຈົ້າກໍ່ຕໍ່ສູ້ກັບຄໍາຖາມກ່ຽວກັບການຊອກຄົ້ນຫາວັດຖຸ. ບໍ່ມີຄວາມຮູ້ພຽງພໍ.

ໂຊກດີ, ໃນເວລາດຽວກັນ, ການແຂ່ງຂັນກວດຫາວັດຖຸໃນຮູບພາບທາງອາກາດຈາກ DSTL ດຽວກັນໄດ້ເລີ່ມຕົ້ນ. ພຣະເຈົ້າເອງໄດ້ສັ່ງໃຫ້ແກ້ໄຂບັນຫາແລະຍົກລະດັບ. ເດືອນຂອງຕອນແລງແລະທ້າຍອາທິດ. ຂ້າພະເຈົ້າໄດ້ເກັບຄວາມຮູ້ແລະສໍາເລັດທີສອງ. ການແຂ່ງຂັນນີ້ມີ nuance ທີ່ຫນ້າສົນໃຈໃນກົດລະບຽບ, ເຊິ່ງເຮັດໃຫ້ຂ້ອຍຖືກສະແດງຢູ່ໃນລັດເຊຍໃນຊ່ອງທາງລັດຖະບານກາງແລະບໍ່ແມ່ນລັດຖະບານກາງ. ຂ້ອຍໄດ້ສຸດ ເຮືອນ Lenta.ru, ແລະໃນຊໍ່ຂອງສິ່ງພິມແລະສິ່ງພິມອອນໄລນ໌. ກຸ່ມ Mail Ru ໄດ້ຮັບ PR ໃນທາງບວກເລັກນ້ອຍໃນຄ່າໃຊ້ຈ່າຍຂອງຂ້ອຍແລະເງິນຂອງຕົນເອງ, ແລະວິທະຍາສາດພື້ນຖານໃນລັດເຊຍແມ່ນອຸດົມສົມບູນ 12000 ປອນ. ຕາມປົກກະຕິ, ມັນຖືກຂຽນໄວ້ໃນຫົວຂໍ້ນີ້ blog post on hub. ໄປບ່ອນນັ້ນສໍາລັບລາຍລະອຽດ.

ໃນເວລາດຽວກັນ, ຜູ້ຮັບສະຫມັກ Tesla ຕິດຕໍ່ຂ້ອຍແລະສະເຫນີໃຫ້ເວົ້າກ່ຽວກັບຕໍາແຫນ່ງ Computer Vision. ຂ້ອຍ​ເຫັນ​ດີ. ຂ້າພະເຈົ້າໄດ້ຍ່າງໄປເຮືອນ, ສອງຫນ້າຈໍເຕັກໂນໂລຢີ, ການສໍາພາດຢູ່ບ່ອນ, ແລະໄດ້ສົນທະນາທີ່ມີຄວາມສຸກກັບ Andrei Karpathy, ຜູ້ທີ່ຫາກໍ່ຈ້າງຢູ່ Tesla ເປັນຜູ້ອໍານວຍການ AI. ຂັ້ນຕອນຕໍ່ໄປແມ່ນການກວດສອບພື້ນຫລັງ. ຫຼັງຈາກນັ້ນ, Elon Musk ຕ້ອງໄດ້ອະນຸມັດຄໍາຮ້ອງສະຫມັກຂອງຂ້ອຍ. Tesla ມີຂໍ້ຕົກລົງທີ່ບໍ່ເປີດເຜີຍຂໍ້ມູນຢ່າງເຂັ້ມງວດ (NDA).
ຂ້ອຍບໍ່ໄດ້ຜ່ານການກວດສອບຄວາມເປັນມາ. ຜູ້ຮັບສະໝັກຄົນນັ້ນເວົ້າວ່າ ຂ້ອຍສົນທະນາທາງອິນເຕີເນັດຫຼາຍ, ລະເມີດ NDA. ສະຖານທີ່ດຽວທີ່ຂ້ອຍເວົ້າຫຍັງກ່ຽວກັບການສໍາພາດຢູ່ Tesla ແມ່ນ ODS, ດັ່ງນັ້ນສົມມຸດຕິຖານໃນປະຈຸບັນແມ່ນວ່າຜູ້ໃດຜູ້ຫນຶ່ງໄດ້ຖ່າຍຮູບຫນ້າຈໍແລະຂຽນໄປຫາ HR ຢູ່ Tesla, ແລະຂ້ອຍໄດ້ຖືກໂຍກຍ້າຍອອກຈາກການແຂ່ງຂັນອອກຈາກອັນຕະລາຍ. ມັນເປັນຄວາມອັບອາຍໃນເວລານັ້ນ. ດຽວນີ້ຂ້ອຍດີໃຈທີ່ມັນບໍ່ໄດ້ຜົນ. ຕໍາແໜ່ງປະຈຸບັນຂອງຂ້ອຍແມ່ນດີຂຶ້ນຫຼາຍ, ເຖິງແມ່ນວ່າມັນຈະເປັນຫນ້າສົນໃຈຫຼາຍທີ່ຈະເຮັດວຽກຮ່ວມກັບ Andrey.

ທັນທີຫຼັງຈາກນັ້ນ, ຂ້າພະເຈົ້າໄດ້ເຂົ້າໄປໃນການແຂ່ງຂັນຮູບພາບດາວທຽມໃນ Kaggle ຈາກ Planet Labs - ຄວາມເຂົ້າໃຈ Amazon ຈາກອາວະກາດ. ບັນຫາແມ່ນງ່າຍດາຍແລະຫນ້າເບື່ອທີ່ສຸດ, ບໍ່ມີໃຜຢາກແກ້ໄຂ, ແຕ່ທຸກຄົນຕ້ອງການຫຼຽນຄໍາຫຼືເງິນລາງວັນ. ດັ່ງນັ້ນ, ກັບທີມງານຂອງ Kaggle Masters 7 ຄົນ, ພວກເຮົາຕົກລົງເຫັນດີວ່າພວກເຮົາຈະຖິ້ມທາດເຫຼັກ. ພວກ​ເຮົາ​ໄດ້​ຝຶກ​ອົບ​ຮົມ 480 ເຄືອ​ຂ່າຍ​ໃນ​ຮູບ​ແບບ 'fit_predict​' ແລະ​ເຮັດ​ໃຫ້​ກຸ່ມ​ສາມ​ເລື່ອງ​ອອກ​ຈາກ​ພວກ​ເຂົາ​. ພວກເຮົາຈົບອັນດັບທີ XNUMX. ຕອບ blog ອະທິບາຍການແກ້ໄຂຈາກ Arthur Kuzin. ໂດຍວິທີທາງການ, Jeremy Howard, ຜູ້ທີ່ເປັນທີ່ຮູ້ຈັກຢ່າງກວ້າງຂວາງເປັນຜູ້ສ້າງ ໄວ.AI ສໍາ​ເລັດ 23.

ຫຼັງຈາກສິ້ນສຸດການແຂ່ງຂັນ, ຜ່ານເພື່ອນທີ່ເຮັດວຽກຢູ່ AdRoll, ຂ້າພະເຈົ້າໄດ້ຈັດຕັ້ງ Meetup ຢູ່ໃນສະຖານທີ່ຂອງພວກເຂົາ. ຜູ້ຕາງຫນ້າຂອງ Planet Labs ໄດ້ໂອ້ລົມຢູ່ທີ່ນັ້ນກ່ຽວກັບສິ່ງທີ່ອົງການຈັດຕັ້ງຂອງການແຂ່ງຂັນແລະເຄື່ອງຫມາຍຂໍ້ມູນເບິ່ງຄືວ່າຢູ່ໃນສ່ວນຂອງພວກເຂົາ. Wendy Kwan, ຜູ້ທີ່ເຮັດວຽກຢູ່ Kaggle ແລະເບິ່ງແຍງການແຂ່ງຂັນ, ເວົ້າກ່ຽວກັບວິທີທີ່ນາງເຫັນມັນ. ຂ້າພະເຈົ້າໄດ້ອະທິບາຍການແກ້ໄຂຂອງພວກເຮົາ, tricks, ເຕັກນິກແລະລາຍລະອຽດດ້ານວິຊາການ. ສອງສ່ວນສາມຂອງຜູ້ຊົມໄດ້ແກ້ໄຂບັນຫານີ້, ດັ່ງນັ້ນຄໍາຖາມຖືກຖາມເຖິງຈຸດແລະໂດຍທົ່ວໄປແລ້ວທຸກສິ່ງທຸກຢ່າງແມ່ນເຢັນ. Jeremy Howard ກໍ່ຢູ່ທີ່ນັ້ນ. ມັນ​ໄດ້​ຫັນ​ອອກ​ວ່າ​ເຂົາ​ໄດ້​ສໍາ​ເລັດ​ໃນ​ສະ​ຖານ​ທີ່ 23 ເພາະ​ວ່າ​ເຂົາ​ບໍ່​ຮູ້​ວິ​ທີ​ການ stack ຕົວ​ແບບ​ແລະ​ວ່າ​ເຂົາ​ບໍ່​ໄດ້​ຮູ້​ກ່ຽວ​ກັບ​ວິ​ທີ​ການ​ຂອງ​ການ​ກໍ່​ສ້າງ ensembles ນີ້​.

ການ​ພົບ​ປະ​ໃນ​ຮ່ອມ​ພູ​ກ່ຽວ​ກັບ​ການ​ຮຽນ​ຮູ້​ເຄື່ອງ​ຈັກ​ແມ່ນ​ແຕກ​ຕ່າງ​ຈາກ​ການ​ພົບ​ປະ​ຢູ່​ມົສ​ກູ. ຕາມກົດລະບຽບ, ການປະຊຸມຢູ່ໃນຮ່ອມພູແມ່ນຢູ່ດ້ານລຸ່ມ. ແຕ່ຂອງພວກເຮົາຫັນອອກດີ. ແຕ່ຫນ້າເສຍດາຍ, comrade ຜູ້ທີ່ຄວນຈະກົດປຸ່ມແລະບັນທຶກທຸກສິ່ງທຸກຢ່າງບໍ່ໄດ້ກົດປຸ່ມ :)

ຫຼັງຈາກນັ້ນ, ຂ້າພະເຈົ້າໄດ້ຖືກເຊື້ອເຊີນໃຫ້ສົນທະນາກັບຕໍາແຫນ່ງຂອງ Deep Learning Engineer ຢູ່ Planet Labs ດຽວກັນນີ້, ແລະທັນທີທັນໃດ. ຂ້ອຍບໍ່ໄດ້ຜ່ານມັນ. ຄໍາເວົ້າຂອງການປະຕິເສດແມ່ນວ່າບໍ່ມີຄວາມຮູ້ພຽງພໍໃນ Deep Learning.

ຂ້າພະເຈົ້າໄດ້ອອກແບບແຕ່ລະການແຂ່ງຂັນເປັນໂຄງການໃນ LinkedIn. ສໍາລັບບັນຫາ DSTL ພວກເຮົາຂຽນ ພິມລ່ວງ ໜ້າ ແລະຈັດພີມມາມັນຢູ່ໃນ arxiv. ບໍ່ແມ່ນບົດຄວາມ, ແຕ່ຍັງເປັນເຂົ້າຈີ່. ຂ້າພະເຈົ້າຍັງແນະນໍາໃຫ້ຜູ້ອື່ນ inflate profile LinkedIn ຂອງເຂົາເຈົ້າໂດຍຜ່ານການແຂ່ງຂັນ, ບົດຄວາມ, ທັກສະ, ແລະອື່ນໆ. ມີຄວາມສໍາພັນທາງບວກລະຫວ່າງຈໍານວນຄໍາທີ່ເຈົ້າມີຢູ່ໃນໂປຣໄຟລ໌ LinkedIn ຂອງເຈົ້າແລະຄົນມັກຈະສົ່ງຂໍ້ຄວາມຫາເຈົ້າ.

ຖ້າໃນລະດູຫນາວແລະລະດູໃບໄມ້ປົ່ງຂ້ອຍມີເຕັກນິກຫຼາຍ, ຫຼັງຈາກນັ້ນໃນເດືອນສິງຫາຂ້ອຍມີທັງຄວາມຮູ້ແລະຄວາມຫມັ້ນໃຈຕົນເອງ.

ໃນທ້າຍເດືອນກໍລະກົດ, ຜູ້ຊາຍທີ່ເຮັດວຽກເປັນຜູ້ຈັດການວິທະຍາສາດຂໍ້ມູນຢູ່ Lyft ໄດ້ຕິດຕໍ່ກັບຂ້ອຍໃນ LinkedIn ແລະເຊື້ອເຊີນຂ້ອຍໃຫ້ດື່ມກາເຟແລະສົນທະນາກ່ຽວກັບຊີວິດ, ກ່ຽວກັບ Lyft, ກ່ຽວກັບ TrueAccord. ພວກເຮົາສົນທະນາ. ລາວສະເຫນີໃຫ້ສໍາພາດກັບທີມງານຂອງລາວສໍາລັບຕໍາແຫນ່ງຂອງ Data Scientist. ຂ້າ​ພະ​ເຈົ້າ​ໄດ້​ກ່າວ​ວ່າ​ທາງ​ເລືອກ​ແມ່ນ​ການ​ເຮັດ​ວຽກ, ສະ​ຫນອງ​ໃຫ້​ວ່າ​ມັນ​ເປັນ Computer Vision / Deep Learning ຈາກ​ຕອນ​ເຊົ້າ​ເຖິງ​ຕອນ​ແລງ. ທ່ານ​ໄດ້​ຮັບ​ປະ​ກັນ​ວ່າ​ບໍ່​ມີ​ການ​ຄັດ​ຄ້ານ​ຂອງ​ຕົນ​.

ຂ້ອຍສົ່ງຊີວະປະຫວັດຂອງຂ້ອຍແລະລາວອັບໂຫລດມັນໃສ່ປະຕູພາຍໃນຂອງ Lyft. ຫຼັງຈາກນັ້ນ, ພະນັກງານຮັບຈ້າງໄດ້ໂທຫາຂ້ອຍເພື່ອເປີດຊີວະປະຫວັດຂອງຂ້ອຍແລະຊອກຫາຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບຂ້ອຍ. ຈາກຄໍາເວົ້າທໍາອິດ, ມັນເປັນທີ່ຊັດເຈນວ່າສໍາລັບລາວນີ້ແມ່ນເປັນທາງການ, ເນື່ອງຈາກວ່າມັນເຫັນໄດ້ຊັດເຈນສໍາລັບລາວຈາກຊີວະປະຫວັດຂອງລາວວ່າ "ຂ້ອຍບໍ່ແມ່ນວັດຖຸສໍາລັບ Lyft." ຂ້ອຍເດົາວ່າຫຼັງຈາກນັ້ນຊີວະປະຫວັດຂອງຂ້ອຍເຂົ້າໄປໃນຖັງຂີ້ເຫຍື້ອ.

ຕະຫຼອດເວລານີ້, ໃນຂະນະທີ່ຂ້ອຍຖືກສໍາພາດ, ຂ້ອຍໄດ້ປຶກສາຫາລືກ່ຽວກັບຄວາມລົ້ມເຫລວແລະການຫຼຸດລົງຂອງຂ້ອຍໃນ ODS ແລະຜູ້ຊາຍໄດ້ໃຫ້ຄໍາຄິດເຫັນແລະຊ່ວຍຂ້ອຍໃນທຸກວິທີທາງທີ່ເປັນໄປໄດ້ດ້ວຍຄໍາແນະນໍາ, ເຖິງແມ່ນວ່າ, ຕາມປົກກະຕິ, ຍັງມີ trolling ທີ່ເປັນມິດຫຼາຍ.

ຫນຶ່ງໃນສະມາຊິກ ODS ສະເຫນີໃຫ້ເຊື່ອມຕໍ່ກັບຂ້ອຍກັບເພື່ອນຂອງລາວ, ຜູ້ທີ່ເປັນຜູ້ອໍານວຍການວິສະວະກໍາຢູ່ Lyft. ບໍ່ໄດ້ເວົ້າໄວກວ່າເຮັດ. ຂ້ອຍມາຫາ Lyft ສໍາລັບອາຫານທ່ຽງ, ແລະນອກຈາກເພື່ອນຄົນນີ້ຍັງມີຫົວຫນ້າວິທະຍາສາດຂໍ້ມູນແລະຜູ້ຈັດການຜະລິດຕະພັນທີ່ເປັນແຟນໃຫຍ່ຂອງ Deep Learning. ໃນອາຫານທ່ຽງພວກເຮົາໄດ້ສົນທະນາຜ່ານ DL. ແລະນັບຕັ້ງແຕ່ຂ້ອຍໄດ້ຝຶກອົບຮົມເຄືອຂ່າຍ 24/7 ສໍາລັບເຄິ່ງຫນຶ່ງປີ, ອ່ານວັນນະຄະດີແມັດກ້ອນ, ແລະເຮັດວຽກກ່ຽວກັບ Kaggle ດ້ວຍຜົນໄດ້ຮັບທີ່ຊັດເຈນຫຼາຍຫຼືຫນ້ອຍ, ຂ້ອຍສາມາດເວົ້າກ່ຽວກັບ Deep Learning ສໍາລັບຊົ່ວໂມງ, ທັງໃນແງ່ຂອງບົດຄວາມໃຫມ່ແລະ. ເຕັກ​ນິກ​ການ​ປະ​ຕິ​ບັດ​.

ຫຼັງ​ຈາກ​ອາ​ຫານ​ທ່ຽງ​ເຂົາ​ເຈົ້າ​ເບິ່ງ​ຂ້າ​ພະ​ເຈົ້າ​ແລະ​ເວົ້າ​ວ່າ - ມັນ​ເປັນ​ທີ່​ຈະ​ແຈ້ງ​ໃນ​ທັນ​ທີ​ວ່າ​ທ່ານ​ເປັນ​ຮູບ​ງາມ​, ທ່ານ​ຕ້ອງ​ການ​ທີ່​ຈະ​ເວົ້າ​ກັບ​ພວກ​ເຮົາ​? ຍິ່ງໄປກວ່ານັ້ນ, ພວກເຂົາເຈົ້າໄດ້ກ່າວຕື່ມວ່າມັນເປັນທີ່ຊັດເຈນສໍາລັບຂ້ອຍທີ່ເອົາຫນ້າທໍາອິດ + ຫນ້າຈໍເຕັກໂນໂລຢີສາມາດຂ້າມໄດ້. ແລະວ່າຂ້ອຍຈະຖືກເຊື້ອເຊີນທັນທີທັນໃດກັບສະຖານທີ່. ຂ້ອຍ​ເຫັນ​ດີ.

ຫຼັງ​ຈາກ​ນັ້ນ, ພະນັກງານ​ຄົນ​ນັ້ນ​ໄດ້​ໂທ​ຫາ​ຂ້ອຍ​ເພື່ອ​ນັດ​ສຳພາດ​ຢູ່​ບ່ອນ, ​ແລະ ລາວ​ບໍ່​ພໍ​ໃຈ. ລາວຈົ່ມບາງສິ່ງບາງຢ່າງກ່ຽວກັບການບໍ່ໂດດຫົວຂອງເຈົ້າ.

ມາ. ການສໍາພາດຢູ່ບ່ອນ. ຫ້າຊົ່ວໂມງຂອງການສື່ສານກັບຄົນທີ່ແຕກຕ່າງກັນ. ບໍ່ມີຄໍາຖາມດຽວກ່ຽວກັບການຮຽນຮູ້ເລິກ, ຫຼືກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກໃນຫຼັກການ. ເນື່ອງຈາກວ່າບໍ່ມີ Deep Learning / Computer Vision, ຫຼັງຈາກນັ້ນຂ້ອຍບໍ່ສົນໃຈ. ດັ່ງນັ້ນ, ຜົນໄດ້ຮັບການສໍາພາດແມ່ນ orthogon.

ຜູ້ຮັບສະໝັກຄົນນີ້ໂທຫາ ແລະເວົ້າວ່າ - ຊົມເຊີຍ, ທ່ານໄດ້ຜ່ານການສໍາພາດຢູ່ສະຖານທີ່ທີສອງ. ນີ້ແມ່ນຄວາມແປກໃຈທັງຫມົດ. ສະຖານທີ່ທີສອງແມ່ນຫຍັງ? ຂ້ອຍບໍ່ເຄີຍໄດ້ຍິນເລື່ອງດັ່ງກ່າວ. ຂ້ອຍ​ໄດ້​ໄປ. ມີສອງສາມຊົ່ວໂມງຢູ່ທີ່ນັ້ນ, ເວລານີ້ທັງຫມົດກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກແບບດັ້ງເດີມ. ນັ້ນດີກວ່າ. ແຕ່ຍັງບໍ່ຫນ້າສົນໃຈ.

ຜູ້ຮັບສະໝັກໄດ້ຮຽກຮ້ອງດ້ວຍຄວາມຍິນດີທີ່ຂ້າພະເຈົ້າໄດ້ຜ່ານການສໍາພາດໃນສະຖານທີ່ທີສາມ ແລະ ປະຕິຍານວ່າອັນນີ້ຈະເປັນຄັ້ງສຸດທ້າຍ. ຂ້ອຍໄປເບິ່ງແລ້ວມີທັງ DL ແລະ CV.

ຂ້າພະເຈົ້າໄດ້ມີມາກ່ອນເປັນເວລາຫຼາຍເດືອນຜູ້ທີ່ບອກຂ້າພະເຈົ້າວ່າຈະບໍ່ສະເຫນີ. ຂ້າພະເຈົ້າຈະຝຶກອົບຮົມບໍ່ກ່ຽວກັບທັກສະດ້ານວິຊາການ, ແຕ່ກ່ຽວກັບການອ່ອນ. ບໍ່ໄດ້ຢູ່ໃນດ້ານອ່ອນ, ແຕ່ກ່ຽວກັບຄວາມຈິງທີ່ວ່າຕໍາແຫນ່ງຈະຖືກປິດຫຼືວ່າບໍລິສັດຍັງບໍ່ໄດ້ຈ້າງ, ແຕ່ແມ່ນພຽງແຕ່ການທົດສອບຕະຫຼາດແລະລະດັບຂອງຜູ້ສະຫມັກ.

ກາງເດືອນສິງຫາ. ຂ້ອຍດື່ມເບຍບໍ່ເປັນຫຍັງ. ຄວາມຄິດຊ້ໍາ. 8 ເດືອນຜ່ານໄປແລະຍັງບໍ່ມີການສະເຫນີ. ມັນເປັນການດີທີ່ຈະມີຄວາມຄິດສ້າງສັນພາຍໃຕ້ເບຍ, ໂດຍສະເພາະຖ້າຄວາມຄິດສ້າງສັນແມ່ນແປກ. ຄວາມຄິດມາສູ່ຈິດໃຈຂອງຂ້ອຍ. ຂ້າພະເຈົ້າແບ່ງປັນມັນກັບ Alexey Shvets, ຜູ້ທີ່ໃນເວລານັ້ນເປັນ postdoc ຢູ່ MIT.

ຈະເປັນແນວໃດຖ້າທ່ານເອົາກອງປະຊຸມ DL / CV ທີ່ໃກ້ທີ່ສຸດ, ເບິ່ງການແຂ່ງຂັນທີ່ຈັດຂຶ້ນເປັນສ່ວນຫນຶ່ງຂອງມັນ, ຝຶກອົບຮົມບາງສິ່ງບາງຢ່າງແລະສົ່ງ? ເນື່ອງຈາກຜູ້ຊ່ຽວຊານທັງຫມົດຢູ່ທີ່ນັ້ນກໍາລັງສ້າງອາຊີບຂອງພວກເຂົາໃນເລື່ອງນີ້ແລະໄດ້ດໍາເນີນການນີ້ເປັນເວລາຫຼາຍເດືອນຫຼືຫຼາຍປີ, ພວກເຮົາບໍ່ມີໂອກາດ. ແຕ່ມັນບໍ່ຫນ້າຢ້ານ. ພວກເຮົາເຮັດການຍື່ນສະເຫນີທີ່ມີຄວາມຫມາຍ, ບິນໄປຫາບ່ອນສຸດທ້າຍ, ແລະຫຼັງຈາກນັ້ນພວກເຮົາຂຽນການພິມລ່ວງຫນ້າຫຼືບົດຄວາມກ່ຽວກັບວິທີທີ່ພວກເຮົາບໍ່ຄືກັບຄົນອື່ນແລະເວົ້າກ່ຽວກັບການຕັດສິນໃຈຂອງພວກເຮົາ. ແລະບົດຄວາມແມ່ນແລ້ວຢູ່ໃນ LinkedIn ແລະໃນຊີວະປະຫວັດຂອງທ່ານ.

ນັ້ນແມ່ນ, ມັນເບິ່ງຄືວ່າມີຄວາມກ່ຽວຂ້ອງແລະມີຄໍາທີ່ຖືກຕ້ອງຫຼາຍຂຶ້ນໃນຊີວະປະຫວັດຫຍໍ້, ເຊິ່ງຄວນຈະເພີ່ມໂອກາດທີ່ຈະເຂົ້າໄປໃນຫນ້າຈໍເຕັກໂນໂລຢີເລັກນ້ອຍ. ລະຫັດແລະການຍື່ນສະເຫນີຈາກຂ້ອຍ, ຂໍ້ຄວາມຈາກ Alexey. ເກມ, ແນ່ນອນ, ແຕ່ເປັນຫຍັງບໍ່?

ບໍ່ໄດ້ເວົ້າໄວກວ່າເຮັດ. ກອງປະຊຸມທີ່ໃກ້ທີ່ສຸດທີ່ພວກເຮົາ googled ແມ່ນ MICCAI ແລະຕົວຈິງແລ້ວມີການແຂ່ງຂັນຢູ່ທີ່ນັ້ນ. ພວກເຮົາຕີຄັ້ງທໍາອິດ. ມັນແມ່ນ ການວິເຄາະຮູບພາບກ່ຽວກັບກະເພາະອາຫານ (GIANA). ວຽກງານມີ 3 ວຽກຍ່ອຍ. ຍັງເຫຼືອ 8 ມື້ກ່ອນກຳນົດເວລາ. ຂ້າ​ພະ​ເຈົ້າ​ໄດ້​ຕື່ນ​ຕົວ​ໃນ​ຕອນ​ເຊົ້າ, ແຕ່​ຂ້າ​ພະ​ເຈົ້າ​ບໍ່​ໄດ້​ປະ​ຖິ້ມ​ຄວາມ​ຄິດ. ຂ້ອຍເອົາທໍ່ຂອງຂ້ອຍຈາກ Kaggle ແລະປ່ຽນພວກມັນຈາກຂໍ້ມູນດາວທຽມໄປຫາຂໍ້ມູນທາງການແພດ. 'fit_predict'. Alexey ກະກຽມຄໍາອະທິບາຍສອງຫນ້າຂອງການແກ້ໄຂສໍາລັບແຕ່ລະບັນຫາ, ແລະພວກເຮົາໄດ້ສົ່ງມັນ. ພ້ອມ. ໃນທາງທິດສະດີ, ທ່ານສາມາດ exhale. ​ແຕ່​ໄດ້​ປະກົດ​ວ່າ​ມີ​ວຽກ​ງານ​ໜຶ່ງ​ອີກ​ສຳລັບ​ກອງ​ປະຊຸມ​ດຽວ​ກັນ (ການແບ່ງສ່ວນເຄື່ອງມືຫຸ່ນຍົນ) ດ້ວຍສາມຫນ້າວຽກຍ່ອຍແລະເສັ້ນຕາຍຂອງນາງຖືກເລື່ອນຂຶ້ນ 4 ມື້, ນັ້ນແມ່ນ, ພວກເຮົາສາມາດເຮັດ 'fit_predict' ຢູ່ທີ່ນັ້ນແລະສົ່ງມັນ. ນັ້ນແມ່ນສິ່ງທີ່ພວກເຮົາໄດ້ເຮັດ.

ບໍ່ເຫມືອນກັບ Kaggle, ການແຂ່ງຂັນເຫຼົ່ານີ້ມີວິຊາສະເພາະຂອງຕົນເອງ:

1. ບໍ່ມີກະດານຜູ້ນໍາ. ການຍື່ນສະເຫນີແມ່ນຖືກສົ່ງໄປທາງອີເມວ.
2. ທ່ານຈະຖືກໂຍກຍ້າຍອອກຖ້າຫາກວ່າຕົວແທນຂອງທີມງານບໍ່ມານໍາສະເຫນີການແກ້ໄຂໃນກອງປະຊຸມໃນກອງປະຊຸມ.
3. ສະຖານທີ່ຂອງເຈົ້າຢູ່ໃນກະດານຈັດອັນດັບກາຍເປັນທີ່ຮູ້ຈັກພຽງແຕ່ໃນລະຫວ່າງກອງປະຊຸມ. ປະເພດຂອງລະຄອນວິຊາການ.

ກອງປະຊຸມ MICCAI 2017 ໄດ້ຈັດຂຶ້ນທີ່ນະຄອນ Quebec. ດ້ວຍຄວາມຊື່ສັດ, ໃນເດືອນກັນຍາຂ້ອຍເລີ່ມເຜົາໄຫມ້, ດັ່ງນັ້ນຄວາມຄິດທີ່ຈະພັກຜ່ອນຫນຶ່ງອາທິດຈາກການເຮັດວຽກແລະມຸ່ງຫນ້າໄປການາດາເບິ່ງຫນ້າສົນໃຈ.

ມາຮອດກອງປະຊຸມ. ຂ້ອຍມາ Workshop ນີ້, ຂ້ອຍບໍ່ຮູ້ໃຜ, ຂ້ອຍນັ່ງຢູ່ແຈ. ທຸກຄົນຮູ້ຈັກກັນ, ພວກເຂົາສື່ສານ, ພວກເຂົາຖິ້ມຄໍາເວົ້າທາງການແພດທີ່ສະຫລາດ. ການທົບທວນຄືນຂອງການແຂ່ງຂັນຄັ້ງທໍາອິດ. ຜູ້ເຂົ້າຮ່ວມເວົ້າແລະສົນທະນາກ່ຽວກັບການຕັດສິນໃຈຂອງເຂົາເຈົ້າ. ມັນເຢັນຢູ່ທີ່ນັ້ນ, ມີປະກາຍໄຟ. ຂອງຂ້ອຍ. ແລະຂ້ອຍກໍ່ມີຄວາມອັບອາຍ. ພວກເຂົາເຈົ້າໄດ້ແກ້ໄຂບັນຫາ, ເຮັດວຽກກັບມັນ, ວິທະຍາສາດກ້າວຫນ້າ, ແລະພວກເຮົາ "fit_predict" ຢ່າງແທ້ຈິງຈາກການພັດທະນາທີ່ຜ່ານມາ, ບໍ່ແມ່ນວິທະຍາສາດ, ແຕ່ເພື່ອຊຸກຍູ້ຊີວະປະຫວັດຂອງພວກເຮົາ.

ລາວໄດ້ອອກມາແລະເວົ້າວ່າຂ້ອຍບໍ່ແມ່ນຜູ້ຊ່ຽວຊານດ້ານຢາ, ຂໍໂທດທີ່ເສຍເວລາຂອງພວກເຂົາ, ແລະສະແດງໃຫ້ຂ້ອຍເຫັນສະໄລ້ຫນຶ່ງທີ່ມີການແກ້ໄຂ. ຂ້າພະເຈົ້າໄດ້ລົງໄປຫາຫ້ອງໂຖງ.

ພວກເຂົາປະກາດວຽກຍ່ອຍທໍາອິດ - ພວກເຮົາທໍາອິດ, ແລະໂດຍຂອບໃບ.
ອັນທີສອງແລະທີສາມໄດ້ຖືກປະກາດ.
ພວກເຂົາເຈົ້າປະກາດທີສາມ - ອີກເທື່ອຫນຶ່ງຄັ້ງທໍາອິດແລະອີກເທື່ອຫນຶ່ງທີ່ມີຜູ້ນໍາ.
ທົ່ວໄປແມ່ນຄັ້ງທໍາອິດ.

ຖະແຫຼງຂ່າວຢ່າງເປັນທາງການ.

ບາງຄົນໃນຜູ້ຊົມຍິ້ມແລະເບິ່ງຂ້ອຍດ້ວຍຄວາມເຄົາລົບ. ຄົນອື່ນ, ຜູ້ທີ່ເບິ່ງຄືວ່າເປັນຜູ້ຊ່ຽວຊານໃນພາກສະຫນາມ, ໄດ້ຮັບການຊ່ວຍເຫຼືອລ້າສໍາລັບວຽກງານນີ້ແລະດໍາເນີນການນີ້ເປັນເວລາຫຼາຍປີ, ມີການສະແດງອອກທີ່ບິດເບືອນເລັກນ້ອຍໃນໃບຫນ້າຂອງເຂົາເຈົ້າ.

ຕໍ່​ໄປ​ແມ່ນ​ວຽກ​ງານ​ທີ​ສອງ, ວຽກ​ງານ​ໜຶ່ງ​ທີ່​ມີ​ສາມ​ໜ້າ​ວຽກ​ຍ່ອຍ​ແລະ​ໄດ້​ຮັບ​ການ​ເຄື່ອນ​ໄຫວ​ຕໍ່​ໄປ​ສີ່​ມື້.

ໃນ​ທີ່​ນີ້​ຂ້າ​ພະ​ເຈົ້າ​ໄດ້​ຂໍ​ອະ​ໄພ​ແລະ​ສະ​ແດງ​ໃຫ້​ເຫັນ slideshow ຫນຶ່ງ​ຂອງ​ພວກ​ເຮົາ​ອີກ​ເທື່ອ​ຫນຶ່ງ​.
ເລື່ອງດຽວກັນ. ສອງຄັ້ງທໍາອິດ, ຫນຶ່ງວິນາທີ, ທໍາອິດທົ່ວໄປ.

ຂ້າພະເຈົ້າຄິດວ່ານີ້ອາດຈະເປັນຄັ້ງທຳອິດໃນປະຫວັດສາດທີ່ອົງການເກັບກຳຂໍ້ມູນໄດ້ຊະນະການແຂ່ງຂັນການຖ່າຍຮູບທາງການແພດ.

ແລະຕອນນີ້ຂ້ອຍກຳລັງຢືນຢູ່ເທິງເວທີ, ເຂົາເຈົ້າໄດ້ມອບໃບປະກາດສະນີຍະບັດໃຫ້ຂ້ອຍ ແລະຂ້ອຍຖືກລະເບີດ. ເຮັດແນວໃດ fuck ສາມາດເຮັດໄດ້? ນັກວິຊາການເຫຼົ່ານີ້ກໍາລັງໃຊ້ເງິນຂອງຜູ້ເສຍພາສີ, ເຮັດວຽກເພື່ອເຮັດໃຫ້ງ່າຍແລະປັບປຸງຄຸນນະພາບຂອງການເຮັດວຽກຂອງທ່ານຫມໍ, ນັ້ນແມ່ນ, ໃນທາງທິດສະດີ, ອາຍຸຍືນຂອງຂ້ອຍ, ແລະບາງສ່ວນໄດ້ຈີກພະນັກງານວິຊາການທັງຫມົດນີ້ເຂົ້າໄປໃນທຸງອັງກິດໃນສອງສາມຕອນແລງ.

ເງິນໂບນັດນີ້ແມ່ນວ່າໃນທີມອື່ນໆ, ນັກສຶກສາຈົບການສຶກສາທີ່ເຮັດວຽກໃນວຽກງານເຫຼົ່ານີ້ເປັນເວລາຫຼາຍເດືອນຈະມີຊີວະປະຫວັດທີ່ຫນ້າສົນໃຈກັບ HR, ນັ້ນແມ່ນ, ພວກເຂົາຈະເຂົ້າໄປໃນຫນ້າຈໍເຕັກໂນໂລຢີໄດ້ງ່າຍ. ແລະກ່ອນຕາຂອງຂ້ອຍມີອີເມລ໌ທີ່ໄດ້ຮັບສົດໆ:

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.

ໂດຍທົ່ວໄປ, ທັນທີຈາກເວທີ, ຂ້ອຍຖາມຜູ້ຊົມວ່າ: "ມີໃຜຮູ້ວ່າຂ້ອຍເຮັດວຽກຢູ່ໃສ?" ຫນຶ່ງໃນຜູ້ຈັດການແຂ່ງຂັນຮູ້ - ລາວ Googled ວ່າ TrueAccord ແມ່ນຫຍັງ. ສ່ວນທີ່ເຫຼືອແມ່ນບໍ່. ຂ້ອຍເວົ້າຕໍ່ໄປວ່າ: “ຂ້ອຍເຮັດວຽກໃຫ້ອົງການເກັບກຳຂໍ້ມູນ, ແລະຢູ່ບ່ອນເຮັດວຽກ ຂ້ອຍບໍ່ໄດ້ເຮັດທັງ Computer Vision ຫຼື Deep Learning. ແລະໃນຫຼາຍວິທີ, ນີ້ເກີດຂື້ນຍ້ອນວ່າພະແນກ HR ຂອງ Google Brain ແລະ Deepmind ກັ່ນຕອງຊີວະປະຫວັດຂອງຂ້ອຍ, ບໍ່ໃຫ້ຂ້ອຍມີໂອກາດສະແດງການຝຶກອົບຮົມດ້ານວິຊາການ. "

ພວກເຂົາເຈົ້າໄດ້ມອບໃບຢັ້ງຢືນ, ພັກຜ່ອນ. ກຸ່ມນັກວິຊາການດຶງຂ້ອຍອອກໄປ. ມັນໄດ້ຫັນອອກວ່ານີ້ແມ່ນກຸ່ມສຸຂະພາບທີ່ມີ Deepmind. ເຂົາເຈົ້າປະທັບໃຈຫຼາຍທີ່ເຂົາເຈົ້າຢາກລົມກັບຂ້ອຍທັນທີກ່ຽວກັບພະນັກງານວິໄຈທີ່ຫວ່າງຢູ່ໃນທີມຂອງເຂົາເຈົ້າ. (ພວກເຮົາໄດ້ສົນທະນາ. ການສົນທະນານີ້ໃຊ້ເວລາ 6 ເດືອນ, ຂ້າພະເຈົ້າໄດ້ຜ່ານ take home, quiz, ແຕ່ຖືກຕັດສັ້ນໃນຫນ້າຈໍເຕັກໂນໂລຢີ. 6 ເດືອນຈາກການເລີ່ມຕົ້ນການສື່ສານກັບຫນ້າຈໍເຕັກໂນໂລຢີແມ່ນໃຊ້ເວລາດົນ. ການລໍຖ້າທີ່ຍາວນານເຮັດໃຫ້ລົດຊາດ. ວິສະວະກອນຄົ້ນຄວ້າທີ່ Deepmind ໃນລອນດອນ, ຕໍ່ກັບພື້ນຖານຂອງ TrueAccord ມີບາດກ້າວທີ່ແຂງແຮງ, ແຕ່ຕໍ່ກັບພື້ນຖານຂອງຕໍາແຫນ່ງໃນປະຈຸບັນຂອງຂ້ອຍ, ມັນແມ່ນການກ້າວລົງຈາກໄລຍະຫ່າງສອງປີທີ່ຜ່ານຈາກນັ້ນມາ, ມັນດີ. ວ່າ​ມັນ​ບໍ່​ໄດ້​.)

ສະຫລຸບ

ໃນເວລາດຽວກັນ, ຂ້ອຍໄດ້ຮັບການສະເຫນີຈາກ Lyft, ເຊິ່ງຂ້ອຍຍອມຮັບ.
ອີງຕາມຜົນຂອງການແຂ່ງຂັນທັງສອງກັບ MICCAI, ຕໍ່ໄປນີ້ໄດ້ຖືກຈັດພີມມາ:

1. ການແບ່ງສ່ວນເຄື່ອງມືອັດຕະໂນມັດໃນການຜ່າຕັດດ້ວຍຫຸ່ນຍົນທີ່ໃຊ້ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ
2. ການກວດຫາ Angiodysplasia ແລະທ້ອງຖິ່ນໂດຍໃຊ້ເຄືອຂ່າຍ neural convolutional ເລິກ
3. ສິ່ງທ້າທາຍການແບ່ງສ່ວນເຄື່ອງມືຫຸ່ນຍົນປີ 2017

ນັ້ນແມ່ນ, ເຖິງວ່າຈະມີຄວາມແປກປະຫລາດຂອງຄວາມຄິດ, ການເພີ່ມບົດຄວາມທີ່ເພີ່ມຂຶ້ນແລະ preprints ຜ່ານການແຂ່ງຂັນເຮັດວຽກໄດ້ດີ. ແລະໃນປີຕໍ່ມາພວກເຮົາເຮັດໃຫ້ມັນຮ້າຍແຮງກວ່າເກົ່າ.

ຂ້ອຍໄດ້ເຮັດວຽກຢູ່ Lyft ສໍາລັບສອງສາມປີທີ່ຜ່ານມາເຮັດ Computer Vision/Deep Learning for Self Driving cars. ນັ້ນແມ່ນ, ຂ້ອຍໄດ້ຮັບສິ່ງທີ່ຂ້ອຍຕ້ອງການ. ແລະວຽກງານ, ແລະບໍລິສັດສະຖານະພາບສູງ, ແລະເພື່ອນຮ່ວມງານທີ່ເຂັ້ມແຂງ, ແລະທັງຫມົດ goodies ອື່ນໆ.

ໃນໄລຍະເດືອນນີ້, ຂ້າພະເຈົ້າໄດ້ຕິດຕໍ່ສື່ສານກັບບໍລິສັດຂະຫນາດໃຫຍ່ທັງສອງ Google, Facebook, Uber, LinkedIn, ແລະມີທະເລຂອງການເລີ່ມຕົ້ນຂອງຂະຫນາດຕ່າງໆ.

ມັນເຈັບປວດທັງຫມົດເດືອນເຫຼົ່ານີ້. ຈັກກະວານບອກເຈົ້າບາງສິ່ງທີ່ບໍ່ສະບາຍຫຼາຍທຸກໆມື້. ການປະຕິເສດແບບປົກກະຕິ, ການເຮັດຜິດພາດຢ່າງເປັນປົກກະຕິແລະທັງຫມົດນີ້ແມ່ນລົດຊາດທີ່ມີຄວາມຮູ້ສຶກທີ່ຍັງຄົງຄ້າງຂອງຄວາມສິ້ນຫວັງ. ບໍ່ມີການຮັບປະກັນວ່າທ່ານຈະປະສົບຜົນສໍາເລັດ, ແຕ່ມີຄວາມຮູ້ສຶກວ່າທ່ານເປັນຄົນໂງ່. ມັນ​ເປັນ​ທີ່​ລະ​ນຶກ​ເຖິງ​ວິ​ທີ​ທີ່​ຂ້າ​ພະ​ເຈົ້າ​ໄດ້​ພະ​ຍາ​ຍາມ​ຊອກ​ຫາ​ວຽກ​ເຮັດ​ງານ​ທໍາ​ຫຼັງ​ຈາກ​ວິ​ທະ​ຍາ​ໄລ​.

ຂ້າ​ພະ​ເຈົ້າ​ຄິດ​ວ່າ​ຫລາຍ​ຄົນ​ໄດ້​ຊອກ​ຫາ​ວຽກ​ເຮັດ​ງານ​ທຳ​ຢູ່​ໃນ​ຮ່ອມ​ພູ ແລະ​ທຸກ​ສິ່ງ​ແມ່ນ​ງ່າຍ​ຂຶ້ນ​ສຳ​ລັບ​ເຂົາ​ເຈົ້າ. trick, ໃນຄວາມຄິດເຫັນຂອງຂ້າພະເຈົ້າ, ນີ້ແມ່ນ. ຖ້າທ່ານກໍາລັງຊອກຫາວຽກເຮັດງານທໍາໃນສາຂາທີ່ທ່ານເຂົ້າໃຈ, ມີປະສົບການຫຼາຍ, ແລະຊີວະປະຫວັດຂອງທ່ານເວົ້າຄືກັນ, ບໍ່ມີບັນຫາ. ຂ້າພະເຈົ້າໄດ້ເອົາມັນແລະພົບເຫັນມັນ. ມີບ່ອນຫວ່າງຫຼາຍ.

ແຕ່ຖ້າຫາກວ່າທ່ານກໍາລັງຊອກຫາວຽກເຮັດງານທໍາໃນພາກສະຫນາມທີ່ໃຫມ່ສໍາລັບທ່ານ, ນັ້ນແມ່ນ, ໃນເວລາທີ່ບໍ່ມີຄວາມຮູ້, ບໍ່ມີການເຊື່ອມຕໍ່ແລະຊີວະປະຫວັດຂອງທ່ານເວົ້າວ່າບາງສິ່ງບາງຢ່າງທີ່ຜິດພາດ - ໃນເວລານີ້ທຸກສິ່ງທຸກຢ່າງກາຍເປັນຫນ້າສົນໃຈທີ່ສຸດ.

ໃນປັດຈຸບັນ, ຜູ້ຮັບຈ້າງຂຽນເປັນປະຈໍາຂຽນຫາຂ້ອຍແລະສະເຫນີໃຫ້ເຮັດສິ່ງດຽວກັນທີ່ຂ້ອຍກໍາລັງເຮັດໃນຕອນນີ້, ແຕ່ຢູ່ໃນບໍລິສັດທີ່ແຕກຕ່າງກັນ. ມັນເປັນເວລາແທ້ໆທີ່ຈະປ່ຽນວຽກ. ​ແຕ່​ບໍ່​ມີ​ຈຸດ​ໃດ​ທີ່​ຈະ​ເຮັດ​ໃນ​ສິ່ງ​ທີ່​ຂ້ອຍ​ດີ​ຢູ່​ແລ້ວ. ເພື່ອ​ຫຍັງ?

ແຕ່ສໍາລັບສິ່ງທີ່ຂ້ອຍຕ້ອງການ, ອີກເທື່ອຫນຶ່ງຂ້ອຍບໍ່ມີຄວາມຮູ້ຫຼືສາຍໃນຊີວະປະຫວັດຂອງຂ້ອຍ. ໃຫ້ເບິ່ງວິທີການທັງຫມົດນີ້ສິ້ນສຸດລົງ. ຖ້າທຸກຢ່າງດີ, ຂ້ອຍຈະຂຽນພາກຕໍ່ໄປ. 🙂

ແຫຼ່ງຂໍ້ມູນ: www.habr.com