ProHoster > Blogs > interneta ziņas > No fiziÄ·iem lÄ«dz datu zinātnei (no zinātnes dzinējiem lÄ«dz biroja planktonam). TreŔā daļa

No fiziÄ·iem lÄ«dz datu zinātnei (no zinātnes dzinējiem lÄ«dz biroja planktonam). TreŔā daļa

No fiziÄ·iem lÄ«dz datu zinātnei (no zinātnes dzinējiem lÄ«dz biroja planktonam). TreŔā daļa

Å Ä« attēla autors ir Arturs Kuzins (n01z3), diezgan precÄ«zi apkopo emuāra ieraksta saturu. Rezultātā sekojoÅ”ais stāstÄ«jums vairāk jāuztver kā piektdienas stāsts, nevis kā kaut kas ārkārtÄ«gi noderÄ«gs un tehnisks. Turklāt ir vērts atzÄ«mēt, ka teksts ir bagāts ar angļu vārdiem. Es nezinu, kā pareizi iztulkot dažus no tiem, un es vienkārÅ”i nevēlos dažus no tiem tulkot.

Pirmā daļa.
Otrā daļa.

Kā notika pāreja no akadēmiskās vides uz industriālo vidi, atklājas pirmajās divās epizodēs. Šajā saruna būs par to, kas notika tālāk.

Tas bija 2017. gada janvāris. Tajā laikā man bija nedaudz vairāk par gadu darba pieredze un es strādāju Sanfrancisko uzņēmumā TrueAccord tāpat kā Sr. Datu zinātnieks.

TrueAccord ir parādu piedziņas uzņēmums. VienkārÅ”i sakot - inkasācijas aÄ£entÅ«ra. Kolekcionāri parasti zvana daudz. Mēs sÅ«tÄ«jām daudz e-pastu, bet maz zvanÄ«jām. Katrs e-pasts aizveda uz uzņēmuma vietni, kur parādniekam tika piedāvāta parāda atlaide un pat tika atļauts maksāt pa daļām. Å Ä« pieeja nodroÅ”ināja labāku iekasÄ“Å”anu, ļāva veikt mērogoÅ”anu un mazāk pakļauties tiesas prāvām.

Uzņēmums bija normāls. Produkts ir skaidrs. VadÄ«ba ir prātÄ«ga. AtraÅ”anās vieta ir laba.

Vidēji ielejā cilvēki vienā vietā strādā aptuveni pusotru gadu. Tas ir, jebkurÅ” uzņēmums, kurā strādājat, ir tikai mazs solis. Å ajā solÄ« jÅ«s piesaistÄ«sit naudu, iegÅ«sit jaunas zināŔanas, prasmes, saiknes un lÄ«nijas savā CV. Pēc tam notiek pāreja uz nākamo soli.

PaŔā TrueAccord es piedalÄ«jos ieteikumu sistēmu pievienoÅ”anā e-pasta biļeteniem, kā arÄ« telefona zvanu prioritāŔu noteikÅ”anā. Ietekme ir saprotama un diezgan labi tika mērÄ«ta dolāros, izmantojot A/B testÄ“Å”anu. Tā kā pirms manas ieraÅ”anās nebija maŔīnmācÄ«bas, mana darba ietekme nebija slikta. Atkal, ir daudz vieglāk kaut ko uzlabot nekā to, kas jau ir ļoti optimizēts.

Pēc seÅ”u mēneÅ”u darba pie Ŕīm sistēmām viņi pat palielināja manu pamatalgu no 150 163 USD lÄ«dz XNUMX XNUMX USD. SabiedrÄ«bā Open Data Science (ODS) ir mēms par 163 XNUMX USD. No Å”ejienes tas aug ar kājām.

Tas viss bija brīniŔķīgi, bet tas nekur neveda, vai arī veda, bet ne tur.

Es ļoti cienu TrueAccord, gan uzņēmumu, gan puiÅ”us, ar kuriem tur strādāju. Es no viņiem daudz iemācÄ«jos, taču negribēju ilgi strādāt pie ieteikumu sistēmām savākÅ”anas aÄ£entÅ«rā. No Ŕī soļa jums bija jāiet kādā virzienā. Ja ne uz priekÅ”u un uz augÅ”u, tad vismaz uz sāniem.

Kas man nepatika?

  1. No maŔīnmācÄ«Å”anās viedokļa problēmas mani nesajÅ«smināja. Es gribēju kaut ko modernu, jauneklÄ«gu, tas ir, Deep Learning, Computer Vision, kaut ko diezgan tuvu zinātnei vai vismaz alÄ·Ä«mijai.
  2. Jaunuzņēmumam un pat savākÅ”anas aÄ£entÅ«rai ir problēmas ar augsti kvalificēta personāla nolÄ«gÅ”anu. Kā starta uzņēmums nevar maksāt daudz. Bet kā savākÅ”anas aÄ£entÅ«ra tā zaudē savu statusu. Aptuveni runājot, ja meitene randiņā jautā, kur tu strādā? JÅ«su atbilde: ā€œGoogle tÄ«klāā€ izklausās daudz labāk nekā ā€œiekasÄ“Å”anas aÄ£entÅ«raā€. Mani nedaudz traucēja fakts, ka maniem draugiem, kuri strādā Google un Facebook, atŔķirÄ«bā no manis, viņu uzņēmuma nosaukums pavēra durvis, piemēram: jÅ«s varat uzaicināt uz konferenci vai tikÅ”anos kā runātāju, vai interesantāki cilvēki raksta LinkedIn ar piedāvājumu satikties un papļāpāt pie tējas glāzes. Man ļoti patÄ«k klātienē komunicēt ar cilvēkiem, kurus nepazÄ«stu. Tātad, ja dzÄ«vojat Sanfrancisko, nevilcinieties rakstÄ«t ā€” iesim iedzert kafiju un parunāsim.
  3. Bez manis uzņēmumā strādāja trÄ«s datu zinātnieki. Es strādāju pie maŔīnmācÄ«bas, un viņi strādāja ar citiem datu zinātnes uzdevumiem, kas ir izplatÄ«ti jebkurā starta posmā no Å”ejienes lÄ«dz rÄ«tdienai. Rezultātā viņi Ä«sti nesaprata maŔīnmācÄ«Å”anos. Bet, lai man augtu, man ar kādu jāsazinās, jāapspriež raksti un jaunākie notikumi un jālÅ«dz padoms, galu galā.

Kas bija pieejams?

  1. Izglītība: fizika, nevis datorzinātnes.
  2. VienÄ«gā programmÄ“Å”anas valoda, ko es zināju, bija Python. Bija sajÅ«ta, ka man ir jāpārslēdzas uz C++, bet es joprojām nevarēju tikt galā.
  3. Pusotrs gads nostrādāts nozarē. Turklāt darbā es nemācījos ne Deep Learning, ne Computer Vision.
  4. CV nav neviena raksta par Deep Learning / Computer Vision.
  5. Bija Kaggle Master sasniegums.

Ko tu gribēji?

  1. Pozīcija, kurā būs jāapmāca daudzi tīkli un tuvāk datorredzei.
  2. Labāk, ja tas ir liels uzņēmums, piemēram, Google, Tesla, Facebook, Uber, LinkedIn utt. Lai gan ar Ŕķipsnu, starta uzņēmums derētu.
  3. Man nav jābÅ«t lielākajam maŔīnmācÄ«bas ekspertam komandā. Bija ļoti nepiecieÅ”ami vecākie biedri, mentori un visa veida komunikācija, kam vajadzēja paātrināt mācÄ«bu procesu.
  4. Izlasot emuāra ierakstus par to, kā absolventiem bez rÅ«pnieciskās pieredzes kopējā kompensācija ir USD 300ā€“500 XNUMX gadā, es gribēju iedziļināties tajā paŔā diapazonā. Nav tā, ka tas mani tik ļoti traucē, bet, tā kā viņi saka, ka tā ir izplatÄ«ta parādÄ«ba, bet man ir mazāk, tad tas ir signāls.

Uzdevums Ŕķita pilnÄ«gi atrisināms, tiesa gan ne tādā nozÄ«mē, ka var ielekt jebkurā kompānijā, bet drÄ«zāk, ja badā, tad viss izdosies. Tas ir, desmitiem vai simtiem mēģinājumu un sāpes no katras neveiksmes un katra noraidÄ«juma ir jāizmanto, lai pastiprinātu fokusu, uzlabotu atmiņu un pagarinātu dienu lÄ«dz 36 stundām.

Es pielāgoju savu CV, sāku to sÅ«tÄ«t un iet uz intervijām. Lielākajai daļai no viņiem lidoju garām komunikācijas ar HR posmā. Daudzi cilvēki prasÄ«ja C++, bet es to nezināju, un man bija spēcÄ«ga sajÅ«ta, ka amati, kuros bÅ«tu nepiecieÅ”ams C++, mani Ä«paÅ”i neinteresēs.

Ir vērts atzÄ«mēt, ka aptuveni tajā paŔā laikā notika fāzes pāreja Kaggle sacensÄ«bu veidā. Pirms 2017. gada bija daudz tabulu datu un ļoti reti attēlu datu, bet, sākot ar 2017. gadu, bija daudz datorredzes uzdevumu.

DzÄ«ve ritēja Ŕādā režīmā:

  1. Darbs dienas laikā.
  2. Tehniskajā ekrānā/uz vietas jūs atpūŔaties.
  3. Vakaros un nedēļas nogalēs Kaggle + raksti / grāmatas / emuāra ziņas

2016. gada beigas iezÄ«mējās ar to, ka pievienojos kopienai Open Data Science (ODS), kas daudz ko vienkārÅ”oja. SabiedrÄ«bā ir daudz puiÅ”u ar bagātÄ«gu industriālo pieredzi, kas ļāva mums uzdot daudz stulbu jautājumu un iegÅ«t daudz gudru atbilžu. Ir arÄ« daudz ļoti spēcÄ«gu visdažādāko maŔīnmācÄ«Å”anās speciālistu, kas negaidÄ«ti ļāva man, izmantojot ODS, slēgt Å”o problēmu ar regulāru padziļinātu saziņu par datu zinātni. LÄ«dz Å”im ML izteiksmē ODS man dod vairākas reizes vairāk, nekā es saņemu darbā.

Nu, kā parasti, ODS ir pietiekami daudz speciālistu sacensÄ«bās Kaggle un citās vietnēs. Problēmu risināŔana komandā ir jautrāka un produktÄ«vāka, tāpēc ar jokiem, lamuvārdiem, mēmiem un citām neprātÄ«gām izklaidēm sākām risināt problēmas pa vienam.

2017. gada martā - komandā ar Seregu MuÅ”inski - treŔā vieta par Dstl satelÄ«tattēlu funkciju noteikÅ”ana. Zelta medaļa uz Kaggle + 20 XNUMX USD diviem. Å ajā uzdevumā tika uzlabots darbs ar satelÄ«ta attēliem + binārā segmentācija, izmantojot UNet. Emuāra ieraksts par HabrĆ© par Å”o tēmu.

Tajā paŔā martā es devos uz interviju NVidia ar Self Driving komandu. Es patieŔām cīnījos ar jautājumiem par objektu noteikŔanu. Nebija pietiekami daudz zināŔanu.

Par laimi, tajā paŔā laikā sākās objektu noteikÅ”anas konkurss par gaisa attēliem no tā paÅ”a DSTL. Dievs pats lika atrisināt problēmu un uzlabot. Vakaru un brÄ«vdienu mēnesis. Es paņēmu zināŔanas un finiŔēju otrais. Å im konkursam bija interesanta nianse noteikumos, kas noveda pie tā, ka Krievijā mani rādÄ«ja federālajos un ne tik federālajos kanālos. Es uzkāpu mājas Lenta.ru, kā arÄ« daudzās drukātajās un tieÅ”saistes publikācijās. Mail Ru Group saņēma nelielu pozitÄ«vu PR uz mana rēķina un savas naudas, un fundamentālā zinātne Krievijā tika bagātināta par 12000 XNUMX mārciņu. Kā parasti, tas tika rakstÄ«ts par Å”o tēmu emuāra ieraksts vietnē hubr. Dodieties uz turieni, lai uzzinātu vairāk.

Tajā paŔā laikā ar mani sazinājās Tesla vervētājs un piedāvāja runāt par Computer Vision pozÄ«ciju. ES piekritu. Es izskrēju cauri ņemÅ”anai mājās, diviem tehnoloÄ£iju ekrāniem, intervijai uz vietas un man bija ļoti patÄ«kama saruna ar Andreju Karpatiju, kurÅ” tikko bija pieņemts darbā Teslā par AI direktoru. Nākamais posms ir fona pārbaude. Pēc tam Elonam Muskam bija personÄ«gi jāapstiprina mans pieteikums. Tesla ir stingrs neizpauÅ”anas lÄ«gums (NDA).
Es neizturēju fona pārbaudi. Vervētājs teica, ka es daudz tērzēju tieÅ”saistē, pārkāpjot NDA. VienÄ«gā vieta, kur es kaut ko teicu par interviju Teslā, bija ODS, tāpēc paÅ”reizējā hipotēze ir tāda, ka kāds uzņēma ekrānuzņēmumu un uzrakstÄ«ja Teslas HR, un es tiku noņemts no sacensÄ«bām, lai netiktu ciests. Toreiz bija kauns. Tagad priecājos, ka tas neizdevās. Mana paÅ”reizējā pozÄ«cija ir daudz labāka, lai gan ar Andreju strādāt bÅ«tu ļoti interesanti.

TÅ«lÄ«t pēc tam es iesaistÄ«jos satelÄ«tattēlu konkursā Kaggle no Planet Labs ā€” Amazones izpratne no kosmosa. Problēma bija vienkārÅ”a un ārkārtÄ«gi garlaicÄ«ga; neviens negribēja to atrisināt, bet visi gribēja bezmaksas zelta medaļu vai naudas balvu. Tāpēc ar Kaggle Masters komandu 7 cilvēku sastāvā vienojāmies, ka metÄ«sim dzelzi. Mēs apmācÄ«jām 480 tÄ«klus režīmā ā€œfit_predictā€ un izveidojām no tiem trÄ«sstāvu ansambli. Mēs finiŔējām septÄ«tie. Emuāra ieraksts, kurā aprakstÄ«ts Artura Kuzina risinājums. Starp citu, Džeremijs Hovards, kurÅ” ir plaÅ”i pazÄ«stams kā radÄ«tājs Ātri.AI finiŔēja 23.

Pēc konkursa beigām ar drauga starpniecÄ«bu, kurÅ” strādāja AdRoll, es organizēju tikÅ”anos viņu telpās. Tur Planet Labs pārstāvji stāstÄ«ja par to, kā no viņu puses izskatās konkursa organizācija un datu atzÄ«mÄ“Å”ana. Vendija Kvana, kura strādā Kaggle un pārraudzÄ«ja konkursu, stāstÄ«ja par to, kā viņa to redzēja. Es aprakstÄ«ju mÅ«su risinājumu, trikus, paņēmienus un tehniskās detaļas. Divas treÅ”daļas skatÄ«tāju Å”o problēmu atrisināja, tāpēc jautājumi tika uzdoti lÄ«dz galam un kopumā viss bija forÅ”i. Tur bija arÄ« Džeremijs Hovards. IzrādÄ«jās, ka viņŔ finiŔēja 23. vietā, jo nemācēja sakraut maketu un nemaz nezināja par Å”o ansambļu konstruÄ“Å”anas metodi.

MaŔīnmācÄ«bas sanāksmes ielejā ļoti atŔķiras no tikÅ”anās Maskavā. Parasti tikÅ”anās ielejā ir apakŔā. Bet mÅ«sējie izrādÄ«jās labi. Diemžēl biedrs, kuram vajadzēja nospiest pogu un visu ierakstÄ«t, pogu nenospieda :)

Pēc tam mani uzaicināja sarunāties ar Deep Learning Engineer amatu Å”ajā paŔā Planet Labs un uzreiz uz vietas. Es neizturēju. Atteikuma formulējums ir tāds, ka Deep Learning nav pietiekami daudz zināŔanu.

Katru konkursu es izstrādāju kā projektu LinkedIn. Par DSTL problēmu mēs rakstÄ«jām pirmsdrukas un ievietoja to arxiv. Nevis raksts, bet tomēr maize. Iesaku arÄ« visiem citiem uzpÅ«st savu LinkedIn profilu, izmantojot konkursus, rakstus, prasmes utt. Pastāv pozitÄ«va korelācija starp jÅ«su LinkedIn profilā esoÅ”o atslēgvārdu skaitu un to, cik bieži cilvēki jums ziņo.

Ja ziemā un pavasarÄ« biju ļoti tehnisks, tad lÄ«dz augustam bija gan zināŔanas, gan paÅ”apziņa.

JÅ«lija beigās puisis, kurÅ” strādāja par datu zinātnes vadÄ«tāju uzņēmumā Lyft, sazinājās ar mani LinkedIn un uzaicināja iedzert kafiju un tērzēt par dzÄ«vi, par Lyft, par TrueAccord. Mēs runājām. ViņŔ piedāvāja intervēt savu komandu datu zinātnieka amatam. Es teicu, ka opcija darbojas, ja tā ir Computer Vision / Deep Learning no rÄ«ta lÄ«dz vakaram. ViņŔ apliecināja, ka no viņa puses iebildumu nav.

Es nosÅ«tÄ«ju savu CV, un viņŔ to augÅ”upielādēja Lyft iekŔējā portālā. Pēc tam man piezvanÄ«ja vervētājs, lai atvērtu savu CV un uzzinātu par mani vairāk. Jau no pirmajiem vārdiem bija skaidrs, ka viņam tā bija formalitāte, jo no viņa CV viņam bija skaidrs, ka "es neesmu materiāls Lyft". Laikam pēc tam mans CV nonāca miskastē.

Visu Å”o laiku, kamēr mani intervēja, es pārrunāju savas neveiksmes un kritumus ODS un puiÅ”i man sniedza atsauksmes un visādi palÄ«dzēja ar padomiem, lai gan, kā parasti, tur notika arÄ« daudz draudzÄ«gas troļļoÅ”anas.

Viens no ODS dalÄ«bniekiem piedāvāja mani savienot ar savu draugu, kurÅ” ir Lyft inženierzinātņu direktors. Ne ātrāk pateikts, kā izdarÄ«ts. Es ierados Lyft pusdienās, un bez Ŕī drauga ir arÄ« datu zinātnes vadÄ«tājs un produktu menedžeris, kurÅ” ir liels Deep Learning cienÄ«tājs. Pusdienās pļāpājām par DL. Un tā kā pusgadu esmu apmācÄ«jis tÄ«klus 24/7, lasÄ«ju kubikmetrus literatÅ«ras un palaidu uzdevumus Kaggle ar vairāk vai mazāk skaidriem rezultātiem, par Deep Learning varētu runāt stundām ilgi gan jaunu rakstu ziņā, gan praktiskās tehnikas.

Pēc pusdienām viņi paskatījās uz mani un teica - uzreiz redzams, ka tu esi izskatīgs, vai vēlies ar mums parunāt? Turklāt viņi piebilda, ka man ir skaidrs, ka var izlaist ekrānu mājās + tech. Un ka mani tūlīt uzaicinās uz vietas. ES piekritu.

Pēc tam Å”is vervētājs man piezvanÄ«ja, lai ieplānotu interviju uz vietas, un viņŔ bija neapmierināts. ViņŔ kaut ko nomurmināja par to, ka nelec pāri galvai.

Atnāca. Intervija uz vietas. Piecas stundas komunikācija ar dažādiem cilvēkiem. Nebija neviena jautājuma par Deep Learning vai par maŔīnmācÄ«bu principā. Tā kā nav Deep Learning / Computer Vision, tad mani neinteresē. Tādējādi intervijas rezultāti bija ortogonāli.

Å is vervētājs zvana un saka ā€“ apsveicu, jÅ«s esat tikuÅ”i lÄ«dz otrajai intervijai uz vietas. Tas viss ir pārsteidzoÅ”i. Kas ir otrais uz vietas? Es nekad neesmu dzirdējis par tādu lietu. ES devos. Tur ir dažas stundas, Å”oreiz viss par tradicionālo maŔīnmācÄ«bu. Tā ir labāk. Bet joprojām nav interesanti.

Personāla atlases speciālists zvana ar apsveikumiem, ka esmu izturējis treÅ”o interviju uz vietas, un sola, ka Ŕī bÅ«s pēdējā. Aizgāju apskatÄ«ties un tur bija gan DL, gan CV.

Man daudzus mēneÅ”us bija iepriekŔējs, kurÅ” man teica, ka nebÅ«s piedāvājuma. Trenējos nevis uz tehniskajām prasmēm, bet gan uz mÄ«kstajām. Nevis uz mÄ«ksto pusi, bet gan par to, ka amats tiks slēgts vai ka uzņēmums vēl neņem darbā, bet vienkārÅ”i pārbauda tirgu un kandidātu lÄ«meni.

Augusta vidus. Es izdzēru alu labi. TumÅ”as domas. Ir pagājuÅ”i 8 mēneÅ”i un joprojām nav piedāvājuma. Ir labi bÅ«t radoÅ”am zem alus, it Ä«paÅ”i, ja radoÅ”ums ir dÄ«vains. Man ienāk prātā ideja. Es dalos tajā ar Alekseju Å vecu, kurÅ” tajā laikā bija MIT pēcdoktors.

Kā bÅ«tu, ja aizietu uz tuvāko DL/CV konferenci, noskatÄ«tos tās ietvaros notiekoÅ”os konkursus, kaut ko apmācÄ«tu un iesniegtu? Tā kā visi eksperti tur veido savu karjeru uz tā un ir to darÄ«juÅ”i daudzus mēneÅ”us vai pat gadus, mums nav nekādu izredžu. Bet tas nav biedējoÅ”i. Mēs veicam kādu jēgpilnu iesniegumu, lidojam uz pēdējo vietu un pēc tam uzrakstām iepriekŔēju drukāŔanu vai rakstu par to, kā mēs neesam tādi kā visi pārējie, un runājam par savu lēmumu. Un raksts jau ir LinkedIn un tavā CV.

Tas ir, Ŕķiet, ka tas ir aktuāli un CV ir pareizāki atslēgas vārdi, kam vajadzētu nedaudz palielināt iespēju nokļūt lÄ«dz tehnoloÄ£iju ekrānam. Kods un iesniegumi no manis, teksti no Alekseja. Spēle, protams, bet kāpēc gan ne?

Ne ātrāk pateikts, kā izdarÄ«ts. Tuvākā konference, ko meklējām googlē, bija MICCAI, un tur patiesÄ«bā notika konkursi. Mēs trāpÄ«jām pirmajam. Tas bija Kuņģa-zarnu trakta attēla analÄ«ze (GIANA). Uzdevumam ir 3 apakÅ”uzdevumi. LÄ«dz termiņa beigām bija atlikuÅ”as 8 dienas. No rÄ«ta es atjēdzos, bet neatteicos no Ŕīs idejas. Es paņēmu savus cauruļvadus no Kaggle un pārslēdzu tos no satelÄ«ta datiem uz medicÄ«niskajiem. 'fit_predict'. Aleksejs katrai problēmai sagatavoja divu lappuÅ”u garu risinājumu aprakstu, un mēs to nosÅ«tÄ«jām. Gatavs. Teorētiski jÅ«s varat izelpot. Bet izrādÄ«jās, ka tai paÅ”ai darbnÄ«cai bija vēl viens uzdevums (Robotu instrumentu segmentÄ“Å”ana). Tā mēs arÄ« izdarÄ«jām.

AtŔķirÄ«bā no Kaggle, Å”iem konkursiem bija sava akadēmiskā specifika:

  1. Nav līderu saraksta. Iesniegumi tiek nosūtīti pa e-pastu.
  2. Jūs tiksiet noņemts, ja komandas pārstāvis neieradīsies prezentēt risinājumu konferencē Seminārā.
  3. Jūsu vieta līderu sarakstā kļūst zināma tikai konferences laikā. Sava veida akadēmiska drāma.

MICCAI 2017 konference notika Kvebekas pilsētā. Ja godīgi, jau septembrī sāku izdegt, tāpēc ideja par nedēļu atvaļinājumu no darba un doties uz Kanādu izskatījās interesanta.

Atnāca uz konferenci. Es atnācu uz Å”o darbnÄ«cu, es nevienu nepazÄ«stu, es sēžu stÅ«rÄ«. Visi viens otru pazÄ«st, sazinās, izmet gudrus medicÄ«niskus vārdus. Pirmā konkursa apskats. DalÄ«bnieki runā un runā par saviem lēmumiem. Tur ir forÅ”i, ar dzirksti. Mana kārta. Un man kaut kā pat ir kauns. Viņi atrisināja problēmu, strādāja pie tās, attÄ«stÄ«ja zinātni, un mēs esam tikai ā€œfit_predictā€ no pagātnes norisēm, nevis zinātnei, bet gan, lai uzlabotu savu CV.

ViņŔ iznāca un teica, ka arÄ« es neesmu eksperts medicÄ«nā, atvainojās, ka tērēju viņu laiku, un parādÄ«ja man vienu slaidu ar risinājumu. Nogāju lejā uz gaiteni.

Viņi paziņo par pirmo apakÅ”uzdevumu - mēs esam pirmie, un ar starpÄ«bu.
Tiek paziņots par otro un treÅ”o.
Viņi paziņo treÅ”o - atkal pirmais un atkal ar vadÄ«bu.
Ģenerālis ir pirmais.

No fiziÄ·iem lÄ«dz datu zinātnei (no zinātnes dzinējiem lÄ«dz biroja planktonam). TreŔā daļa

Oficiālā preses relīze.

Daži no skatÄ«tājiem smaida un skatās uz mani ar cieņu. Citiem, kas acÄ«mredzot tika uzskatÄ«ti par ekspertiem Å”ajā jomā, bija saņēmuÅ”i dotāciju Å”im uzdevumam un bija to darÄ«juÅ”i daudzus gadus, bija nedaudz izkropļota sejas izteiksme.

Nākamais ir otrais uzdevums, kurā ir trīs apakŔuzdevumi un kas ir pārcelts par četrām dienām.

Te arī es atvainojos un vēlreiz parādīju mūsu vienu slaidu.
Tas pats stāsts. Divi pirmie, viens otrais, parasts pirmais.

Es domāju, ka Ŕī, iespējams, ir pirmā reize vēsturē, kad kolekcijas aÄ£entÅ«ra ir uzvarējusi medicÄ«niskās attēlveidoÅ”anas konkursā.

Un tagad es stāvu uz skatuves, viņi man pasniedz kaut kādu diplomu, un es esmu bombardēta. Kā pie velna tas var bÅ«t? Å ie akadēmiÄ·i tērē nodokļu maksātāju naudu, strādā pie tā, lai ārstiem vienkārÅ”otu un uzlabotu darba kvalitāti, tas ir, teorētiski, manu dzÄ«ves ilgumu, un kaut kāds Ä·ermenis visu Å”o akadēmisko personālu dažu vakaru laikā saplēsa Lielbritānijas karogā.

Bonuss tam ir tas, ka citās komandās maÄ£istrantiem, kuri daudzus mēneÅ”us strādājuÅ”i ar Å”iem uzdevumiem, bÅ«s HR pievilcÄ«gs CV, tas ir, viņi viegli nokļūs tehnoloÄ£iju ekrānā. Un manu acu priekŔā ir tikko saņemts e-pasts:

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.

Kopumā tieÅ”i no skatuves es jautāju skatÄ«tājiem: "Vai kāds zina, kur es strādāju?" Viens no konkursa organizatoriem zināja - viņŔ Google meklēja, kas ir TrueAccord. Pārējie nav. Es turpinu: ā€œEs strādāju savākÅ”anas aÄ£entÅ«rā, un darbā es nenodarbojos ar ne Computer Vision, ne Deep Learning. Un daudzējādā ziņā tas notiek tāpēc, ka Google Brain un Deepmind personāla nodaļas filtrē manu CV, nedodot man iespēju parādÄ«t tehnisko apmācÄ«bu. "

Viņi nodeva sertifikātu, pārtraukums. AkadēmiÄ·u grupa mani pavelk malā. IzrādÄ«jās, ka Ŕī ir VeselÄ«bas grupa ar Deepmind. Viņi bija tik pārsteigti, ka nekavējoties gribēja ar mani runāt par pētniecÄ«bas inženiera vakanci viņu komandā. (Mēs runājām. Å Ä« saruna ilga 6 mēneÅ”us, izturēju lÄ«dzi paņemÅ”anu mājās, viktorÄ«nu, bet tehnikas ekrānā tiku Ä«si. 6 mēneÅ”i no saziņas sākuma lÄ«dz tehnoloÄ£iju ekrānam ir ilgs laiks. Ilgā gaidÄ«Å”ana dod garÅ”u no bezjēdzÄ«bas.Pētnieciskais inženieris Deepmind Londonā, uz TrueAccord fona bija spēcÄ«gs solis uz augÅ”u, bet uz mana paÅ”reizējā amata fona tas ir solis uz leju.No divu gadu attāluma, kas pagājuÅ”i kopÅ” tā laika, tas ir labi ka tā nebija.)

Secinājums

Aptuveni tajā paŔā laikā es saņēmu piedāvājumu no Lyft, kuru es pieņēmu.
Pamatojoties uz Å”o divu konkursu ar MICCAI rezultātiem, tika publicēti Ŕādi:

  1. Automātiska instrumentu segmentācija ķirurģijā ar robotu palīdzību, izmantojot dziļu mācīŔanos
  2. Angiodisplāzijas noteikŔana un lokalizācija, izmantojot dziļos konvolucionālos neironu tīklus
  3. 2017. gada robotu instrumentu segmentācijas izaicinājums

Tas ir, neskatoties uz idejas mežonÄ«gumu, pakāpenisku rakstu un priekÅ”druku pievienoÅ”ana konkursa kārtÄ«bā darbojas labi. Un turpmākajos gados mēs to padarÄ«jām vēl sliktāku.

No fiziÄ·iem lÄ«dz datu zinātnei (no zinātnes dzinējiem lÄ«dz biroja planktonam). TreŔā daļa

Pēdējos pāris gadus esmu strādājis uzņēmumā Lyft, nodarbojoties ar Computer Vision/Deep Learning for Self Driving automobiļiem. Tas ir, es saņēmu to, ko gribēju. Un uzdevumi, un augsta statusa uzņēmums, un spēcīgi kolēģi, un visi citi labumi.

Å o mēneÅ”u laikā esmu sazinājies gan ar lieliem uzņēmumiem Google, Facebook, Uber, LinkedIn, gan ar dažāda lieluma jaunuzņēmumu jÅ«ru.

Tas sāpēja visus Å”os mēneÅ”us. Visums katru dienu stāsta jums kaut ko ne pārāk patÄ«kamu. Regulārs noraidÄ«jums, regulāras kļūdas, un tas viss ir aromatizēts ar pastāvÄ«gu bezcerÄ«bas sajÅ«tu. Nav garantiju, ka tev izdosies, bet ir sajÅ«ta, ka esi muļķis. Tas ļoti atgādina to, kā es mēģināju atrast darbu tÅ«lÄ«t pēc universitātes.

Domāju, ka daudzi meklēja darbu ielejā un viņiem viss bija daudz vieglāk. Triks, manuprāt, ir Ŕāds. Ja meklējat darbu jomā, kurā saprotat, jums ir liela pieredze un jÅ«su CV teikts tas pats, problēmu nav. Paņēmu un atradu. Ir daudz brÄ«vu vietu.

Bet, ja jÅ«s meklējat darbu jomā, kas jums ir jauna, tas ir, kad nav zināŔanu, nav savienojumu un jÅ«su CV ir kaut kas nepareizi - Å”ajā brÄ«dÄ« viss kļūst ārkārtÄ«gi interesanti.

Å obrÄ«d man regulāri raksta personāla atlases speciālisti un piedāvā darÄ«t to paÅ”u, ko es daru tagad, bet citā uzņēmumā. PatieŔām ir pienācis laiks mainÄ«t darbu. Bet nav jēgas darÄ«t to, kas man jau ir labs. Par ko?

Bet tam, ko es gribu, man atkal nav ne zināŔanu, ne rindu manā CV. Redzēsim, kā tas viss beigsies. Ja viss bÅ«s labi, es uzrakstÄ«Å”u nākamo daļu. šŸ™‚

Avots: www.habr.com

Pievieno komentāru