भौतिकशास्त्रज्ञांपासून डेटा सायन्सपर्यंत (विज्ञानाच्या इंजिनपासून ऑफिस प्लँक्टनपर्यंत). तिसरा भाग

हे चित्र आर्थर कुझिनचे आहे (n01z3), ब्लॉग पोस्टच्या सामग्रीचा अगदी अचूकपणे सारांश देतो. परिणामी, खालील कथन अत्यंत उपयुक्त आणि तांत्रिक गोष्टींपेक्षा शुक्रवारच्या कथेसारखे समजले पाहिजे. याव्यतिरिक्त, हे लक्षात घेण्यासारखे आहे की मजकूर इंग्रजी शब्दांनी समृद्ध आहे. त्यांपैकी काहींचे भाषांतर कसे करावे हे मला माहीत नाही आणि मला काहींचे भाषांतर करायचे नाही.

पहिला भाग.
दुसरा भाग.

शैक्षणिक वातावरणातून औद्योगिक वातावरणात कसे स्थित्यंतर झाले ते पहिल्या दोन भागांत दिसून येते. या एकामध्ये, पुढे काय झाले याबद्दल संभाषण केले जाईल.

तो जानेवारी 2017 होता. त्या वेळी, माझ्याकडे कामाचा एक वर्षाचा अनुभव होता आणि मी कंपनीत सॅन फ्रान्सिस्कोमध्ये काम केले. TrueAcord Sr सारखे डेटा सायंटिस्ट.

TrueAccord हे कर्ज संकलन स्टार्टअप आहे. सोप्या भाषेत - संकलन एजन्सी. कलेक्टर सहसा खूप कॉल करतात. आम्ही बरेच ईमेल पाठवले, परंतु काही कॉल केले. प्रत्येक ईमेलने कंपनीच्या वेबसाइटवर नेले, जिथे कर्जदाराला कर्जावर सवलत दिली गेली आणि हप्त्यांमध्ये पैसे देण्याची परवानगी देखील दिली गेली. या दृष्टिकोनामुळे चांगले संकलन, स्केलिंगसाठी परवानगी आणि खटल्यांमध्ये कमी प्रदर्शनास कारणीभूत ठरले.

कंपनी सामान्य होती. उत्पादन स्पष्ट आहे. व्यवस्थापन सुज्ञ आहे. ठिकाण चांगले आहे.

दरीतील लोक सरासरी दीड वर्ष एकाच ठिकाणी काम करतात. म्हणजेच, तुम्ही कोणत्याही कंपनीसाठी काम करता हे फक्त एक लहान पाऊल आहे. या पायरीवर तुम्ही काही पैसे गोळा कराल, नवीन ज्ञान, कौशल्ये, कनेक्शन आणि तुमच्या रेझ्युमेमध्ये ओळी मिळवाल. यानंतर पुढील चरणात संक्रमण होते.

TrueAccord मध्येच, मी ईमेल वृत्तपत्रांना शिफारस प्रणाली संलग्न करण्यात तसेच फोन कॉलला प्राधान्य देण्यात गुंतलो होतो. प्रभाव समजण्याजोगा आहे आणि A/B चाचणीद्वारे डॉलरमध्ये चांगले मोजले गेले. माझ्या येण्याआधी मशीन लर्निंग नसल्यामुळे माझ्या कामाचा परिणाम वाईट झाला नाही. पुन्हा, आधीपासून मोठ्या प्रमाणावर ऑप्टिमाइझ केलेल्या एखाद्या गोष्टीपेक्षा काहीतरी सुधारणे खूप सोपे आहे.

या प्रणालींवर सहा महिने काम केल्यानंतर, त्यांनी माझे मूळ वेतन $150k वरून $163k पर्यंत वाढवले. समाजात ओपन डेटा सायन्स (ODS) सुमारे $163k एक मेम आहे. ते येथून पायांनी वाढते.

हे सर्व आश्चर्यकारक होते, परंतु ते कोठेही नेले नाही, किंवा ते नेतृत्व केले, परंतु तेथे नाही.

मला TrueAccord बद्दल खूप आदर आहे, कंपनी आणि मी तिथे काम केलेल्या लोकांबद्दल. मी त्यांच्याकडून बरेच काही शिकलो, परंतु मला संग्रह एजन्सीमध्ये शिफारस प्रणालीवर जास्त काळ काम करायचे नव्हते. या पायरीवरून तुम्हाला कुठल्यातरी दिशेने पाऊल टाकायचे होते. जर पुढे आणि वर नाही तर किमान बाजूने.

मला काय आवडले नाही?

1. मशीन लर्निंगच्या दृष्टीकोनातून, समस्यांनी मला उत्तेजित केले नाही. मला काहीतरी फॅशनेबल, तरुण हवे होते, ते म्हणजे डीप लर्निंग, कॉम्प्युटर व्हिजन, विज्ञानाच्या जवळ किंवा किमान किमया.
2. एक स्टार्टअप आणि अगदी कलेक्शन एजन्सीलाही उच्च पात्र कर्मचारी नियुक्त करण्यात समस्या आहेत. स्टार्टअप म्हणून, ते जास्त पैसे देऊ शकत नाही. पण संकलन एजन्सी म्हणून ती स्थिती गमावते. ढोबळमानाने सांगायचे तर, डेटवर एखाद्या मुलीने विचारले की तू कुठे काम करतोस? तुमचे उत्तर: “Google वर” हे “कलेक्शन एजन्सी” पेक्षा मोठे ऑर्डर्स वाटतात. मला या गोष्टीचा किंचित त्रास झाला की, माझ्या विपरीत, Google आणि Facebook वर काम करणाऱ्या माझ्या मित्रांसाठी, त्यांच्या कंपनीच्या नावाने असे दरवाजे उघडले: तुम्हाला कॉन्फरन्समध्ये आमंत्रित केले जाऊ शकते किंवा स्पीकर म्हणून भेटले जाऊ शकते किंवा अधिक मनोरंजक लोक LinkedIn वर लिहितात. चहाच्या ग्लासवर भेटण्याची आणि गप्पा मारण्याच्या ऑफरसह. मला वैयक्तिकरित्या माहित नसलेल्या लोकांशी संवाद साधणे मला खरोखर आवडते. म्हणून जर तुम्ही सॅन फ्रान्सिस्कोमध्ये रहात असाल तर लिहायला अजिबात संकोच करू नका - चला कॉफी आणि बोलूया.
3. माझ्या व्यतिरिक्त तीन डेटा सायंटिस्ट कंपनीत काम करत होते. मी मशीन लर्निंगवर काम करत होतो आणि ते इतर डेटा सायन्स टास्कवर काम करत होते, जे इथून उद्यापर्यंत कोणत्याही स्टार्टअपमध्ये सामान्य आहेत. परिणामी, त्यांना मशीन लर्निंग खरोखरच समजले नाही. पण वाढण्यासाठी, मला कोणाशी तरी संवाद साधावा लागेल, लेख आणि ताज्या घडामोडींवर चर्चा करावी लागेल आणि शेवटी सल्ला विचारावा लागेल.

काय उपलब्ध होते?

1. शिक्षण: भौतिकशास्त्र, संगणक विज्ञान नाही.
2. मला माहित असलेली एकमेव प्रोग्रामिंग भाषा पायथन होती. अशी भावना होती की मला C++ वर स्विच करणे आवश्यक आहे, परंतु तरीही मी त्याकडे जाऊ शकलो नाही.
3. उद्योगात दीड वर्ष काम. शिवाय, कामावर मी डीप लर्निंग किंवा कॉम्प्युटर व्हिजनचा अभ्यास केला नाही.
4. रेझ्युमेमध्ये डीप लर्निंग / कॉम्प्युटर व्हिजनवर एकही लेख नाही.
5. एक कागले मास्टर अचिव्हमेंट होते.

तुला काय हवे होते?

1. अशी स्थिती जिथे अनेक नेटवर्कला प्रशिक्षित करणे आवश्यक असेल आणि संगणकाच्या दृष्टीच्या जवळ.
2. गुगल, टेस्ला, फेसबुक, उबेर, लिंक्डइन, इत्यादीसारख्या मोठ्या कंपनी असल्यास ते चांगले आहे. जरी एक चिमूटभर, एक स्टार्टअप करेल.
3. मला संघातील सर्वात मोठा मशीन लर्निंग तज्ञ असण्याची गरज नाही. वरिष्ठ कॉम्रेड, मार्गदर्शक आणि सर्व प्रकारच्या संवादाची नितांत गरज होती, ज्यामुळे शिकण्याची प्रक्रिया वेगवान व्हायला हवी होती.
4. औद्योगिक अनुभव नसलेल्या पदवीधरांना दरवर्षी $300-500k ची एकूण भरपाई कशी मिळते याबद्दल ब्लॉग पोस्ट वाचल्यानंतर, मला त्याच श्रेणीत जायचे होते. हे मला इतके त्रास देत नाही, परंतु ते म्हणतात की ही एक सामान्य घटना आहे, परंतु माझ्याकडे कमी आहे, तर हा एक संकेत आहे.

हे कार्य पूर्णपणे सोडवण्यायोग्य वाटले, जरी आपण कोणत्याही कंपनीत जाऊ शकता अशा अर्थाने नाही, परंतु त्याऐवजी आपण उपाशी राहिल्यास सर्वकाही कार्य करेल. म्हणजेच, दहापट किंवा शेकडो प्रयत्न, आणि प्रत्येक अपयश आणि प्रत्येक नकाराच्या वेदनांचा उपयोग लक्ष केंद्रित करण्यासाठी, स्मरणशक्ती सुधारण्यासाठी आणि दिवस 36 तासांपर्यंत वाढवण्यासाठी केला पाहिजे.

मी माझा रेझ्युमे ट्विक केला, तो पाठवायला सुरुवात केली आणि मुलाखतीला जायला सुरुवात केली. एचआरशी संवादाच्या टप्प्यावर मी त्यापैकी बहुतेकांना मागे टाकले. बर्‍याच लोकांना C++ ची आवश्यकता होती, परंतु मला ते माहित नव्हते आणि C++ आवश्यक असलेल्या पदांमध्ये मला फारसा रस नसल्याची मला तीव्र भावना होती.

हे लक्षात घेण्यासारखे आहे की त्याच वेळी कागलेवरील स्पर्धांच्या प्रकारात एक फेज संक्रमण होते. 2017 पूर्वी भरपूर सारणीबद्ध डेटा आणि फारच क्वचित चित्र डेटा होता, परंतु 2017 पासून संगणकाच्या दृष्टीची बरीच कामे होती.

जीवन खालील मोडमध्ये वाहते:

1. दिवसा काम करा.
2. जेव्हा टेक स्क्रीन / ऑनसाइट तुम्ही वेळ काढता.
3. संध्याकाळ आणि शनिवार व रविवार Kaggle + लेख / पुस्तके / ब्लॉग पोस्ट

2016 च्या शेवटी मी समुदायात सामील झालो याने चिन्हांकित केले ओपन डेटा सायन्स (ODS), ज्याने बर्‍याच गोष्टी सरलीकृत केल्या. समाजात समृद्ध औद्योगिक अनुभव असलेले बरेच लोक आहेत, ज्यामुळे आम्हाला बरेच मूर्ख प्रश्न विचारता आले आणि बरीच स्मार्ट उत्तरे मिळाली. सर्व पट्ट्यांचे बरेच मजबूत मशीन लर्निंग विशेषज्ञ देखील आहेत, ज्यांनी, अनपेक्षितपणे, मला ODS द्वारे, डेटा सायन्सबद्दल नियमित सखोल संवादासह समस्या बंद करण्याची परवानगी दिली. आत्तापर्यंत, ML च्या बाबतीत, ODS मला कामावर जे काही मिळते त्यापेक्षा कितीतरी पट जास्त देते.

बरं, नेहमीप्रमाणे, ODS मध्ये Kaggle आणि इतर साइटवरील स्पर्धांमध्ये पुरेसे विशेषज्ञ आहेत. संघातील समस्यांचे निराकरण करणे अधिक मजेदार आणि फलदायी आहे, म्हणून विनोद, शपथ, मीम्स आणि इतर विचित्र मनोरंजनांसह, आम्ही एक-एक करून समस्या सोडवण्यास सुरुवात केली.

मार्च 2017 मध्ये - सेरेगा मुशिन्स्कीसह संघात - तिसरे स्थान Dstl उपग्रह प्रतिमा वैशिष्ट्य शोध. Kaggle वर सुवर्णपदक + दोनसाठी $20k. या कार्यावर, UNet द्वारे उपग्रह प्रतिमा + बायनरी सेगमेंटेशनसह कार्य सुधारले गेले. या विषयावर Habré वर ब्लॉग पोस्ट.

त्याच मार्चमध्ये मी सेल्फ ड्रायव्हिंग टीमसोबत NVidia येथे मुलाखतीसाठी गेलो होतो. ऑब्जेक्ट डिटेक्शनबद्दलच्या प्रश्नांशी मला खरोखर संघर्ष करावा लागला. पुरेसे ज्ञान नव्हते.

सुदैवाने, त्याच वेळी, त्याच DSTL वरून हवाई प्रतिमांवर ऑब्जेक्ट डिटेक्शन स्पर्धा सुरू झाली. देवाने स्वतः समस्या सोडवण्याचे आणि अपग्रेड करण्याचे आदेश दिले. संध्याकाळ आणि शनिवार व रविवार एक महिना. मी ज्ञान उचलले आणि दुसरा क्रमांक पटकावला. या स्पर्धेला नियमांमध्ये एक मनोरंजक सूक्ष्मता होती, ज्यामुळे मला रशियामध्ये फेडरल चॅनेलवर दाखवले गेले नाही तर फेडरल चॅनेलवर. मी वर गेलो मुख्यपृष्ठ Lenta.ru, आणि मुद्रित आणि ऑनलाइन प्रकाशनांच्या समूहात. मेल रु ग्रुपला माझ्या खर्चावर आणि स्वतःच्या पैशावर थोडा सकारात्मक पीआर मिळाला आणि रशियामधील मूलभूत विज्ञान 12000 पौंडांनी समृद्ध झाले. नेहमीप्रमाणे या विषयावर लिहिले होते hubr वर ब्लॉग पोस्ट. तपशीलांसाठी तेथे जा.

त्याच वेळी, टेस्ला रिक्रूटरने माझ्याशी संपर्क साधला आणि संगणक व्हिजन स्थितीबद्दल बोलण्याची ऑफर दिली. मी मान्य केले. मी टेक होम, दोन टेक स्क्रीन, ऑनसाइट मुलाखत, आणि टेस्ला येथे नुकतेच एआयचे संचालक म्हणून नियुक्त झालेल्या आंद्रेई करपथी यांच्याशी खूप आनंददायी संभाषण केले. पुढील टप्पा पार्श्वभूमी तपासणी आहे. त्यानंतर, इलॉन मस्क यांना वैयक्तिकरित्या माझा अर्ज मंजूर करावा लागला. टेस्लाचा कठोर नॉन-डिस्क्लोजर करार (NDA) आहे.
मी बॅकग्राउंड चेक पास केला नाही. एनडीएचे उल्लंघन करून मी ऑनलाइन खूप गप्पा मारतो, असे रिक्रूटरने सांगितले. टेस्ला येथे मुलाखतीबद्दल मी काहीही बोललो ते एकमेव ठिकाण ओडीएस होते, त्यामुळे सध्याची गृहीतक अशी आहे की कोणीतरी स्क्रीनशॉट घेतला आणि टेस्ला येथील एचआरला लिहिले आणि मला हानीच्या मार्गाने शर्यतीतून काढून टाकण्यात आले. तेव्हा लाज वाटली. आता मला आनंद आहे की ते कार्य करत नाही. माझी सध्याची स्थिती खूपच चांगली आहे, जरी आंद्रेसोबत काम करणे खूप मनोरंजक असेल.

त्यानंतर लगेचच मी कागलवरील उपग्रह प्रतिमा स्पर्धेत उतरलो प्लॅनेट लॅब्स - स्पेसमधून ऍमेझॉन समजून घेणे. समस्या सोपी आणि अत्यंत कंटाळवाणी होती; कोणालाही ती सोडवायची नव्हती, परंतु प्रत्येकाला विनामूल्य सुवर्णपदक किंवा बक्षीस रक्कम हवी होती. त्यामुळे 7 जणांच्या कागले मास्टर्सच्या चमूने आम्ही लोखंडी फेकणार असल्याचे मान्य केले. आम्ही 480 नेटवर्क्सना 'fit_predict' मोडमध्ये प्रशिक्षित केले आणि त्यातून तीन मजली जोडणी तयार केली. आम्ही सातव्या क्रमांकावर आलो. आर्थर कुझिन कडील उपाय वर्णन करणारे ब्लॉग पोस्ट. तसे, जेरेमी हॉवर्ड, जो मोठ्या प्रमाणावर निर्माता म्हणून ओळखला जातो फास्ट.एआय 23 पूर्ण झाले.

स्पर्धा संपल्यानंतर, अॅडरोलमध्ये काम करणाऱ्या मित्रामार्फत, मी त्यांच्या आवारात मीटअप आयोजित केला. प्लॅनेट लॅबच्या प्रतिनिधींनी त्यांच्या भागावर स्पर्धा आणि डेटा मार्किंगची संस्था कशी दिसते याबद्दल तेथे बोलले. कागल येथे काम करणाऱ्या आणि स्पर्धेचे निरीक्षण करणाऱ्या वेंडी क्वान यांनी ती कशी पाहिली याबद्दल बोलले. मी आमचे उपाय, युक्त्या, तंत्रे आणि तांत्रिक तपशीलांचे वर्णन केले आहे. दोन तृतीयांश श्रोत्यांनी या समस्येचे निराकरण केले, म्हणून प्रश्न बिंदूवर विचारले गेले आणि सर्वसाधारणपणे सर्व काही छान होते. जेरेमी हॉवर्डही तिथे होता. असे दिसून आले की तो 23 व्या स्थानावर राहिला कारण त्याला मॉडेल कसे स्टॅक करायचे हे माहित नव्हते आणि त्याला जोडे बांधण्याच्या या पद्धतीबद्दल अजिबात माहित नव्हते.

मशीन लर्निंगवर खोऱ्यातील मीटअप मॉस्कोमधील मीटअपपेक्षा खूप वेगळ्या आहेत. एक नियम म्हणून, घाटी मध्ये मीटअप तळाशी आहेत. पण आमचे चांगले निघाले. दुर्दैवाने, ज्या कॉम्रेडला बटण दाबायचे होते आणि सर्वकाही रेकॉर्ड करायचे होते त्यांनी बटण दाबले नाही :)

त्यानंतर, मला याच प्लॅनेट लॅबमध्ये डीप लर्निंग इंजिनीअरच्या पदावर बोलण्यासाठी आणि ताबडतोब ऑनसाइट बोलण्यासाठी आमंत्रित केले गेले. मी पास झालो नाही. डीप लर्निंगमध्‍ये पुरेसे ज्ञान नसल्‍याचा नकार देण्‍यात आला आहे.

मी प्रत्येक स्पर्धेला प्रोजेक्ट म्हणून डिझाइन केले संलग्न. DSTL समस्येसाठी आम्ही लिहिले प्रिंट प्रिंट आणि arxiv वर पोस्ट केले. लेख नाही, पण तरीही भाकरी. मी इतर प्रत्येकाला त्यांचे LinkedIn प्रोफाइल स्पर्धा, लेख, कौशल्ये इत्यादीद्वारे वाढवण्याची शिफारस करतो. तुमच्या लिंक्डइन प्रोफाईलमध्ये तुमच्याकडे किती कीवर्ड आहेत आणि लोक तुम्हाला किती वेळा मेसेज करतात याचा सकारात्मक संबंध आहे.

जर हिवाळ्यात आणि वसंत ऋतूमध्ये मी खूप तांत्रिक होतो, तर ऑगस्टपर्यंत मला ज्ञान आणि आत्मविश्वास दोन्ही होता.

जुलैच्या शेवटी, Lyft येथे डेटा सायन्स मॅनेजर म्हणून काम करणाऱ्या एका व्यक्तीने माझ्याशी LinkedIn वर संपर्क साधला आणि मला कॉफी आणि जीवनाबद्दल, Lyft बद्दल, TrueAccord बद्दल गप्पा मारण्यासाठी आमंत्रित केले. आम्ही बोललो. त्यांनी डेटा सायंटिस्टच्या पदासाठी त्यांच्या टीमसोबत मुलाखत घेण्याची ऑफर दिली. मी म्हटलं की सकाळपासून संध्याकाळपर्यंत कॉम्प्युटर व्हिजन / डीप लर्निंग असा पर्याय कार्यरत आहे. त्यांच्याकडून कोणताही आक्षेप नसल्याची ग्वाही त्यांनी दिली.

मी माझा रेझ्युमे पाठवला आणि त्याने तो लिफ्टच्या अंतर्गत पोर्टलवर अपलोड केला. त्यानंतर, भर्तीकर्त्याने मला माझा रेझ्युमे उघडण्यासाठी आणि माझ्याबद्दल अधिक जाणून घेण्यासाठी बोलावले. पहिल्याच शब्दांपासून, हे स्पष्ट होते की त्याच्यासाठी ही एक औपचारिकता होती, कारण त्याच्या बायोडाटामधून हे स्पष्ट होते की "मी लिफ्टसाठी साहित्य नाही." माझा अंदाज आहे की त्यानंतर माझा रेझ्युमे कचरापेटीत गेला.

या सर्व वेळी, माझी मुलाखत घेतली जात असताना, मी ODS मधील माझ्या अपयश आणि पडझडींबद्दल चर्चा केली आणि मुलांनी मला अभिप्राय दिला आणि सल्ल्याद्वारे मला शक्य तितक्या सर्व प्रकारे मदत केली, जरी नेहमीप्रमाणे, तेथे खूप मैत्रीपूर्ण ट्रोलिंग देखील होते.

ODS सदस्यांपैकी एकाने मला त्याच्या मित्राशी जोडण्याची ऑफर दिली, जो Lyft येथे अभियांत्रिकी संचालक आहे. पूर्ण करण्यापेक्षा लवकर सांगितले नाही. मी लंचसाठी लिफ्टमध्ये येतो आणि या मित्राशिवाय डेटा सायन्सचे प्रमुख आणि एक उत्पादन व्यवस्थापक देखील आहे जो डीप लर्निंगचा मोठा चाहता आहे. दुपारच्या जेवणात आम्ही DL वर गप्पा मारल्या. आणि मी अर्ध्या वर्षापासून 24/7 नेटवर्कला प्रशिक्षण देत असल्याने, क्यूबिक मीटर साहित्य वाचले आहे, आणि कमी-अधिक स्पष्ट परिणामांसह कागलवर कार्ये चालवली आहेत, मी नवीन लेख आणि दोन्ही बाबतीत डीप लर्निंगबद्दल तासनतास बोलू शकलो. व्यावहारिक तंत्रे.

दुपारच्या जेवणानंतर त्यांनी माझ्याकडे पाहिले आणि म्हणाले - हे लगेच स्पष्ट आहे की तू देखणा आहेस, तुला आमच्याशी बोलायचे आहे का? शिवाय, त्यांनी जोडले की मला हे स्पष्ट आहे की टेक होम + टेक स्क्रीन वगळली जाऊ शकते. आणि मला ऑनसाइटवर त्वरित आमंत्रित केले जाईल. मी मान्य केले.

त्यानंतर, त्या रिक्रूटरने मला ऑनसाइट मुलाखत शेड्यूल करण्यासाठी बोलावले आणि तो असमाधानी होता. तुमच्या डोक्यावरून उडी न मारण्याबद्दल तो काहीतरी बडबडला.

आले. ऑनसाईट मुलाखत. वेगवेगळ्या लोकांशी पाच तास संवाद. डीप लर्निंगबद्दल किंवा तत्त्वतः मशीन लर्निंगबद्दल एकही प्रश्न नव्हता. डीप लर्निंग / कॉम्प्युटर व्हिजन नसल्याने मला त्यात रस नाही. अशा प्रकारे, मुलाखतीचे निकाल ऑर्थोगोनल होते.

हा रिक्रूटर कॉल करतो आणि म्हणतो - अभिनंदन, तुम्ही दुसऱ्या ऑनसाइट मुलाखतीला गेलात. हे सर्व आश्चर्यकारक आहे. दुसरी ऑनसाइट काय आहे? असा प्रकार मी कधीच ऐकला नाही. मी गेलो. तेथे काही तास आहेत, यावेळी सर्व पारंपारिक मशीन शिक्षणाबद्दल. हे उत्तम झाले. पण तरीही मनोरंजक नाही.

मी तिसरी ऑनसाईट मुलाखत उत्तीर्ण झालो आहे आणि ही शेवटची असेल अशी शपथ घेऊन भर्ती करणारे अभिनंदन करतात. मी ते बघायला गेलो आणि तिथे DL आणि CV दोन्ही होते.

माझ्याकडे अनेक महिन्यांपूर्वी एक होता ज्याने मला सांगितले की कोणतीही ऑफर नाही. मी तांत्रिक कौशल्यांवर नाही तर सॉफ्ट कौशल्यांवर प्रशिक्षण देईन. मऊ बाजूने नाही, परंतु हे स्थान बंद केले जाईल किंवा कंपनी अद्याप कामावर घेत नाही या वस्तुस्थितीवर, परंतु केवळ बाजार आणि उमेदवारांची पातळी तपासत आहे.

मध्य ऑगस्ट. मी ठीक आहे बिअर प्यायली. गडद विचार. 8 महिने उलटून गेले तरीही ऑफर नाही. बिअरच्या खाली सर्जनशील असणे चांगले आहे, विशेषत: जर सर्जनशीलता विचित्र असेल. माझ्या मनात एक कल्पना येते. मी ते अॅलेक्सी श्वेट्ससोबत शेअर केले, जे त्या वेळी एमआयटीमध्ये पोस्टडॉक होते.

जर तुम्ही जवळची DL/CV परिषद घेतली, त्याचा भाग म्हणून आयोजित केलेल्या स्पर्धा पाहिल्या, काहीतरी प्रशिक्षण दिले आणि सबमिट केले तर? तिथले सर्व तज्ज्ञ यावर आपले करिअर घडवत असल्याने आणि अनेक महिने किंवा अगदी वर्षापासून हे करत असल्याने आम्हाला संधी नाही. पण ते भितीदायक नाही. आम्ही काही अर्थपूर्ण सबमिशन करतो, शेवटच्या ठिकाणी उडतो आणि त्यानंतर आम्ही प्री-प्रिंट किंवा लेख लिहितो की आम्ही इतरांसारखे कसे नाही आणि आमच्या निर्णयाबद्दल बोलतो. आणि लेख आधीच LinkedIn वर आणि तुमच्या रेझ्युमेमध्ये आहे.

म्हणजेच, ते संबंधित असल्याचे दिसते आणि रेझ्युमेमध्ये अधिक अचूक कीवर्ड आहेत, ज्याने टेक स्क्रीनवर येण्याची शक्यता किंचित वाढवली पाहिजे. माझ्याकडून कोड आणि सबमिशन, अॅलेक्सी कडील मजकूर. खेळ, नक्कीच, पण का नाही?

पूर्ण करण्यापेक्षा लवकर सांगितले नाही. आम्ही गुगल केलेली सर्वात जवळची परिषद MICCAI होती आणि प्रत्यक्षात तिथे स्पर्धा होत्या. आम्ही पहिला फटका मारला. ते होते गॅस्ट्रोइंटेस्टाइनल इमेज अॅनालिसिस (GIANA). टास्कमध्ये 3 सबटास्क आहेत. मुदत संपायला आठ दिवस बाकी होते. मी सकाळी शांत झालो, पण मी कल्पना सोडली नाही. मी माझ्या पाइपलाइन कागलकडून घेतल्या आणि त्या सॅटेलाइट डेटावरून मेडिकलमध्ये बदलल्या. 'fit_predict'. अॅलेक्सीने प्रत्येक समस्येच्या निराकरणाचे दोन पृष्ठांचे वर्णन तयार केले आणि आम्ही ते पाठवले. तयार. सिद्धांततः, आपण श्वास सोडू शकता. पण त्याच कार्यशाळेसाठी आणखी एक कार्य असल्याचे निष्पन्न झाले (रोबोटिक इन्स्ट्रुमेंट सेगमेंटेशन). आम्ही तेच केले.

कागलच्या विपरीत, या स्पर्धांची स्वतःची शैक्षणिक वैशिष्ट्ये होती:

1. लीडरबोर्ड नाही. सबमिशन ईमेलद्वारे पाठवले जातात.
2. कार्यशाळेत परिषदेत समाधान सादर करण्यासाठी संघ प्रतिनिधी न आल्यास तुम्हाला काढून टाकले जाईल.
3. लीडरबोर्डवरील तुमचे स्थान कॉन्फरन्स दरम्यानच ओळखले जाते. एक प्रकारचे शैक्षणिक नाटक.

MICCAI 2017 परिषद क्युबेक शहरात आयोजित करण्यात आली होती. खरे सांगायचे तर, सप्टेंबरपर्यंत मी जळू लागलो होतो, म्हणून कामावरून एक आठवडा सुट्टी घेऊन कॅनडाला जाण्याची कल्पना मनोरंजक वाटली.

परिषदेला आले. मी या कार्यशाळेत आलो, मी कोणाला ओळखत नाही, मी कोपऱ्यात बसलो आहे. प्रत्येकजण एकमेकांना ओळखतो, ते संवाद साधतात, ते हुशार वैद्यकीय शब्द फेकून देतात. पहिल्या स्पर्धेचा आढावा. सहभागी त्यांच्या निर्णयांबद्दल बोलतात आणि बोलतात. तेथे मस्त आहे, एक चमक सह. माझी पाळी. आणि मला तरी लाज वाटते. त्यांनी समस्या सोडवली, त्यावर काम केले, विज्ञान प्रगत केले आणि आम्ही विज्ञानासाठी नव्हे तर आमच्या रेझ्युमेला चालना देण्यासाठी भूतकाळातील घडामोडींवरून पूर्णपणे “fit_predict” आहोत.

तो बाहेर आला आणि म्हणाला की मी औषधातही तज्ञ नाही, त्यांचा वेळ वाया घालवल्याबद्दल माफी मागितली आणि मला उपाय असलेली एक स्लाइड दाखवली. मी खाली हॉलमध्ये गेलो.

ते पहिल्या उपकार्याची घोषणा करतात - आम्ही प्रथम आहोत आणि फरकाने.
दुसरा आणि तिसरा जाहीर केला आहे.
ते तिसऱ्याची घोषणा करतात - पुन्हा प्रथम आणि पुन्हा आघाडीसह.
जनरल पहिला आहे.

अधिकृत प्रेस रिलीज.

प्रेक्षकातले काही हसतात आणि माझ्याकडे आदराने पाहतात. इतर, ज्यांना वरवर पाहता या क्षेत्रातील तज्ञ मानले जात होते, त्यांनी या कामासाठी अनुदान मिळवले होते आणि अनेक वर्षांपासून हे काम करत होते, त्यांच्या चेहऱ्यावर थोडेसे विकृत भाव होते.

पुढे दुसरे कार्य आहे, तीन सबटास्क असलेले आणि जे चार दिवसांनी पुढे सरकले आहे.

इथे मी माफीही मागितली आणि आमची एक स्लाइड पुन्हा दाखवली.
तीच कथा. दोन प्रथम, एक सेकंद, सामान्य प्रथम.

मला वाटते की इतिहासात कदाचित ही पहिलीच वेळ आहे जेव्हा एखाद्या संकलन संस्थेने वैद्यकीय इमेजिंग स्पर्धा जिंकली आहे.

आणि आता मी स्टेजवर उभा आहे, ते मला एक प्रकारचा डिप्लोमा देत आहेत आणि माझ्यावर भडिमार होत आहे. हे कसे असू शकते? हे शिक्षणतज्ञ करदात्यांच्या पैशावर खर्च करत आहेत, डॉक्टरांसाठी कामाचा दर्जा सुलभ आणि सुधारण्यासाठी काम करत आहेत, म्हणजे सैद्धांतिकदृष्ट्या, माझे आयुर्मान, आणि काही शरीराने काही संध्याकाळी या संपूर्ण शैक्षणिक कर्मचार्‍यांना ब्रिटिश ध्वजात फाडून टाकले.

याचा एक बोनस म्हणजे इतर संघांमध्ये, अनेक महिन्यांपासून या कामांवर काम करणाऱ्या पदवीधर विद्यार्थ्यांकडे एचआरसाठी आकर्षक असा बायोडाटा असेल, म्हणजेच ते सहजपणे तंत्रज्ञानाच्या स्क्रीनवर येतील. आणि माझ्या डोळ्यांसमोर एक नुकताच प्राप्त झालेला ईमेल आहे:

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.

सर्वसाधारणपणे, स्टेजवरूनच, मी प्रेक्षकांना विचारतो: "मी कुठे काम करतो हे कोणाला माहित आहे का?" स्पर्धेच्या आयोजकांपैकी एकाला माहित होते - त्याने ट्रूएकॉर्ड काय आहे हे Google केले. बाकीचे नाहीत. मी पुढे म्हणतो: “मी एका संकलन एजन्सीसाठी काम करतो आणि कामावर मी संगणक व्हिजन किंवा डीप लर्निंग करत नाही. आणि अनेक मार्गांनी, हे घडते कारण Google Brain आणि Deepmind चे HR विभाग माझा रेझ्युमे फिल्टर करतात, मला तांत्रिक प्रशिक्षण दाखवण्याची संधी देत ​​नाहीत. "

त्यांनी प्रमाणपत्र, एक ब्रेक दिला. अभ्यासकांचा एक गट मला बाजूला खेचतो. हे दीपमाइंडसह आरोग्य गट असल्याचे निष्पन्न झाले. ते इतके प्रभावित झाले की त्यांना लगेचच त्यांच्या टीममधील रिसर्च इंजिनीअरच्या रिक्त जागेबद्दल माझ्याशी बोलायचे होते. (आम्ही बोललो. हे संभाषण 6 महिने चालले, मी टेक होम, प्रश्नमंजुषा उत्तीर्ण केली, परंतु टेक स्क्रीनवर ती कमी केली गेली. संप्रेषण सुरू झाल्यापासून टेक स्क्रीनपर्यंत 6 महिने हा बराच काळ आहे. दीर्घ प्रतीक्षा चव देते निरुपयोगी. लंडनमधील डीपमाइंड येथे संशोधन अभियंता, ट्रूअकॉर्डच्या पार्श्वभूमीवर एक मजबूत पाऊल उचलले गेले, परंतु माझ्या सध्याच्या स्थितीच्या पार्श्वभूमीवर ते एक पायरी खाली आहे. तेव्हापासून गेलेल्या दोन वर्षांच्या अंतरावरून, हे चांगले आहे ते झाले नाही.)

निष्कर्ष

त्याच वेळी, मला लिफ्टकडून एक ऑफर मिळाली, जी मी स्वीकारली.
MICCAI सोबतच्या या दोन स्पर्धांच्या निकालांवर आधारित, पुढील गोष्टी प्रकाशित केल्या गेल्या:

1. सखोल शिक्षण वापरून रोबोट-सहाय्यित शस्त्रक्रियेमध्ये स्वयंचलित इन्स्ट्रुमेंट विभाजन
2. डीप कॉन्व्होल्युशनल न्यूरल नेटवर्कचा वापर करून एंजियोडिस्प्लासिया शोधणे आणि स्थानिकीकरण
3. 2017 रोबोटिक इन्स्ट्रुमेंट सेगमेंटेशन आव्हान

म्हणजेच, कल्पनेचे जंगलीपणा असूनही, स्पर्धांद्वारे वाढीव लेख आणि प्रीप्रिंट्स जोडणे चांगले कार्य करते. आणि त्यानंतरच्या वर्षांत आम्ही ते आणखी वाईट केले.

मी गेल्या काही वर्षांपासून Lyft येथे कॉम्प्युटर व्हिजन/डीप लर्निंग फॉर सेल्फ ड्रायव्हिंग कारचे काम करत आहे. म्हणजेच मला जे हवे होते ते मिळाले. आणि कार्ये, आणि उच्च दर्जाची कंपनी, आणि मजबूत सहकारी आणि इतर सर्व वस्तू.

या महिन्यांत, मी Google, Facebook, Uber, LinkedIn या दोन्ही मोठ्या कंपन्यांशी आणि विविध आकारांच्या स्टार्टअप्सच्या समुद्राशी संवाद साधला.

हे सर्व महिने दुखावले. ब्रह्मांड आपल्याला दररोज काहीतरी सांगते जे फार आनंददायी नसते. नियमितपणे नकार देणे, नियमितपणे चुका करणे आणि हे सर्व निराशेच्या सततच्या भावनेने चवदार आहे. तुम्ही यशस्वी व्हाल याची शाश्वती नाही, पण तुम्ही मूर्ख आहात अशी भावना आहे. मी विद्यापीठानंतर लगेच नोकरी शोधण्याचा कसा प्रयत्न केला याची आठवण करून देणारी आहे.

मला वाटते की बरेच लोक खोऱ्यात काम शोधत होते आणि त्यांच्यासाठी सर्व काही सोपे होते. युक्ती, माझ्या मते, ही आहे. जर तुम्ही एखाद्या क्षेत्रात नोकरी शोधत असाल ज्यामध्ये तुम्हाला समजले असेल, भरपूर अनुभव असेल आणि तुमचा रेझ्युमे तेच सांगत असेल तर कोणतीही अडचण नाही. मी ते घेतले आणि सापडले. भरपूर जागा रिक्त आहेत.

परंतु जर तुम्ही तुमच्यासाठी नवीन असलेल्या क्षेत्रात नोकरी शोधत असाल, म्हणजे जेव्हा कोणतेही ज्ञान नसते, कोणतेही कनेक्शन नसते आणि तुमचा रेझ्युमे काहीतरी चुकीचे सांगतो - या क्षणी सर्वकाही अत्यंत मनोरंजक बनते.

आत्ता, नियोक्ते नियमितपणे मला लिहितात आणि मी आता करत असलेली गोष्ट करण्याची ऑफर देतात, परंतु वेगळ्या कंपनीत. नोकऱ्या बदलण्याची ही खरोखरच वेळ आहे. पण मी आधीच चांगले आहे ते करायला जाण्यात काही अर्थ नाही. कशासाठी?

पण मला काय हवे आहे, मला पुन्हा माझ्या रेझ्युमेमध्ये ज्ञान किंवा ओळी नाहीत. हे सर्व कसे संपते ते पाहूया. सर्व काही ठीक झाले तर पुढचा भाग लिहीन. 🙂

स्त्रोत: www.habr.com