Gambar ini adalah oleh Arthur Kuzin (), cukup tepat meringkaskan kandungan catatan blog. Akibatnya, naratif berikut harus dilihat lebih seperti cerita Jumaat daripada sebagai sesuatu yang sangat berguna dan teknikal. Di samping itu, perlu diperhatikan bahawa teks itu kaya dengan perkataan Inggeris. Saya tidak tahu cara menterjemah sebahagian daripadanya dengan betul dan saya tidak mahu menterjemah sebahagian daripadanya.
Bagaimana peralihan daripada persekitaran akademik kepada persekitaran industri berlaku didedahkan dalam dua episod pertama. Dalam satu ini, perbualan akan mengenai apa yang berlaku seterusnya.
Ia adalah Januari 2017. Pada masa itu, saya mempunyai pengalaman kerja lebih sedikit daripada setahun dan saya bekerja di San Francisco dalam syarikat itu seperti Sr. Saintis Data.
TrueAccord ialah permulaan kutipan hutang. Dalam istilah mudah - agensi pengumpulan. Pengumpul biasanya banyak memanggil. Kami menghantar banyak e-mel, tetapi membuat sedikit panggilan. Setiap e-mel membawa kepada laman web syarikat, di mana penghutang ditawarkan diskaun ke atas hutang tersebut, malah dibenarkan membayar secara ansuran. Pendekatan ini membawa kepada pengumpulan yang lebih baik, dibenarkan untuk skala dan kurang pendedahan kepada tindakan undang-undang.
Syarikat itu biasa sahaja. Produknya jelas. Pihak pengurusan adalah waras. Lokasinya bagus.
Secara purata, orang di lembah bekerja di satu tempat selama kira-kira satu setengah tahun. Maksudnya, mana-mana syarikat yang anda bekerja hanyalah satu langkah kecil. Pada langkah ini anda akan mengumpul sedikit wang, memperoleh pengetahuan, kemahiran, sambungan dan talian baharu dalam resume anda. Selepas ini terdapat peralihan ke langkah seterusnya.
Di TrueAccord sendiri, saya terlibat dalam melampirkan sistem pengesyoran pada surat berita e-mel, serta mengutamakan panggilan telefon. Kesan boleh difahami dan diukur dengan agak baik dalam dolar melalui ujian A/B. Memandangkan tiada pembelajaran mesin sebelum ketibaan saya, kesan kerja saya tidaklah teruk. Sekali lagi, lebih mudah untuk menambah baik sesuatu daripada sesuatu yang telah dioptimumkan.
Selepas enam bulan mengusahakan sistem ini, mereka juga menaikkan gaji asas saya daripada $150k kepada $163k. Dalam komuniti terdapat meme tentang $163k. Ia tumbuh dengan kakinya dari sini.
Semua ini mengagumkan, tetapi ia tidak membawa ke mana-mana, atau ia membawa, tetapi tidak di sana.
Saya sangat menghormati TrueAccord, kedua-dua syarikat dan pekerja yang saya bekerja di sana. Saya belajar banyak daripada mereka, tetapi saya tidak mahu bekerja untuk masa yang lama pada sistem pengesyoran di agensi pengumpulan. Dari langkah ini anda terpaksa melangkah ke arah tertentu. Jika tidak ke hadapan dan ke atas, maka sekurang-kurangnya ke sisi.
Apa yang saya tidak suka?
- Dari perspektif pembelajaran mesin, masalah tidak menggembirakan saya. Saya mahukan sesuatu yang bergaya, awet muda, iaitu, Pembelajaran Dalam, Penglihatan Komputer, sesuatu yang agak dekat dengan sains atau sekurang-kurangnya kepada alkimia.
- Sebuah syarikat permulaan, dan juga agensi pengumpulan, menghadapi masalah untuk mengambil kakitangan yang berkelayakan tinggi. Sebagai permulaan, ia tidak boleh membayar banyak. Tetapi sebagai agensi kutipan, ia kalah dalam status. Secara kasar, jika seorang gadis yang sedang dating bertanya di mana anda bekerja? Jawapan anda: "Di Google" terdengar lebih baik daripada "agensi pengumpulan". Saya agak terganggu dengan hakikat bahawa untuk rakan saya yang bekerja di Google dan Facebook, tidak seperti saya, nama syarikat mereka membuka pintu seperti: anda boleh dijemput ke persidangan atau pertemuan sebagai penceramah, atau lebih ramai orang yang menarik menulis di LinkedIn dengan tawaran untuk bertemu dan berbual sambil menikmati segelas teh. Saya sangat suka berkomunikasi dengan orang yang saya tidak kenali secara peribadi. Jadi, jika anda tinggal di San Francisco, jangan teragak-agak untuk menulis - mari pergi minum kopi dan bercakap.
- Sebagai tambahan kepada saya, tiga Saintis Data bekerja di syarikat itu. Saya sedang mengusahakan pembelajaran mesin, dan mereka sedang menjalankan tugas Sains Data lain, yang biasa berlaku dalam mana-mana permulaan dari sini hingga esok. Akibatnya, mereka tidak benar-benar memahami pembelajaran mesin. Tetapi untuk berkembang, saya perlu berkomunikasi dengan seseorang, membincangkan artikel dan perkembangan terkini, dan meminta nasihat, pada akhirnya.
Apa yang tersedia?
- Pendidikan: fizik, bukan sains komputer.
- Satu-satunya bahasa pengaturcaraan yang saya tahu ialah Python. Terdapat perasaan bahawa saya perlu beralih kepada C++, tetapi saya masih tidak dapat memahaminya.
- Setahun setengah bekerja dalam industri. Lebih-lebih lagi, di tempat kerja saya tidak belajar sama ada Deep Learning atau Computer Vision.
- Tiada satu pun artikel mengenai Pembelajaran Dalam / Penglihatan Komputer dalam resume.
- Terdapat pencapaian Kaggle Master.
Apa yang awak mahu?
- Kedudukan yang diperlukan untuk melatih banyak rangkaian, dan lebih dekat dengan penglihatan komputer.
- Lebih baik jika ia adalah syarikat besar seperti Google, Tesla, Facebook, Uber, LinkedIn, dll. Walaupun dalam keadaan darurat, permulaan akan berjaya.
- Saya tidak perlu menjadi pakar pembelajaran mesin terbesar dalam pasukan. Terdapat keperluan besar untuk rakan-rakan senior, mentor dan semua jenis komunikasi, yang sepatutnya mempercepatkan proses pembelajaran.
- Selepas membaca catatan blog tentang bagaimana graduan tanpa pengalaman industri mempunyai jumlah pampasan sebanyak $300-500k setahun, saya ingin pergi ke julat yang sama. Bukannya ini mengganggu saya, tetapi kerana mereka mengatakan bahawa ini adalah fenomena biasa, tetapi saya kurang, maka ini adalah isyarat.
Tugas itu nampaknya boleh diselesaikan sepenuhnya, walaupun bukan dalam erti kata bahawa anda boleh melompat ke mana-mana syarikat, tetapi sebaliknya jika anda kelaparan, semuanya akan berjaya. Iaitu, berpuluh-puluh atau beratus-ratus percubaan, dan kesakitan dari setiap kegagalan dan setiap penolakan, harus digunakan untuk mempertajam fokus, meningkatkan ingatan dan meregangkan hari hingga 36 jam.
Saya mengubah suai resume saya, mula menghantarnya, dan pergi untuk temu duga. Saya terbang melepasi kebanyakan mereka pada peringkat komunikasi dengan HR. Ramai orang memerlukan C++, tetapi saya tidak mengetahuinya, dan saya mempunyai perasaan yang kuat bahawa saya tidak akan berminat dengan jawatan yang memerlukan C++.
Perlu diingat bahawa pada masa yang sama terdapat peralihan fasa dalam jenis pertandingan di Kaggle. Sebelum 2017 terdapat banyak data jadual dan sangat jarang data gambar, tetapi mulai tahun 2017 terdapat banyak tugas penglihatan komputer.
Kehidupan mengalir dalam mod berikut:
- Bekerja pada siang hari.
- Apabila skrin teknologi / di tapak anda mengambil cuti.
- Petang dan hujung minggu Kaggle + artikel / buku / catatan blog
Penghujung tahun 2016 ditandai dengan fakta bahawa saya menyertai komuniti , yang memudahkan banyak perkara. Terdapat ramai lelaki dalam komuniti dengan pengalaman industri yang kaya, yang membolehkan kami bertanya banyak soalan bodoh dan mendapat banyak jawapan pintar. Terdapat juga banyak pakar pembelajaran mesin yang sangat kuat dari semua jalur, yang, secara tidak dijangka, membenarkan saya, melalui ODS, untuk menutup isu dengan komunikasi mendalam biasa tentang Sains Data. Sehingga kini, dari segi ML, ODS memberi saya berlipat kali ganda daripada apa yang saya dapat di tempat kerja.
Seperti biasa, ODS mempunyai pakar yang mencukupi dalam pertandingan di Kaggle dan tapak lain. Menyelesaikan masalah dalam pasukan lebih menyeronokkan dan produktif, jadi dengan jenaka, makian, meme dan hiburan kutu buku lain, kami mula menyelesaikan masalah satu persatu.
Pada Mac 2017 - dalam pasukan dengan Serega Mushinsky - tempat ketiga untuk . Pingat emas pada Kaggle + $20k untuk dua orang. Mengenai tugas ini, kerja dengan imej satelit + pembahagian binari melalui UNet telah dipertingkatkan.
Pada bulan Mac yang sama, saya pergi untuk temu duga di NVidia dengan pasukan Memandu Sendiri. Saya benar-benar bergelut dengan soalan tentang Pengesanan Objek. Tidak ada pengetahuan yang mencukupi.
Nasib baik, pada masa yang sama, pertandingan Pengesanan Objek pada imejan udara dari DSTL yang sama bermula. Allah sendiri memerintahkan untuk menyelesaikan masalah dan menaik taraf. Sebulan petang dan hujung minggu. Saya mengambil pengetahuan dan menduduki tempat kedua. Pertandingan ini mempunyai nuansa yang menarik dalam peraturan, yang menyebabkan saya ditunjukkan di Rusia pada saluran persekutuan dan bukan persekutuan. Saya naik , dan dalam sekumpulan penerbitan cetak dan dalam talian. Mail Ru Group menerima PR positif sedikit atas perbelanjaan saya dan wangnya sendiri, dan sains asas di Rusia diperkaya sebanyak 12000 paun. Seperti biasa, ia ditulis mengenai topik ini . Pergi ke sana untuk butiran.
Pada masa yang sama, seorang perekrut Tesla menghubungi saya dan menawarkan untuk bercakap mengenai kedudukan Computer Vision. Saya bersetuju. Saya berlari ke rumah, dua skrin teknologi, temu bual di tapak, dan mengadakan perbualan yang sangat menyenangkan dengan Andrei Karpathy, yang baru sahaja diupah di Tesla sebagai Pengarah AI. Peringkat seterusnya ialah pemeriksaan latar belakang. Selepas itu, Elon Musk terpaksa meluluskan permohonan saya secara peribadi. Tesla mempunyai Perjanjian Tanpa Pendedahan (NDA) yang ketat.
Saya tidak lulus pemeriksaan backgound. Perekrut berkata bahawa saya banyak berbual dalam talian, melanggar NDA. Satu-satunya tempat saya berkata apa-apa tentang temu bual di Tesla ialah ODS, jadi hipotesis semasa ialah seseorang mengambil tangkapan skrin dan menulis kepada HR di Tesla, dan saya telah dikeluarkan daripada perlumbaan daripada bahaya. Sungguh memalukan ketika itu. Sekarang saya gembira ia tidak berjaya. Kedudukan saya sekarang adalah lebih baik, walaupun ia akan menjadi sangat menarik untuk bekerja dengan Andrey.
Sejurus selepas itu, saya menyertai pertandingan imejan satelit di Kaggle dari . Masalahnya mudah dan sangat membosankan; tiada siapa yang mahu menyelesaikannya, tetapi semua orang mahukan pingat emas atau hadiah wang percuma. Oleh itu, dengan pasukan Kaggle Masters seramai 7 orang, kami bersetuju untuk membaling besi. Kami melatih 480 rangkaian dalam mod 'fit_predict' dan membuat ensemble tiga tingkat daripadanya. Kami menduduki tempat ketujuh. . By the way, Jeremy Howard, yang dikenali secara meluas sebagai pencipta selesai 23.
Selepas tamat pertandingan, melalui rakan yang bekerja di AdRoll, saya menganjurkan Meetup di premis mereka. Wakil Planet Labs bercakap di sana tentang rupa organisasi pertandingan dan penandaan data di pihak mereka. Wendy Kwan, yang bekerja di Kaggle dan menyelia pertandingan itu, bercakap tentang bagaimana dia melihatnya. Saya menerangkan penyelesaian, helah, teknik dan butiran teknikal kami. Dua pertiga daripada penonton menyelesaikan masalah ini, jadi soalan diajukan kepada intipati dan secara umum semuanya sejuk. Jeremy Howard juga ada di sana. Ternyata dia menamatkan di tempat ke-23 kerana dia tidak tahu bagaimana untuk menyusun model dan dia tidak tahu sama sekali tentang kaedah membina ensembel ini.
Pertemuan di lembah mengenai pembelajaran mesin sangat berbeza daripada pertemuan di Moscow. Sebagai peraturan, pertemuan di lembah adalah bahagian bawah. Tetapi kami ternyata baik. Malangnya, rakan seperjuangan yang sepatutnya menekan butang dan merakam semuanya tidak menekan butang :)
Selepas itu, saya telah dijemput untuk bercakap dengan jawatan Jurutera Pembelajaran Dalam di Planet Labs yang sama ini, dan segera di tapak. Saya tidak lulus. Kata-kata penolakan adalah bahawa tidak ada pengetahuan yang mencukupi dalam Pembelajaran Dalam.
Saya mereka bentuk setiap pertandingan sebagai projek dalam . Untuk masalah DSTL kami tulis dan menyiarkannya di arxiv. Bukan pasal, tapi tetap roti. Saya juga mengesyorkan kepada orang lain untuk meningkatkan profil LinkedIn mereka melalui pertandingan, artikel, kemahiran dan sebagainya. Terdapat korelasi positif antara bilangan kata kunci yang anda ada dalam profil LinkedIn anda dan kekerapan orang menghantar mesej kepada anda.
Jika pada musim sejuk dan musim bunga saya sangat teknikal, maka menjelang Ogos saya mempunyai pengetahuan dan keyakinan diri.
Pada penghujung Julai, seorang lelaki yang bekerja sebagai pengurus Sains Data di Lyft menghubungi saya di LinkedIn dan menjemput saya untuk minum kopi dan bersembang tentang kehidupan, tentang Lyft, tentang TrueAccord. Kita berbincang. Dia menawarkan untuk menemu bual dengan pasukannya untuk jawatan Data Scientist. Saya berkata bahawa pilihan itu berfungsi, dengan syarat ia adalah Penglihatan Komputer / Pembelajaran Mendalam dari pagi hingga petang. Beliau memberi jaminan bahawa tiada bantahan daripada pihaknya.
Saya menghantar resume saya dan dia memuat naiknya ke portal dalaman Lyft. Selepas itu, perekrut memanggil saya untuk membuka resume saya dan mengetahui lebih lanjut tentang saya. Dari perkataan pertama, jelas bahawa baginya ini adalah formaliti, kerana jelas baginya dari resumenya bahawa "Saya bukan bahan untuk Lyft." Saya rasa selepas itu resume saya masuk ke dalam tong sampah.
Selama ini, semasa saya ditemu bual, saya membincangkan kegagalan dan kejatuhan saya dalam ODS dan mereka memberi saya maklum balas dan membantu saya dalam setiap cara yang mungkin dengan nasihat, walaupun, seperti biasa, terdapat juga banyak trolling mesra di sana.
Salah seorang ahli ODS menawarkan untuk menghubungkan saya dengan rakannya, yang merupakan Pengarah Kejuruteraan di Lyft. Tidak lama berkata daripada selesai. Saya datang ke Lyft untuk makan tengah hari, dan selain rakan ini terdapat juga Ketua Sains Data dan pengurus Produk yang merupakan peminat tegar Deep Learning. Semasa makan tengah hari kami berbual melalui DL. Dan kerana saya telah melatih rangkaian 24/7 selama setengah tahun, membaca meter padu kesusasteraan, dan menjalankan tugas pada Kaggle dengan hasil yang lebih atau kurang jelas, saya boleh bercakap tentang Pembelajaran Dalam selama berjam-jam, baik dari segi artikel baharu dan teknik praktikal.
Selepas makan tengah hari, mereka memandang saya dan berkata - jelas kelihatan anda kacak, adakah anda mahu bercakap dengan kami? Selain itu, mereka menambah bahawa jelas kepada saya bahawa skrin bawa pulang + teknologi boleh dilangkau. Dan bahawa saya akan dijemput segera ke tapak. Saya bersetuju.
Selepas itu, perekrut itu memanggil saya untuk menjadualkan temuduga di tapak, dan dia tidak berpuas hati. Dia menggumam sesuatu tentang tidak melompat di atas kepala anda.
datang. Temu bual di tapak. Lima jam berkomunikasi dengan orang yang berbeza. Tidak ada satu soalan pun tentang Pembelajaran Dalam, atau tentang pembelajaran mesin pada dasarnya. Oleh kerana tiada Deep Learning / Computer Vision, maka saya tidak berminat. Oleh itu, keputusan temu bual adalah ortogonal.
Perekrut ini menelefon dan berkata - tahniah, anda berjaya melalui temu duga kedua di tapak. Ini semua mengejutkan. Apakah yang kedua di tapak? Saya tidak pernah mendengar perkara seperti itu. Saya pergi. Terdapat beberapa jam di sana, kali ini semua tentang pembelajaran mesin tradisional. Itu lebih baik. Tetapi masih tidak menarik.
Perekrut menelefon dengan ucapan tahniah kerana saya lulus temu duga ketiga di tapak dan berjanji bahawa ini akan menjadi yang terakhir. Saya pergi untuk melihatnya dan terdapat DL dan CV.
Saya mempunyai laporan untuk beberapa bulan yang memberitahu saya bahawa tidak akan ada tawaran. Saya akan berlatih bukan pada kemahiran teknikal, tetapi pada kemahiran lembut. Bukan di sisi lembut, tetapi pada hakikat bahawa jawatan itu akan ditutup atau syarikat itu belum mengambil pekerja, tetapi hanya menguji pasaran dan tahap calon.
Pertengahan Ogos. Saya minum bir okay. Fikiran gelap. 8 bulan telah berlalu dan masih tiada tawaran. Adalah baik untuk menjadi kreatif di bawah bir, terutamanya jika kreativiti itu pelik. Satu idea terlintas di fikiran saya. Saya berkongsi dengan Alexey Shvets, yang pada masa itu adalah postdoc di MIT.
Bagaimana jika anda mengambil persidangan DL/CV terdekat, menonton pertandingan yang diadakan sebagai sebahagian daripadanya, melatih sesuatu dan menyerahkan? Memandangkan semua pakar di sana membina kerjaya mereka mengenai perkara ini dan telah melakukan ini selama beberapa bulan atau bahkan bertahun-tahun, kami tidak mempunyai peluang. Tetapi ia tidak menakutkan. Kami membuat beberapa penyerahan yang bermakna, terbang ke tempat terakhir, dan selepas itu kami menulis pracetak atau artikel tentang bagaimana kami tidak seperti orang lain dan bercakap tentang keputusan kami. Dan artikel itu sudah ada di LinkedIn dan dalam resume anda.
Iaitu, ia nampaknya relevan dan terdapat lebih banyak kata kunci yang betul dalam resume, yang sepatutnya meningkatkan sedikit peluang untuk sampai ke skrin teknologi. Kod dan penyerahan daripada saya, teks daripada Alexey. Permainan, sudah tentu, tetapi mengapa tidak?
Tidak lama berkata daripada selesai. Persidangan terdekat yang kami google ialah MICCAI dan sebenarnya ada pertandingan di sana. Kami memukul yang pertama. Ia adalah . Tugasan mempunyai 3 subtugas. Ada 8 hari lagi sebelum tarikh akhir. Saya sedar pada waktu pagi, tetapi saya tidak melepaskan idea itu. Saya mengambil saluran paip saya daripada Kaggle dan menukarnya daripada data satelit kepada data perubatan. 'fit_predict'. Alexey menyediakan penerangan dua halaman tentang penyelesaian untuk setiap masalah, dan kami menghantarnya. sedia. Secara teori, anda boleh menghembus nafas. Tetapi ternyata ada tugas lain untuk bengkel yang sama () dengan tiga subtugasan dan tarikh akhir beliau telah dinaikkan sebanyak 4 hari, iaitu, kita boleh melakukan 'fit_predict' di sana dan menghantarnya. Itulah yang kami lakukan.
Tidak seperti Kaggle, pertandingan ini mempunyai spesifikasi akademik mereka sendiri:
- Tiada Papan Pendahulu. Penyerahan dihantar melalui e-mel.
- Anda akan dialih keluar jika wakil pasukan tidak datang untuk membentangkan penyelesaian pada persidangan di Bengkel.
- Tempat anda di papan pendahulu hanya diketahui semasa persidangan. Semacam drama akademik.
Persidangan MICCAI 2017 telah diadakan di Bandaraya Quebec. Sejujurnya, pada bulan September saya mula keletihan, jadi idea untuk mengambil cuti seminggu dari kerja dan menuju ke Kanada kelihatan menarik.
Datang ke persidangan itu. Saya datang ke Bengkel ini, saya tidak mengenali sesiapa, saya duduk di sudut. Semua orang mengenali satu sama lain, mereka berkomunikasi, mereka membuang kata-kata perubatan yang bijak. Semakan pertandingan pertama. Peserta bercakap dan bercakap tentang keputusan mereka. Ia sejuk di sana, dengan kilauan. Giliran saya. Dan saya entah bagaimana malah malu. Mereka menyelesaikan masalah itu, mengusahakannya, memajukan sains, dan kami "fit_predict" semata-mata daripada perkembangan masa lalu, bukan untuk sains, tetapi untuk meningkatkan resume kami.
Dia keluar dan berkata bahawa saya juga bukan pakar dalam bidang perubatan, meminta maaf kerana membuang masa mereka, dan menunjukkan kepada saya satu slaid dengan penyelesaiannya. Saya turun ke dewan.
Mereka mengumumkan subtugas pertama - kami adalah yang pertama, dan dengan margin.
Yang kedua dan ketiga diumumkan.
Mereka mengumumkan yang ketiga - sekali lagi pertama dan sekali lagi dengan pendahuluan.
Umum adalah yang pertama.
Beberapa penonton tersenyum dan memandang saya dengan hormat. Yang lain, mereka yang nampaknya dianggap pakar dalam bidang itu, telah memenangi geran untuk tugas ini dan telah melakukan ini selama bertahun-tahun, mempunyai ekspresi yang sedikit herot di wajah mereka.
Seterusnya ialah tugasan kedua, yang mempunyai tiga subtugasan dan yang telah dialihkan ke hadapan selama empat hari.
Di sini saya juga memohon maaf dan menunjukkan satu lagi slaid kami.
Cerita yang sama. Dua pertama, satu saat, biasa dahulu.
Saya fikir ini mungkin kali pertama dalam sejarah bahawa agensi pengumpulan telah memenangi pertandingan pengimejan perubatan.
Dan sekarang saya berdiri di atas pentas, mereka menghulurkan saya semacam diploma dan saya dihujani. Macam mana boleh jadi? Ahli akademik ini membelanjakan wang pembayar cukai, berusaha untuk memudahkan dan meningkatkan kualiti kerja untuk doktor, iaitu, secara teori, jangka hayat saya, dan beberapa badan merobek seluruh kakitangan akademik ini ke dalam bendera British dalam beberapa malam.
Bonus untuk ini ialah dalam pasukan lain, pelajar siswazah yang telah menjalankan tugas-tugas ini selama berbulan-bulan akan mempunyai resume yang menarik kepada HR, iaitu, mereka akan dengan mudah sampai ke skrin teknologi. Dan di depan mata saya ada e-mel yang baru diterima:
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.Secara umum, terus dari pentas, saya bertanya kepada penonton: "Adakah sesiapa tahu di mana saya bekerja?" Salah seorang penganjur pertandingan itu tahu - dia Google Google apa itu TrueAccord. Selebihnya tidak. Saya meneruskan: "Saya bekerja untuk agensi pengumpulan, dan di tempat kerja saya tidak melakukan Computer Vision mahupun Deep Learning. Dan dalam banyak cara, ini berlaku kerana jabatan HR Google Brain dan Deepmind menapis resume saya, tidak memberi saya peluang untuk menunjukkan latihan teknikal. "
Mereka menyerahkan sijil, rehat. Sekumpulan ahli akademik menarik saya ke tepi. Ternyata ini adalah kumpulan Kesihatan dengan Deepmind. Mereka sangat kagum sehingga mereka segera ingin bercakap dengan saya tentang kekosongan Jurutera Penyelidik dalam pasukan mereka. (Kami memang bercakap. Perbualan ini berlangsung selama 6 bulan, saya lulus bawa pulang, kuiz, tetapi dipotong pendek pada skrin teknologi. 6 bulan dari permulaan komunikasi ke skrin teknologi adalah masa yang lama. Penantian yang lama memberi rasa tidak berguna. Jurutera Penyelidik di Deepmind di London, dengan latar belakang TrueAccord terdapat peningkatan yang kuat, tetapi dengan latar belakang kedudukan saya sekarang ia adalah langkah ke bawah. Dari jarak dua tahun yang telah berlalu sejak itu, ia adalah baik bahawa ia tidak.)
Kesimpulan
Pada masa yang sama, saya menerima tawaran daripada Lyft, yang saya terima.
Berdasarkan keputusan kedua-dua pertandingan dengan MICCAI ini, berikut telah diterbitkan:
Iaitu, walaupun idea itu liar, menambah artikel tambahan dan pracetak melalui pertandingan berfungsi dengan baik. Dan pada tahun-tahun berikutnya kami menjadikannya lebih teruk.
Saya telah bekerja di Lyft selama beberapa tahun kebelakangan ini melakukan Computer Vision/Deep Learning untuk kereta Memandu Sendiri. Iaitu, saya mendapat apa yang saya mahu. Dan tugasan, dan syarikat berstatus tinggi, dan rakan sekerja yang kuat, dan semua barangan lain.
Selama beberapa bulan ini, saya mempunyai komunikasi dengan kedua-dua syarikat besar Google, Facebook, Uber, LinkedIn, dan dengan lautan pemula dalam pelbagai saiz.
Sakit sepanjang bulan ini. Alam semesta memberitahu anda sesuatu yang tidak begitu menyenangkan setiap hari. Penolakan yang kerap, kerap membuat kesilapan dan semua ini dibumbui dengan perasaan putus asa yang berterusan. Tidak ada jaminan bahawa anda akan berjaya, tetapi ada perasaan bahawa anda bodoh. Ia sangat mengingatkan bagaimana saya cuba mencari pekerjaan sejurus selepas universiti.
Saya fikir ramai yang mencari kerja di lembah dan segala-galanya lebih mudah bagi mereka. Caranya, pada pendapat saya, adalah ini. Jika anda sedang mencari pekerjaan dalam bidang yang anda fahami, mempunyai banyak pengalaman, dan resume anda mengatakan perkara yang sama, tidak ada masalah. Saya ambil dan jumpa. Ada banyak kekosongan.
Tetapi jika anda sedang mencari pekerjaan dalam bidang yang baru kepada anda, iaitu, apabila tiada pengetahuan, tiada sambungan dan resume anda mengatakan sesuatu yang salah - pada masa ini semuanya menjadi sangat menarik.
Pada masa ini, perekrut kerap menulis surat kepada saya dan menawarkan untuk melakukan perkara yang sama yang saya lakukan sekarang, tetapi di syarikat lain. Sudah tiba masanya untuk bertukar kerja. Tetapi tidak ada gunanya untuk melakukan apa yang saya sudah mahir. Untuk apa?
Tetapi untuk apa yang saya mahu, saya sekali lagi tidak mempunyai pengetahuan mahupun baris dalam resume saya. Mari lihat bagaimana semua ini berakhir. Jika semuanya berjalan lancar, saya akan menulis bahagian seterusnya. π
Sumber: www.habr.com