Deze foto is van Arthur Kuzin (), vat de inhoud van de blogpost vrij nauwkeurig samen. Als gevolg hiervan moet het volgende verhaal meer als een vrijdagverhaal worden opgevat dan als iets uiterst nuttigs en technisch. Bovendien is het vermeldenswaard dat de tekst rijk is aan Engelse woorden. Ik weet niet hoe ik sommige correct moet vertalen, en sommige wil ik gewoon niet vertalen.
Hoe de overgang van een academische omgeving naar een industriële omgeving plaatsvond, wordt onthuld in de eerste twee afleveringen. In deze gaat het gesprek over wat er daarna gebeurde.
Het was januari 2017. Ik had toen iets meer dan een jaar werkervaring en werkte in San Francisco in het bedrijf zoals sr. Data scientist.
TrueAccord is een incasso-startup. Simpel gezegd: een incassobureau. Verzamelaars bellen meestal veel. We hebben veel e-mails gestuurd, maar weinig gebeld. Elke e-mail leidde naar de website van het bedrijf, waar de debiteur korting op de schuld kreeg aangeboden en zelfs in termijnen mocht betalen. Deze aanpak leidde tot een betere inning, maakte schaalvergroting mogelijk en minder blootstelling aan rechtszaken.
Het bedrijf was normaal. Het product is duidelijk. Het bestuur is verstandig. De locatie is goed.
Gemiddeld werken mensen in de vallei ongeveer anderhalf jaar op één plek. Dat wil zeggen: elk bedrijf waarvoor u werkt, is slechts een kleine stap. Bij deze stap zamel je wat geld in, verwerf je nieuwe kennis, vaardigheden, connecties en lijnen in je cv. Hierna vindt er een overgang plaats naar de volgende fase.
Bij TrueAccord zelf was ik betrokken bij het koppelen van aanbevelingssystemen aan e-mailnieuwsbrieven, en bij het prioriteren van telefoongesprekken. De impact is begrijpelijk en werd via A/B-testen vrij goed in dollars gemeten. Omdat er vóór mijn aankomst geen machine learning bestond, was de impact van mijn werk niet slecht. Nogmaals, het is veel gemakkelijker om iets te verbeteren dan iets dat al zwaar geoptimaliseerd is.
Na zes maanden aan deze systemen te hebben gewerkt, verhoogden ze zelfs mijn basissalaris van €150 naar €163. In de gemeenschap er is een meme over $ 163. Vanaf hier groeit hij met zijn poten.
Dit was allemaal prachtig, maar het leidde nergens toe, of het leidde, maar niet daarheen.
Ik heb veel respect voor TrueAccord, zowel het bedrijf als de jongens met wie ik daar heb samengewerkt. Ik heb veel van hen geleerd, maar ik wilde niet lang meer werken aan aanbevelingssystemen bij een incassobureau. Vanaf deze stap moest je een bepaalde richting op gaan. Als het niet naar voren en naar boven is, dan in ieder geval zijwaarts.
Wat vond ik niet leuk?
- Vanuit het perspectief van machine learning waren de problemen mij niet enthousiast. Ik wilde iets modieus, jeugdigs, dat wil zeggen Deep Learning, Computer Vision, iets dat nogal dicht bij de wetenschap lag, of op zijn minst bij de alchemie.
- Een startup, en zelfs een incassobureau, heeft problemen met het aannemen van hooggekwalificeerd personeel. Als startup kan het niet veel betalen. Maar als incassobureau verliest het aan status. Grof gezegd, als een meisje op een date vraagt waar je werkt? Uw antwoord: ‘Op Google’ klinkt veel beter dan ‘incassobureau’. Ik stoorde me enigszins aan het feit dat voor mijn vrienden die bij Google en Facebook werken, in tegenstelling tot mij, de naam van hun bedrijf deuren opende zoals: je kunt als spreker worden uitgenodigd voor een conferentie of meetup, of er schrijven interessantere mensen op LinkedIn met een aanbod om elkaar te ontmoeten en bij te praten onder het genot van een glas thee. Ik hou er echt van om met mensen te communiceren die ik niet persoonlijk ken. Dus als je in San Francisco woont, aarzel dan niet om te schrijven – laten we koffie gaan drinken en praten.
- Naast mij werkten er drie Data Scientists in het bedrijf. Ik werkte aan machine learning en zij werkten aan andere Data Science-taken, die van nu tot morgen gebruikelijk zijn bij elke startup. Als gevolg hiervan begrepen ze machine learning niet echt. Maar om te kunnen groeien moet ik uiteindelijk met iemand communiceren, artikelen en de laatste ontwikkelingen bespreken en om advies vragen.
Wat was beschikbaar?
- Opleiding: natuurkunde, geen informatica.
- De enige programmeertaal die ik kende was Python. Ik had het gevoel dat ik moest overstappen naar C++, maar ik kon er nog steeds niet aan toekomen.
- Anderhalf jaar werk in de branche. Bovendien heb ik op het werk geen Deep Learning of Computer Vision gestudeerd.
- Geen enkel artikel over Deep Learning / Computer Vision in het cv.
- Er was een Kaggle Master-prestatie.
Wat wou u?
- Een positie waarin het nodig zal zijn om veel netwerken te trainen, en dichter bij computervisie.
- Het is beter als het een groot bedrijf is zoals Google, Tesla, Facebook, Uber, LinkedIn, enz. Hoewel in een mum van tijd een startup voldoende zou zijn.
- Ik hoef niet de grootste machine learning-expert in het team te zijn. Er was een grote behoefte aan senior kameraden, mentoren en allerlei soorten communicatie, die het leerproces moesten versnellen.
- Na het lezen van blogposts over hoe afgestudeerden zonder industriële ervaring een totale beloning van €300-500 per jaar krijgen, wilde ik op hetzelfde bereik ingaan. Het is niet dat ik hier zoveel last van heb, maar aangezien ze zeggen dat dit een veel voorkomend verschijnsel is, maar ik heb er minder, dan is dit een signaal.
De taak leek volkomen oplosbaar, maar niet in de zin dat je bij welk bedrijf dan ook terecht kunt, maar eerder dat als je verhongert, alles goed komt. Dat wil zeggen dat tientallen of honderden pogingen, en de pijn van elke mislukking en elke afwijzing, moeten worden gebruikt om de focus te verscherpen, het geheugen te verbeteren en de dag uit te breiden tot 36 uur.
Ik paste mijn cv aan, begon het te versturen en ging op sollicitatiegesprekken. De meeste van hen ben ik voorbijgevlogen in de fase van de communicatie met HR. Veel mensen hadden C++ nodig, maar ik wist het niet, en ik had sterk het gevoel dat ik niet erg geïnteresseerd zou zijn in functies waarvoor C++ nodig was.
Het is vermeldenswaard dat er rond dezelfde tijd een faseovergang was in het soort competities op Kaggle. Vóór 2017 waren er veel tabelgegevens en zeer zelden beeldgegevens, maar vanaf 2017 waren er veel computervisietaken.
Het leven stroomde in de volgende modus:
- Werk overdag.
- Wanneer u op technisch scherm / ter plaatse bent, neemt u vrije tijd.
- Avonden en weekenden Kaggle + artikelen/boeken/blogposts
Het einde van 2016 stond in het teken van het feit dat ik lid werd van de community , wat veel dingen vereenvoudigde. Er zijn veel jongens in de gemeenschap met een rijke industriële ervaring, waardoor we veel domme vragen konden stellen en veel slimme antwoorden konden krijgen. Er zijn ook veel zeer sterke machine learning-specialisten in alle soorten en maten, waardoor ik, onverwachts, via ODS het probleem kon afsluiten met regelmatige diepgaande communicatie over Data Science. Tot nu toe levert ODS mij, in termen van ML, vele malen meer op dan wat ik op mijn werk krijg.
Zoals gewoonlijk heeft ODS voldoende specialisten in wedstrijden op Kaggle en andere sites. Problemen oplossen in teamverband is leuker en productiever, dus met grappen, vloeken, memes en ander nerdy entertainment begonnen we de problemen één voor één op te lossen.
In maart 2017 - in een team met Serega Mushinsky - derde plaats voor . Gouden medaille op Kaggle + $ 20k voor twee. Bij deze taak werd het werken met satellietbeelden + binaire segmentatie via UNet verbeterd.
Diezelfde maart ging ik voor een interview bij NVidia met het Self Driving-team. Ik had echt moeite met vragen over Objectdetectie. Er was niet genoeg kennis.
Gelukkig begon tegelijkertijd de Object Detection-wedstrijd op luchtbeelden van dezelfde DSTL. God zelf gaf opdracht om het probleem op te lossen en te upgraden. Een maand van avonden en weekenden. Ik pakte de kennis op en eindigde als tweede. Deze wedstrijd had een interessante nuance in de regels, wat ertoe leidde dat ik in Rusland op federale en niet zo federale kanalen werd vertoond. ik kreeg op , en in een heleboel gedrukte en online publicaties. Mail Ru Group ontving een beetje positieve PR ten koste van mij en zijn eigen geld, en de fundamentele wetenschap in Rusland werd verrijkt met 12000 pond. Zoals gewoonlijk werd over dit onderwerp geschreven . Ga daarheen voor meer informatie.
Tegelijkertijd nam een recruiter van Tesla contact met mij op en bood aan om te praten over de functie Computer Vision. Ik ging akkoord. Ik snelde door de take home, twee technische schermen, een interview ter plaatse en had een zeer aangenaam gesprek met Andrei Karpathy, die net bij Tesla was aangenomen als directeur van AI. De volgende fase is een antecedentenonderzoek. Daarna moest Elon Musk mijn aanvraag persoonlijk goedkeuren. Tesla heeft een strikte Non Disclosure Agreement (NDA).
Ik ben niet geslaagd voor de kleurcontrole. De recruiter zei dat ik veel online chat en daarmee de geheimhoudingsverklaring schend. De enige plaats waar ik iets zei over een interview bij Tesla was ODS, dus de huidige hypothese is dat iemand een screenshot heeft gemaakt en naar HR bij Tesla heeft geschreven, en dat ik uit de race werd verwijderd. Toen was het een schande. Nu ben ik blij dat het niet gelukt is. Mijn huidige functie is veel beter, hoewel het heel interessant zou zijn om met Andrey samen te werken.
Onmiddellijk daarna stortte ik mij in de satellietbeeldwedstrijd op Kaggle . Het probleem was eenvoudig en uiterst saai; niemand wilde het oplossen, maar iedereen wilde een gratis gouden medaille of prijzengeld. Daarom hebben we met een team van Kaggle Masters van 7 personen afgesproken dat we met ijzer zouden gooien. We hebben 480 netwerken getraind in de 'fit_predict'-modus en er een ensemble van drie verdiepingen van gemaakt. Wij zijn als zevende geëindigd. . Trouwens, Jeremy Howard, die algemeen bekend staat als de maker klaar 23.
Na afloop van de wedstrijd heb ik via een vriend die bij AdRoll werkte een Meetup bij hen georganiseerd. Vertegenwoordigers van Planet Labs vertelden daar hoe de organisatie van de wedstrijd en de datamarkering er van hun kant uitzag. Wendy Kwan, die bij Kaggle werkt en toezicht hield op de wedstrijd, vertelde hoe zij het zag. Ik beschreef onze oplossing, trucs, technieken en technische details. Tweederde van het publiek loste dit probleem op, dus de vragen werden ter zake gesteld en over het algemeen was alles cool. Jeremy Howard was er ook. Het bleek dat hij op de 23e plaats eindigde omdat hij niet wist hoe hij het model moest stapelen en dat hij helemaal niets wist van deze manier van ensemblebouw.
Meetups in de vallei over machine learning zijn heel anders dan meetups in Moskou. In de regel zijn bijeenkomsten in de vallei de bodem. Maar die van ons is goed gelukt. Helaas heeft de kameraad die op de knop moest drukken en alles moest opnemen, niet op de knop gedrukt :)
Daarna werd ik uitgenodigd om te praten met de functie van Deep Learning Engineer bij diezelfde Planet Labs, en meteen ter plaatse. Ik ben er niet doorheen gekomen. De bewoording van de weigering is dat er niet genoeg kennis is in Deep Learning.
Ik ontwierp elke wedstrijd als een project in . Voor het DSTL-probleem hebben we geschreven en plaatste het op arxiv. Geen artikel, maar toch brood. Ik raad iedereen ook aan om hun LinkedIn-profiel te vergroten door middel van wedstrijden, artikelen, vaardigheden, enzovoort. Er is een positieve correlatie tussen het aantal trefwoorden dat u in uw LinkedIn-profiel heeft en hoe vaak mensen u een bericht sturen.
Was ik in de winter en de lente erg technisch, dan had ik in augustus zowel kennis als zelfvertrouwen.
Eind juli nam een man die als Data Science-manager bij Lyft werkte contact met me op via LinkedIn en nodigde me uit voor een kop koffie en een praatje over het leven, over Lyft, over TrueAccord. We hebben gepraat. Hij bood aan om met zijn team te interviewen voor de functie van Data Scientist. Ik zei dat de optie werkt, op voorwaarde dat het van 's ochtends tot' s avonds Computer Vision / Deep Learning is. Hij verzekerde dat er van zijn kant geen bezwaren waren.
Ik stuurde mijn CV en hij uploadde het naar de interne portal van Lyft. Daarna belde de recruiter mij om mijn CV te openen en meer over mij te weten te komen. Vanaf de allereerste woorden was het duidelijk dat dit voor hem een formaliteit was, aangezien het voor hem uit zijn cv duidelijk was dat “ik geen materiaal voor Lyft ben.” Ik denk dat mijn cv daarna in de prullenbak is beland.
Al die tijd, terwijl ik werd geïnterviewd, besprak ik mijn mislukkingen en ondergangen bij ODS en de jongens gaven me feedback en hielpen me op alle mogelijke manieren met advies, hoewel er, zoals gewoonlijk, ook veel vriendelijk trollen was.
Een van de ODS-leden bood aan mij in contact te brengen met zijn vriend, die technisch directeur is bij Lyft. Zo gezegd zo gedaan. Ik kom naar Lyft voor de lunch, en naast deze vriend is er ook een hoofd Data Science en een productmanager die groot fan is van Deep Learning. Tijdens de lunch praatten we via DL. En aangezien ik een half jaar lang netwerken 24/7 heb getraind, kubieke meters literatuur heb gelezen en taken op Kaggle heb uitgevoerd met min of meer duidelijke resultaten, kon ik uren over Deep Learning praten, zowel wat betreft nieuwe artikelen als praktische technieken.
Na de lunch keken ze me aan en zeiden: het is meteen duidelijk dat je knap bent, wil je met ons praten? Bovendien voegden ze eraan toe dat het mij duidelijk is dat het take home + tech-scherm kan worden overgeslagen. En dat ik meteen ter plaatse wordt uitgenodigd. Ik ging akkoord.
Daarna belde die recruiter mij om een sollicitatiegesprek op locatie te plannen, en hij was ontevreden. Hij mompelde iets over dat je niet over je hoofd moet springen.
Kwam. Interview op locatie. Vijf uur communicatie met verschillende mensen. Er was geen enkele vraag over Deep Learning, of over machine learning in principe. Omdat er geen Deep Learning / Computer Vision is, ben ik niet geïnteresseerd. De interviewresultaten waren dus orthogonaal.
Deze recruiter belt en zegt: gefeliciteerd, je bent door naar het tweede sollicitatiegesprek op locatie. Dit is allemaal verrassend. Wat is de tweede ter plaatse? Ik heb nog nooit van zoiets gehoord. Ik ging. Er zijn daar een paar uur, deze keer helemaal over traditioneel machine learning. Dat is beter. Maar nog steeds niet interessant.
De recruiter belt met de felicitaties dat ik geslaagd ben voor het derde sollicitatiegesprek op locatie en belooft dat dit het laatste zal zijn. Ik ging kijken en er was zowel een DL als een CV.
Ik had maandenlang een prior die me vertelde dat er geen aanbod zou komen. Ik zal niet trainen op technische vaardigheden, maar op zachte vaardigheden. Niet aan de zachte kant, maar aan het feit dat de functie wordt gesloten of dat het bedrijf nog geen mensen aanneemt, maar simpelweg de markt en het niveau van kandidaten test.
Midden augustus. Ik heb bier gedronken, oké. Donkere gedachten. Er zijn 8 maanden verstreken en nog steeds geen aanbod. Het is goed om creatief te zijn onder bier, vooral als de creativiteit vreemd is. Er komt een idee in mij op. Ik deel het met Alexey Shvets, die destijds postdoc was bij MIT.
Wat als je naar de dichtstbijzijnde DL/CV-conferentie gaat, de wedstrijden bekijkt die daar deel van uitmaken, iets traint en je inlevert? Omdat alle experts daar hun carrière hierop bouwen en dit al vele maanden of zelfs jaren doen, hebben we geen enkele kans. Maar het is niet eng. We doen een zinvolle inzending, vliegen naar de laatste plaats en daarna schrijven we een pre-print of een artikel over hoe we niet zijn zoals alle anderen en praten we over onze beslissing. En het artikel staat al op LinkedIn en in je cv.
Dat wil zeggen, het lijkt relevant te zijn en er staan meer correcte zoekwoorden in het cv, wat de kansen om op het technische scherm te komen iets zou moeten vergroten. Code en inzendingen van mij, sms'jes van Alexey. Spel natuurlijk, maar waarom niet?
Zo gezegd zo gedaan. De dichtstbijzijnde conferentie die we googleden was MICCAI en er waren daar daadwerkelijk wedstrijden. Wij hebben de eerste getroffen. Het was . De taak heeft 3 subtaken. Er waren nog 8 dagen vóór de deadline. Ik werd 's ochtends nuchter, maar ik gaf het idee niet op. Ik nam mijn pijpleidingen van Kaggle en schakelde ze over van satellietgegevens naar medische gegevens. 'fit_predict'. Alexey heeft voor elk probleem een beschrijving van twee pagina's met oplossingen opgesteld en die hebben we opgestuurd. Klaar. In theorie kun je uitademen. Maar het bleek dat er voor dezelfde werkplaats nog een andere taak was () met drie subtaken en dat haar deadline met 4 dagen is opgeschoven, dat wil zeggen dat we daar 'fit_predict' kunnen doen en het kunnen verzenden. Dat is wat wij deden.
In tegenstelling tot Kaggle hadden deze competities hun eigen academische bijzonderheden:
- Geen klassement. Inzendingen worden per e-mail verzonden.
- U wordt verwijderd als een teamvertegenwoordiger de oplossing niet komt presenteren op de conferentie in de Workshop.
- Uw plaats op het scorebord wordt pas tijdens de conferentie bekend. Een soort academisch drama.
De MICCAI 2017-conferentie werd gehouden in Quebec City. Eerlijk gezegd begon ik in september een burn-out te krijgen, dus het idee om een week vrij te nemen van mijn werk en naar Canada te gaan leek me interessant.
Kwam naar de conferentie. Ik kwam naar deze workshop, ik ken niemand, ik zit in de hoek. Iedereen kent elkaar, ze communiceren, ze gooien slimme medische woorden uit. Terugblik op de eerste wedstrijd. Deelnemers spreken en praten over hun beslissingen. Het is daar cool, met een sprankeling. Mijn beurt. En ergens schaam ik me zelfs. Ze hebben het probleem opgelost, eraan gewerkt, de wetenschap vooruit gebracht, en we zijn puur 'fit_predict' op basis van ontwikkelingen uit het verleden, niet voor de wetenschap, maar om ons cv een boost te geven.
Hij kwam naar buiten en zei dat ik ook geen deskundige op het gebied van de geneeskunde ben, verontschuldigde zich voor het verspillen van hun tijd en liet me een dia zien met de oplossing. Ik ging naar de hal.
Ze kondigen de eerste subtaak aan: wij zijn de eerste, en met een marge.
De tweede en derde zijn aangekondigd.
Ze kondigen de derde aan - opnieuw als eerste en opnieuw met voorsprong.
Generaal is de eerste.
Sommigen in het publiek glimlachen en kijken me respectvol aan. Anderen, degenen die kennelijk als deskundigen op dit gebied werden beschouwd, die voor deze taak een beurs hadden gekregen en dit al vele jaren deden, hadden een enigszins verwrongen uitdrukking op hun gezicht.
De volgende is de tweede taak, die met drie subtaken en die met vier dagen naar voren is geschoven.
Hier heb ik ook mijn excuses aangeboden en onze ene dia opnieuw laten zien.
Hetzelfde verhaal. Twee eerst, één seconde, gemeenschappelijk eerst.
Ik denk dat dit waarschijnlijk de eerste keer in de geschiedenis is dat een incassobureau een wedstrijd voor medische beeldvorming heeft gewonnen.
En nu sta ik op het podium, ze overhandigen me een soort diploma en ik word gebombardeerd. Hoe kan dat verdomme zijn? Deze academici geven geld van de belastingbetaler uit en werken aan het vereenvoudigen en verbeteren van de kwaliteit van het werk voor artsen, dat wil zeggen, in theorie, mijn levensverwachting, en een of andere instantie heeft deze hele academische staf in een paar avonden onder de Britse vlag verscheurd.
Een bonus hiervan is dat in andere teams afgestudeerde studenten die al vele maanden aan deze taken hebben gewerkt, een CV zullen hebben dat aantrekkelijk is voor HR, dat wil zeggen dat ze gemakkelijk op het technische scherm zullen komen. En voor mijn ogen is er een vers ontvangen e-mail:
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.Over het algemeen vraag ik vanaf het podium aan het publiek: “Weet iemand waar ik werk?” Een van de organisatoren van de wedstrijd wist het - hij googlede wat TrueAccord was. De rest niet. Ik vervolg: “Ik werk voor een incassobureau en op het werk doe ik noch Computer Vision, noch Deep Learning. En in veel opzichten gebeurt dit omdat de HR-afdelingen van Google Brain en Deepmind mijn cv filteren, waardoor ik geen kans krijg om technische training te geven. "
Ze overhandigden het certificaat, een pauze. Een groep academici trekt me terzijde. Het bleek dat dit een Health-groep is met Deepmind. Ze waren zo onder de indruk dat ze mij meteen wilden spreken over de vacature Research Engineer in hun team. (We hebben gepraat. Dit gesprek duurde zes maanden, ik slaagde voor de take home quiz, maar werd afgebroken op het technische scherm. Zes maanden vanaf het begin van de communicatie naar het technische scherm is lang. Het lange wachten geeft een voorproefje van nutteloosheid. Onderzoeksingenieur bij Deepmind in Londen, tegen de achtergrond van TrueAccord was er een sterke stap omhoog, maar tegen de achtergrond van mijn huidige functie is het een stap terug. Vanaf een afstand van twee jaar die sindsdien zijn verstreken, is het goed dat dit niet het geval was.)
Conclusie
Rond dezelfde tijd ontving ik een aanbod van Lyft, dat ik accepteerde.
Op basis van de resultaten van deze twee wedstrijden met MICCAI werd het volgende gepubliceerd:
Dat wil zeggen dat, ondanks de wildheid van het idee, het toevoegen van incrementele artikelen en preprints via wedstrijden goed werkt. En in de daaropvolgende jaren hebben we het nog erger gemaakt.
Ik werk de afgelopen jaren bij Lyft en doe Computer Vision/Deep Learning voor zelfrijdende auto's. Dat wil zeggen: ik heb wat ik wilde. En taken, en een bedrijf met een hoge status, en sterke collega's, en al het andere lekkers.
Gedurende deze maanden had ik communicatie met zowel de grote bedrijven Google, Facebook, Uber, LinkedIn, als met een zee van startups van verschillende groottes.
Het deed al die maanden pijn. Het universum vertelt je elke dag iets dat niet erg prettig is. Regelmatige afwijzing, regelmatig fouten maken en dit alles wordt op smaak gebracht met een aanhoudend gevoel van hopeloosheid. Er zijn geen garanties dat je zult slagen, maar er is een gevoel dat je een dwaas bent. Het doet sterk denken aan hoe ik direct na de universiteit een baan probeerde te vinden.
Ik denk dat velen werk zochten in de vallei en dat alles veel gemakkelijker voor hen was. De truc is naar mijn mening dit. Als je op zoek bent naar een baan in een vakgebied waar je verstand van hebt, veel ervaring hebt en je CV zegt hetzelfde, dan zijn er geen problemen. Ik nam het en vond het. Er zijn veel vacatures.
Maar als je op zoek bent naar een baan in een vakgebied dat nieuw voor je is, dat wil zeggen als er geen kennis is, geen connecties en je cv zegt iets verkeerds - op dit moment wordt alles buitengewoon interessant.
Op dit moment schrijven recruiters mij regelmatig en bieden aan om hetzelfde te doen als ik nu doe, maar dan bij een ander bedrijf. Het is echt tijd om van baan te veranderen. Maar het heeft geen zin om te gaan doen waar ik al goed in ben. Waarvoor?
Maar voor wat ik wil, heb ik opnieuw de kennis noch de regels in mijn cv. Laten we kijken hoe dit allemaal eindigt. Als alles goed gaat, schrijf ik het volgende deel. 🙂
Bron: www.habr.com