To zdjęcie jest autorstwa Arthura Kuzina (), dość trafnie podsumowuje treść wpisu. W rezultacie poniższą narrację należy postrzegać bardziej jako opowieść piątkową niż coś niezwykle przydatnego i technicznego. Ponadto warto zauważyć, że tekst jest bogaty w angielskie słowa. Nie wiem, jak poprawnie przetłumaczyć niektóre z nich, a niektórych po prostu nie chcę tłumaczyć.
Pierwsze dwa odcinki ujawniają, jak doszło do przejścia ze środowiska akademickiego do przemysłowego. W tym przypadku rozmowa będzie dotyczyć tego, co wydarzyło się później.
To był styczeń 2017. Miałem wówczas nieco ponad roczny staż pracy i pracowałem w firmie w San Francisco jak pan Analityk danych.
TrueAccord to startup windykacyjny. W skrócie – agencja windykacyjna. Kolekcjonerzy zwykle dużo dzwonią. Wysłaliśmy wiele e-maili, ale wykonaliśmy kilka telefonów. Każdy e-mail prowadził do strony internetowej firmy, gdzie dłużnikowi oferowano upust od zadłużenia, a nawet możliwość spłaty w ratach. Takie podejście umożliwiło lepszą windykację, umożliwiło skalowanie i mniejsze narażenie na pozwy sądowe.
Firma była normalna. Produkt jest przezroczysty. Zarząd jest rozsądny. Lokalizacja jest dobra.
Przeciętnie ludzie w dolinie pracują w jednym miejscu przez około półtora roku. Oznacza to, że każda firma, w której pracujesz, to tylko mały krok. Na tym etapie zbierzesz trochę pieniędzy, zdobędziesz nową wiedzę, umiejętności, powiązania i linie w swoim CV. Po tym następuje przejście do następnego kroku.
W samym TrueAccord zajmowałem się dołączaniem systemów rekomendacji do biuletynów e-mailowych, a także ustalaniem priorytetów rozmów telefonicznych. Wpływ jest zrozumiały i został całkiem dobrze zmierzony w dolarach w testach A/B. Ponieważ przed moim przybyciem nie było uczenia maszynowego, wpływ mojej pracy nie był zły. Ponownie, znacznie łatwiej jest coś ulepszyć niż coś, co jest już mocno zoptymalizowane.
Po sześciu miesiącach pracy nad tymi systemami podnieśli nawet moją pensję podstawową ze 150 tys. dolarów do 163 tys. dolarów. W społeczeństwie jest mem o wartości 163 tys. dolarów. Rośnie stąd wraz z nogami.
Wszystko to było cudowne, ale nie prowadziło donikąd, albo prowadziło, ale nie tam.
Mam ogromny szacunek do TrueAccord, zarówno do firmy, jak i do chłopaków, z którymi tam pracowałem. Wiele się od nich nauczyłem, ale nie chciałem długo pracować nad systemami rekomendacji w firmie windykacyjnej. Od tego kroku trzeba było zrobić krok w jakimś kierunku. Jeśli nie do przodu i do góry, to przynajmniej na boki.
Co mi się nie podobało?
- Z punktu widzenia uczenia maszynowego problemy mnie nie ekscytowały. Chciałem czegoś modnego, młodzieńczego, czyli Deep Learning, Computer Vision, czegoś raczej bliskiego nauce lub przynajmniej alchemii.
- Startup, a nawet firma windykacyjna ma problemy ze znalezieniem wysoko wykwalifikowanej kadry. Jako start-up nie może dużo zapłacić. Ale jako agencja windykacyjna traci swój status. Z grubsza rzecz biorąc, jeśli dziewczyna na randce pyta, gdzie pracujesz? Twoja odpowiedź: „W Google” brzmi o rząd wielkości lepiej niż „agencja windykacyjna”. Trochę niepokoiło mnie to, że moim przyjaciołom, którzy pracują w Google i Facebooku, w przeciwieństwie do mnie, nazwa ich firmy otwierała drzwi typu: możesz zostać zaproszony na konferencję lub spotkanie w charakterze prelegenta, albo ciekawsze osoby napiszą na LinkedIn z propozycją spotkania i pogawędki przy herbacie. Bardzo lubię kontaktować się z ludźmi, których nie znam osobiście. Jeśli więc mieszkasz w San Francisco, nie wahaj się napisać – chodźmy na kawę i porozmawiajmy.
- Oprócz mnie w firmie pracowało trzech Data Scientistów. Ja pracowałem nad uczeniem maszynowym, a oni nad innymi zadaniami związanymi z analityką danych, które są powszechne w każdym startupie od chwili obecnej do przyszłości. W rezultacie tak naprawdę nie rozumieli uczenia maszynowego. Ale żeby się rozwijać, muszę się z kimś komunikować, omawiać artykuły i najnowsze osiągnięcia, a na koniec prosić o radę.
Co było dostępne?
- Wykształcenie: fizyka, nie informatyka.
- Jedynym językiem programowania, jaki znałem, był Python. Miałem wrażenie, że muszę przejść na C++, ale wciąż nie mogłem się za to zabrać.
- Półtora roku pracy w branży. Co więcej, w pracy nie studiowałem ani Deep Learning, ani Computer Vision.
- W CV nie ma ani jednego artykułu na temat głębokiego uczenia się / widzenia komputerowego.
- Było osiągnięcie Mistrz Kaggle.
Czego chciałeś?
- Stanowisko, na którym konieczne będzie przeszkolenie wielu sieci i bliżej widzenia komputerowego.
- Lepiej, jeśli jest to duża firma, taka jak Google, Tesla, Facebook, Uber, LinkedIn itp. Chociaż w mgnieniu oka przydałby się startup.
- Nie muszę być największym ekspertem w dziedzinie uczenia maszynowego w zespole. Było ogromne zapotrzebowanie na starszych kolegów, mentorów i wszelkiego rodzaju komunikację, która miała przyspieszyć proces uczenia się.
- Po przeczytaniu postów na blogu o tym, że absolwenci bez doświadczenia przemysłowego otrzymują całkowite wynagrodzenie w wysokości 300–500 tys. dolarów rocznie, chciałem zmieścić się w tym samym przedziale. Nie żeby mi to aż tak przeszkadzało, ale skoro mówią, że to powszechne zjawisko, a ja mam mniej, to jest to sygnał.
Zadanie wydawało się całkowicie do rozwiązania, choć nie w tym sensie, że można wskoczyć do dowolnego towarzystwa, ale raczej w tym sensie, że jeśli umrzesz z głodu, wszystko się ułoży. Oznacza to, że dziesiątki lub setki prób oraz ból spowodowany każdą porażką i każdym odrzuceniem należy wykorzystać, aby wyostrzyć koncentrację, poprawić pamięć i wydłużyć dzień do 36 godzin.
Poprawiłem swoje CV, zacząłem je wysyłać i chodzić na rozmowy kwalifikacyjne. Większość z nich przeleciałem już na etapie komunikacji z HR. Wiele osób potrzebowało C++, ale ja o tym nie wiedziałem i miałem silne przeczucie, że nie będę zbytnio zainteresowany stanowiskami, które wymagają C++.
Warto zauważyć, że mniej więcej w tym samym czasie nastąpiła zmiana fazowa w typie zawodów na Kaggle. Przed 2017 rokiem było dużo danych tabelarycznych i bardzo rzadko danych obrazowych, ale od 2017 roku było dużo zadań z zakresu widzenia komputerowego.
Życie płynęło w następujący sposób:
- Pracuj w ciągu dnia.
- Kiedy robisz ekran techniczny/na miejscu, bierzesz wolne.
- Wieczory i weekendy Kaggle + artykuły/książki/posty na blogu
Koniec 2016 roku upłynął mi pod znakiem dołączenia do wspólnoty , co uprościło wiele rzeczy. W społeczności jest wielu chłopaków z bogatym doświadczeniem przemysłowym, co pozwoliło nam zadać wiele głupich pytań i uzyskać wiele mądrych odpowiedzi. Jest też wielu bardzo silnych specjalistów od uczenia maszynowego wszelkiego rodzaju, co nieoczekiwanie pozwoliło mi, za pośrednictwem ODS, zamknąć problem regularną, dogłębną komunikacją na temat Data Science. Do tej pory, jeśli chodzi o ML, ODS daje mi wielokrotnie więcej niż to, co dostaję w pracy.
Cóż, jak zwykle ODS ma wystarczającą liczbę specjalistów od konkursów na Kaggle i innych stronach. Rozwiązywanie problemów w zespole jest przyjemniejsze i bardziej produktywne, więc za pomocą żartów, przekleństw, memów i innych nerdowatych rozrywek zaczęliśmy rozwiązywać problemy jeden po drugim.
W marcu 2017 r. – w drużynie z Seregą Muszyńskim – trzecie miejsce za . Złoty medal na Kaggle + 20 tys. dolarów dla dwojga. W tym zadaniu poprawiono pracę ze zdjęciami satelitarnymi + segmentację binarną poprzez UNet.
W marcu tego samego roku udałem się na rozmowę kwalifikacyjną do firmy NVidia z zespołem Self Driving. Naprawdę miałem problemy z pytaniami dotyczącymi wykrywania obiektów. Zabrakło wiedzy.
Na szczęście w tym samym czasie rozpoczął się konkurs wykrywania obiektów na zdjęciach lotniczych z tej samej DSTL. Sam Bóg nakazał rozwiązać problem i dokonać aktualizacji. Miesiąc wieczorów i weekendów. Zdobyłem wiedzę i zająłem drugie miejsce. Zasady tego konkursu miały ciekawe niuanse, w wyniku czego pokazano mnie w Rosji na kanałach federalnych i mniej federalnych. Wsiadłem oraz w wielu publikacjach drukowanych i internetowych. Grupa Mail Ru otrzymała trochę pozytywny PR moim kosztem i własnymi pieniędzmi, a nauka podstawowa w Rosji została wzbogacona o 12000 XNUMX funtów. Jak zwykle było pisane w tym temacie . Przejdź tam, aby poznać szczegóły.
W tym samym czasie skontaktował się ze mną rekruter Tesli i zaproponował rozmowę na temat stanowiska Computer Vision. Zgodziłem się. Przebiegłem przez zabranie do domu, dwa ekrany techniczne, rozmowę na miejscu i odbyłem bardzo przyjemną rozmowę z Andriejem Karpathym, który właśnie został zatrudniony w Tesli na stanowisku dyrektora ds. sztucznej inteligencji. Następnym etapem jest sprawdzenie przeszłości. Następnie Elon Musk musiał osobiście zatwierdzić mój wniosek. Tesla ma ścisłą umowę o zachowaniu poufności (NDA).
Nie przeszedłem kontroli przeszłości. Rekruter powiedział, że dużo rozmawiam online, naruszając NDA. Jedynym miejscem, w którym powiedziałem cokolwiek na temat wywiadu w Tesli, był ODS, więc obecna hipoteza jest taka, że ktoś zrobił zrzut ekranu i napisał do działu HR w Tesli, a ja zostałem usunięty z wyścigu w obawie o niebezpieczeństwo. Wtedy to był wstyd. Teraz cieszę się, że to nie wyszło. Moja obecna pozycja jest znacznie lepsza, chociaż praca z Andreyem byłaby bardzo interesująca.
Zaraz potem wziąłem udział w konkursie zdjęć satelitarnych na platformie Kaggle . Problem był prosty i niezwykle nudny, nikt nie chciał go rozwiązać, ale każdy chciał darmowego złotego medalu lub nagrody pieniężnej. Dlatego z 7-osobowym zespołem Kaggle Masters ustaliliśmy, że będziemy rzucić żelazo. Przeszkoliliśmy 480 sieci w trybie „fit_predict” i zbudowaliśmy z nich trzypiętrowy zespół. Skończyliśmy na siódmym miejscu. . Swoją drogą Jeremy Howard, który jest powszechnie znany jako twórca zakończył 23.
Po zakończeniu konkursu za pośrednictwem znajomego, który pracował w AdRoll, zorganizowałem Meetup na ich terenie. Przedstawiciele Planet Labs opowiedzieli tam, jak wyglądała z ich strony organizacja konkursu i oznaczanie danych. Wendy Kwan, która pracuje w Kaggle i nadzoruje konkurs, opowiedziała, jak to widziała. Opisałem nasze rozwiązanie, triki, techniki i szczegóły techniczne. Dwie trzecie publiczności rozwiązało ten problem, więc pytania zostały zadane na temat i ogólnie wszystko było w porządku. Jeremy Howard też tam był. Okazało się, że zajął 23. miejsce, bo nie wiedział, jak ułożyć model i w ogóle nie miał pojęcia o tym sposobie konstruowania zespołów.
Spotkania w dolinie poświęcone uczeniu maszynowemu bardzo różnią się od spotkań w Moskwie. Z reguły spotkania w dolinie to dno. Ale nasz okazał się dobry. Niestety towarzysz który miał wcisnąć guzik i wszystko nagrać nie wcisnął przycisku :)
Następnie zostałem zaproszony na rozmowę na stanowisko inżyniera głębokiego uczenia się w tym samym Planet Labs i od razu na miejscu. Nie przeszedłem. Treść odmowy jest taka, że w Deep Learning nie ma wystarczającej wiedzy.
Każdy konkurs zaprojektowałem jako projekt w . W przypadku problemu DSTL pisaliśmy i opublikowałem go na arxiv. Nie artykuł, ale chleb. Wszystkim innym polecam także rozbudowę swojego profilu na LinkedIn poprzez konkursy, artykuły, umiejętności i tak dalej. Istnieje dodatnia korelacja pomiędzy liczbą słów kluczowych znajdujących się w profilu LinkedIn a częstotliwością wysyłania do Ciebie wiadomości.
Jeśli zimą i wiosną byłem bardzo techniczny, to w sierpniu miałem zarówno wiedzę, jak i pewność siebie.
Pod koniec lipca facet, który pracował jako menadżer Data Science w Lyft, skontaktował się ze mną na LinkedIn i zaprosił mnie na kawę i pogawędkę o życiu, o Lyft, o TrueAccord. Rozmawialiśmy. Zaproponował rozmowę ze swoim zespołem na stanowisko Data Scientist. Powiedziałem, że opcja działa pod warunkiem, że będzie to Computer Vision/Deep Learning od rana do wieczora. Zapewnił, że nie ma żadnych zastrzeżeń z jego strony.
Wysłałem swoje CV, a on umieścił je na wewnętrznym portalu Lyft. Następnie rekruter zadzwonił do mnie, aby otworzyć moje CV i dowiedzieć się o mnie więcej. Od pierwszych słów było jasne, że dla niego to formalność, bo z CV jasno wynikało, że „nie jestem materiałem na Lyft”. Chyba potem moje CV trafiło do kosza.
Przez cały ten czas podczas rozmowy kwalifikacyjnej omawiałem swoje niepowodzenia i upadki w ODS, a chłopaki udzielali mi informacji zwrotnych i pomagali mi w każdy możliwy sposób radą, choć jak zwykle nie zabrakło tam także sporo przyjacielskiego trollingu.
Jeden z członków ODS zaproponował, że skontaktuje mnie ze swoim przyjacielem, który jest dyrektorem ds. inżynierii w firmie Lyft. Nie wcześniej powiedziane, niż zrobione. Przychodzę do Lyft na lunch, a oprócz tego znajomego jest tam także Head of Data Science i Product Manager, który jest wielkim fanem Deep Learning. Podczas lunchu rozmawialiśmy przez DL. A ponieważ od pół roku trenuję sieci 24 godziny na dobę, 7 dni w tygodniu, czytam metry sześcienne literatury i uruchamiam zadania na Kaggle z mniej lub bardziej wyraźnymi wynikami, o Deep Learning mógłbym opowiadać godzinami, zarówno jeśli chodzi o nowe artykuły, jak i praktyczne techniki.
Po obiedzie spojrzeli na mnie i powiedzieli - od razu widać, że jesteś przystojny, chcesz z nami porozmawiać? Co więcej, dodali, że jest dla mnie jasne, że zabrać do domu + ekran technologiczny można pominąć. I że zostanę natychmiast zaproszony na miejsce. Zgodziłem się.
Następnie ten rekruter zadzwonił do mnie, aby umówić się na rozmowę kwalifikacyjną na miejscu i był niezadowolony. Mruknął coś, żeby nie skakać ci nad głową.
Wszedł. Wywiad na miejscu. Pięć godzin komunikacji z różnymi ludźmi. Nie było ani jednego pytania o Deep Learning, ani o uczenie maszynowe w zasadzie. Ponieważ nie ma głębokiego uczenia się / widzenia komputerowego, nie jestem zainteresowany. Wyniki wywiadów były zatem ortogonalne.
Dzwoni ten rekruter i mówi – gratulacje, dostałeś się na drugą rozmowę kwalifikacyjną na miejscu. To wszystko jest zaskakujące. Jakie jest drugie miejsce? Nigdy o czymś takim nie słyszałem. Poszedłem. Jest tam kilka godzin, tym razem poświęconych tradycyjnemu uczeniu maszynowemu. To jest lepsze. Ale nadal nie jest interesująco.
Rekruter dzwoni z gratulacjami, że zaliczyłem trzecią rozmowę kwalifikacyjną i obiecuje, że będzie to ostatnia. Poszedłem to zobaczyć i okazało się, że jest tam zarówno DL, jak i CV.
Przez wiele miesięcy miałem przełożonego, który mówił mi, że nie będzie żadnej oferty. Nie będę trenował umiejętności technicznych, ale miękkich. Nie po miękkiej stronie, ale po tym, że stanowisko zostanie zamknięte lub że firma nie prowadzi jeszcze rekrutacji, a jedynie testuje rynek i poziom kandydatów.
W połowie sierpnia. Wypiłem piwo ok. Czarne myśli. Minęło 8 miesięcy i nadal nie ma oferty. Dobrze jest być kreatywnym pod piwem, zwłaszcza jeśli kreatywność jest dziwna. Przychodzi mi do głowy pewien pomysł. Dzielę się tym z Alexeyem Shvetsem, który w tym czasie był postdoktorem na MIT.
A co jeśli pojedziesz na najbliższą konferencję DL/CV, obejrzysz odbywające się w jej ramach konkursy, przeszkolisz coś i zgłosisz się? Ponieważ wszyscy tamtejsi eksperci budują na tym swoje kariery i robią to od wielu miesięcy, a nawet lat, nie mamy szans. Ale to nie jest straszne. Składamy jakieś sensowne zgłoszenie, lecimy na ostatnie miejsce, a potem piszemy preprint lub artykuł o tym, że nie jesteśmy tacy jak wszyscy inni i rozmawiamy o naszej decyzji. A artykuł jest już na LinkedIn i w Twoim CV.
Oznacza to, że wydaje się trafny i w CV jest więcej poprawnych słów kluczowych, co powinno nieznacznie zwiększyć szanse na dotarcie do ekranu technicznego. Kod i zgłoszenia ode mnie, SMS-y od Aleksieja. Gra, oczywiście, ale dlaczego nie?
Nie wcześniej powiedziane, niż zrobione. Najbliższa konferencja, którą wyszukaliśmy w Google, to MICCAI i faktycznie odbywały się tam zawody. Trafiliśmy na pierwszego. To było . Zadanie składa się z 3 podzadań. Do terminu pozostało 8 dni. Rano wytrzeźwiałem, ale nie porzuciłem tej myśli. Wziąłem rurociągi od Kaggle i przełączyłem je z danych satelitarnych na dane medyczne. „fit_predict”. Alexey przygotował dwustronicowy opis rozwiązań każdego problemu i go przesłaliśmy. Gotowy. Teoretycznie możesz wydychać. Okazało się jednak, że dla tego samego warsztatu było inne zadanie () z trzema podzadaniami i że jej termin został przesunięty o 4 dni, czyli możemy tam zrobić 'fit_predict' i wysłać. To właśnie zrobiliśmy.
W przeciwieństwie do Kaggle, konkursy te miały swoją specyfikę akademicką:
- Brak tabeli liderów. Zgłoszenia przesyłane są e-mailem.
- Zostaniesz usunięty, jeśli przedstawiciel zespołu nie pojawi się, aby zaprezentować rozwiązanie na konferencji w ramach Warsztatu.
- Twoje miejsce w tabeli liderów będzie znane dopiero podczas konferencji. Coś w rodzaju dramatu akademickiego.
Konferencja MICCAI 2017 odbyła się w Quebec City. Szczerze mówiąc, we wrześniu zaczynałem się już wypalać, więc pomysł wzięcia tygodnia wolnego od pracy i wyjazdu do Kanady wydał mi się ciekawy.
Przyszedł na konferencję. Przyszedłem do tego Warsztatu, nikogo nie znam, siedzę w kącie. Wszyscy się znają, komunikują, rzucają mądrymi medycznymi słówkami. Recenzja pierwszego konkursu. Uczestnicy rozmawiają i omawiają swoje decyzje. Tam jest fajnie, z błyskiem. Moja kolej. I w jakiś sposób jest mi nawet wstyd. Rozwiązali problem, pracowali nad nim, rozwinęli naukę, a my jesteśmy wyłącznie „fit_predict” na podstawie przeszłych wydarzeń, nie dla nauki, ale dla wzmocnienia naszego CV.
Wyszedł i powiedział, że ja też nie jestem specjalistą w dziedzinie medycyny, przeprosił za stratę czasu i pokazał mi jeden slajd z rozwiązaniem. Zeszłam na dół do holu.
Ogłaszają pierwsze podzadanie - jesteśmy pierwsi i to z przewagą.
Ogłoszono drugi i trzeci.
Ogłaszają trzecią - znowu pierwszą i znowu z prowadzeniem.
Generał jest pierwszy.
Niektórzy na widowni uśmiechają się i patrzą na mnie z szacunkiem. Inni, ci, którzy najwyraźniej uważani byli za ekspertów w swojej dziedzinie, zdobyli grant na to zadanie i zajmują się tym od wielu lat, mieli lekko zniekształcony wyraz twarzy.
Następne jest zadanie drugie, z trzema podzadaniami, które zostało przesunięte o cztery dni.
Tutaj też przeprosiłem i ponownie pokazałem nasz jeden slajd.
Ta sama historia. Dwa pierwsze, jedna sekunda, najpierw wspólne.
Myślę, że to prawdopodobnie pierwszy raz w historii, gdy agencja windykacyjna wygrywa konkurs w dziedzinie obrazowania medycznego.
A teraz stoję na scenie, wręczają mi jakiś dyplom i jestem bombardowany. Jak to, kurwa, może być? Ci naukowcy wydają pieniądze podatników, pracując nad uproszczeniem i poprawą jakości pracy lekarzy, czyli w teorii średniej długości mojego życia, a jakiś organ w ciągu kilku wieczorów rozdarł całą tę kadrę akademicką na brytyjską flagę.
Dodatkową zaletą jest to, że w innych zespołach absolwenci, którzy od wielu miesięcy pracują nad tymi zadaniami, będą mieli CV atrakcyjne dla HR, czyli z łatwością dostaną się do ekranu technologicznego. A przed moimi oczami świeżo otrzymany 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.Generalnie prosto ze sceny pytam publiczność: „Czy ktoś wie, gdzie pracuję?” Wiedział o tym jeden z organizatorów konkursu – poszukał w Google, czym jest TrueAccord. Reszta nie. Kontynuuję: „Pracuję w firmie windykacyjnej i w pracy nie zajmuję się ani widzeniem komputerowym, ani głębokim uczeniem. Pod wieloma względami dzieje się tak, ponieważ działy HR Google Brain i Deepmind filtrują moje CV, nie dając mi szansy na pokazanie przeszkolenia technicznego. "
Przekazali certyfikat, przerwa. Grupa naukowców odciąga mnie na bok. Okazało się, że jest to grupa Health z Deepmind. Byli pod takim wrażeniem, że od razu chcieli ze mną porozmawiać o wakacie Inżyniera ds. Badań w ich zespole. (Rozmawialiśmy. Ta rozmowa trwała 6 miesięcy, przeszedłem zabranie do domu, quiz, ale zostałem przerwany na ekranie technicznym. 6 miesięcy od rozpoczęcia komunikacji do ekranu technicznego to dużo czasu. Długie oczekiwanie daje przedsmak bezużyteczności. Inżynier ds. badań w Deepmind w Londynie, na tle TrueAccord był mocny krok w górę, ale na tle mojego obecnego stanowiska to już krok w dół. Z dystansu dwóch lat, jakie minęły od tego czasu, jest dobrze że tak się nie stało.)
wniosek
Mniej więcej w tym samym czasie otrzymałem ofertę od Lyft, którą przyjąłem.
Na podstawie wyników tych dwóch konkursów z MICCAI opublikowano co następuje:
Oznacza to, że pomimo szaleństwa pomysłu, dodawanie kolejnych artykułów i przedruków w ramach konkursów sprawdza się dobrze. A w kolejnych latach pogorszyliśmy sytuację.
Przez ostatnie kilka lat pracowałem w Lyft, zajmując się wizją komputerową/głębokim uczeniem dla samochodów autonomicznych. Czyli mam to, czego chciałem. I zadania, i firma o wysokim statusie, i silni współpracownicy, i wszystkie inne gadżety.
Przez te miesiące miałem komunikację zarówno z dużymi firmami Google, Facebook, Uber, LinkedIn, jak i z morzem startupów różnej wielkości.
Bolało przez te wszystkie miesiące. Wszechświat każdego dnia mówi Ci coś niezbyt przyjemnego. Regularne odrzucanie, częste popełnianie błędów, a to wszystko podszyte jest uporczywym poczuciem beznadziejności. Nie ma gwarancji, że odniesiesz sukces, ale istnieje poczucie, że jesteś głupcem. Bardzo przypomina mi to, jak próbowałem znaleźć pracę zaraz po studiach.
Myślę, że wielu szukało pracy w dolinie i wszystko było dla nich dużo łatwiejsze. Moim zdaniem sztuczka polega na tym. Jeśli szukasz pracy w dziedzinie, którą rozumiesz, masz duże doświadczenie, a Twoje CV mówi to samo, nie ma problemu. Wziąłem to i znalazłem. Jest dużo wolnych stanowisk.
Ale jeśli szukasz pracy w branży, która jest dla Ciebie nowa, czyli gdy nie ma wiedzy, nie ma znajomości, a Twoje CV mówi coś nie tak – w tym momencie wszystko staje się niezwykle interesujące.
Obecnie rekruterzy regularnie do mnie piszą i proponują mi zrobienie tego samego, co ja teraz, tyle że w innej firmie. Naprawdę czas zmienić pracę. Ale nie ma sensu robić tego, w czym już jestem dobry. Po co?
Ale do tego, czego chcę, znowu nie mam ani wiedzy, ani wierszy w moim CV. Zobaczmy jak to się wszystko skończy. Jeśli wszystko pójdzie dobrze napiszę kolejną część. 🙂
Źródło: www.habr.com