Ang larawang ito ay ni Arthur Kuzin (), medyo tumpak na nagbubuod sa nilalaman ng post sa blog. Bilang resulta, ang sumusunod na salaysay ay dapat na mas malasin na parang isang kuwento sa Biyernes kaysa bilang isang bagay na lubhang kapaki-pakinabang at teknikal. Bilang karagdagan, ito ay nagkakahalaga ng noting na ang teksto ay mayaman sa mga salitang Ingles. Hindi ko alam kung paano isalin nang tama ang ilan sa mga ito, at ayaw ko lang isalin ang ilan sa mga ito.
Kung paano naganap ang paglipat mula sa isang kapaligirang pang-akademiko patungo sa isang kapaligirang pang-industriya ay inihayag sa unang dalawang yugto. Sa isang ito, ang pag-uusap ay tungkol sa susunod na nangyari.
Enero 2017 noon. Sa oras na iyon, mayroon akong higit sa isang taon ng karanasan sa trabaho at nagtrabaho ako sa San Francisco sa kumpanya tulad ni Sr. Data Scientist.
Ang TrueAccord ay isang startup sa pangongolekta ng utang. Sa madaling salita - isang ahensya ng koleksyon. Karaniwang tumatawag ang mga kolektor. Nagpadala kami ng maraming email, ngunit nakagawa ng kaunting mga tawag. Ang bawat email ay humantong sa website ng kumpanya, kung saan ang may utang ay inalok ng diskwento sa utang, at pinahintulutang magbayad nang installment. Ang diskarte na ito ay humantong sa mas mahusay na koleksyon, pinapayagan para sa scaling at mas kaunting pagkakalantad sa mga demanda.
Normal ang kumpanya. Ang produkto ay malinaw. Matino ang pamamahala. Maganda ang lokasyon.
Sa karaniwan, ang mga tao sa lambak ay nagtatrabaho sa isang lugar sa loob ng halos isa't kalahating taon. Ibig sabihin, maliit na hakbang lang ang anumang kumpanyang pinagtatrabahuhan mo. Sa hakbang na ito ay makalikom ka ng pera, makakuha ng bagong kaalaman, kasanayan, koneksyon at linya sa iyong resume. Pagkatapos nito ay may paglipat sa susunod na yugto.
Sa TrueAccord mismo, kasangkot ako sa pag-attach ng mga system ng rekomendasyon sa mga newsletter ng email, pati na rin sa pag-prioritize ng mga tawag sa telepono. Ang epekto ay naiintindihan at nasusukat nang mabuti sa dolyar sa pamamagitan ng A/B testing. Dahil walang machine learning bago ako dumating, hindi masama ang epekto ng aking trabaho. Muli, mas madaling pagbutihin ang isang bagay kaysa sa isang bagay na lubos nang na-optimize.
Pagkatapos ng anim na buwan ng pagtatrabaho sa mga sistemang ito, itinaas pa nila ang aking base pay mula $150k hanggang $163k. Sa komunidad may meme na mga $163k. Lumalaki ito gamit ang kanyang mga paa mula rito.
Ang lahat ng ito ay kahanga-hanga, ngunit hindi ito humantong kahit saan, o humantong ito, ngunit hindi doon.
Malaki ang respeto ko sa TrueAccord, sa kumpanya at sa mga taong nakatrabaho ko doon. Marami akong natutunan mula sa kanila, ngunit hindi ko nais na magtrabaho nang mahabang panahon sa mga sistema ng rekomendasyon sa isang ahensya ng pagkolekta. Mula sa hakbang na ito kailangan mong humakbang sa ilang direksyon. Kung hindi pasulong at pataas, at least patagilid.
Ano ang hindi ko nagustuhan?
- Mula sa perspektibo sa pag-aaral ng makina, hindi ako natuwa sa mga problema. Gusto ko ng isang bagay na naka-istilong, kabataan, iyon ay, Deep Learning, Computer Vision, isang bagay na medyo malapit sa agham o hindi bababa sa alchemy.
- Ang isang startup, at maging ang isang ahensya ng pagkolekta, ay may mga problema sa pagkuha ng mataas na kwalipikadong tauhan. Bilang isang startup, hindi ito maaaring magbayad nang malaki. Pero bilang collection agency, natatalo ito sa status. Sa pangkalahatan, kung ang isang batang babae sa isang petsa ay nagtanong kung saan ka nagtatrabaho? Ang iyong sagot: "Sa Google" ay mas mahusay kaysa sa "ahensiya ng pagkolekta." Bahagyang naabala ako sa katotohanan na para sa aking mga kaibigan na nagtatrabaho sa Google at Facebook, hindi katulad ko, ang pangalan ng kanilang kumpanya ay nagbukas ng mga pintuan tulad ng: maaari kang imbitahan sa isang kumperensya o pagkikita bilang isang tagapagsalita, o higit pang mga kawili-wiling tao na sumulat sa LinkedIn na may alok na makipagkita at makipag-chat sa isang baso ng tsaa. Gustung-gusto kong makipag-usap sa mga taong hindi ko kilala nang personal. Kaya't kung nakatira ka sa San Francisco, huwag mag-atubiling magsulat - tara na para magkape at mag-usap.
- Bilang karagdagan sa akin, tatlong Data Scientist ang nagtrabaho sa kumpanya. Nagtatrabaho ako sa machine learning, at nagtatrabaho sila sa iba pang mga gawain sa Data Science, na karaniwan sa anumang startup mula rito hanggang bukas. Bilang resulta, hindi nila talaga naiintindihan ang machine learning. Ngunit upang lumago, kailangan kong makipag-usap sa isang tao, talakayin ang mga artikulo at ang pinakabagong mga pag-unlad, at humingi ng payo, sa huli.
Ano ang magagamit?
- Edukasyon: physics, hindi computer science.
- Ang tanging programming language na alam ko ay Python. May pakiramdam na kailangan kong lumipat sa C++, ngunit hindi ko pa rin ito magawa.
- Isang taon at kalahating trabaho sa industriya. Bukod dito, sa trabaho ay hindi ako nag-aral ng alinman sa Deep Learning o Computer Vision.
- Wala ni isang artikulo sa Deep Learning / Computer Vision sa resume.
- Nagkaroon ng Kaggle Master achievement.
Ano ang gusto mo?
- Isang posisyon kung saan kakailanganing magsanay ng maraming network, at mas malapit sa computer vision.
- Mas maganda kung ito ay isang malaking kumpanya tulad ng Google, Tesla, Facebook, Uber, LinkedIn, atbp. Bagaman sa isang kurot, magagawa ng isang startup.
- Hindi ko kailangang maging pinakamalaking eksperto sa machine learning sa team. Malaki ang pangangailangan ng mga senior comrades, mentor at lahat ng uri ng komunikasyon, na dapat ay magpapabilis sa proseso ng pag-aaral.
- Matapos basahin ang mga post sa blog tungkol sa kung paano ang mga nagtapos na walang karanasan sa industriya ay may kabuuang kabayaran na $300-500k bawat taon, gusto kong pumunta sa parehong hanay. Ito ay hindi na ito ay nakakaabala sa akin nang labis, ngunit dahil sinasabi nila na ito ay isang pangkaraniwang kababalaghan, ngunit mayroon akong mas kaunti, kung gayon ito ay isang senyales.
Ang gawain ay tila ganap na malulutas, kahit na hindi sa kahulugan na maaari kang tumalon sa anumang kumpanya, ngunit sa halip na kung ikaw ay magutom, ang lahat ay gagana. Iyon ay, sampu o daan-daang mga pagtatangka, at ang sakit mula sa bawat pagkabigo at bawat pagtanggi, ay dapat gamitin upang patalasin ang focus, pagbutihin ang memorya at i-stretch ang araw sa 36 na oras.
Inayos ko ang aking resume, nagsimulang ipadala ito, at pumunta para sa mga panayam. Nilampasan ko ang karamihan sa kanila sa yugto ng komunikasyon sa HR. Maraming tao ang nangangailangan ng C++, ngunit hindi ko ito alam, at malakas ang pakiramdam ko na hindi ako magiging interesado sa mga posisyon na nangangailangan ng C++.
Kapansin-pansin na sa parehong oras ay nagkaroon ng phase transition sa uri ng mga kumpetisyon sa Kaggle. Bago ang 2017 mayroong maraming data sa tabular at napakabihirang data ng larawan, ngunit simula sa 2017 mayroong maraming mga gawain sa computer vision.
Ang buhay ay dumaloy sa sumusunod na mode:
- Magtrabaho sa araw.
- Kapag ang tech screen / onsite ay nagpahinga ka.
- Gabi at katapusan ng linggo Kaggle + mga artikulo / libro / mga post sa blog
Ang pagtatapos ng 2016 ay minarkahan ng katotohanan na sumali ako sa komunidad , na nagpasimple ng maraming bagay. Maraming lalaki sa komunidad na may masaganang karanasan sa industriya, na nagbigay-daan sa amin na magtanong ng maraming hangal na tanong at makakuha ng maraming matalinong sagot. Marami ring napakalakas na espesyalista sa pag-aaral ng makina sa lahat ng mga guhit, na, sa hindi inaasahang pagkakataon, ay nagbigay-daan sa akin, sa pamamagitan ng ODS, na isara ang isyu sa regular na malalim na komunikasyon tungkol sa Data Science. Hanggang ngayon, sa mga tuntunin ng ML, binibigyan ako ng ODS ng maraming beses na higit pa kaysa sa nakukuha ko sa trabaho.
Well, gaya ng dati, may sapat na mga espesyalista ang ODS sa mga kumpetisyon sa Kaggle at iba pang mga site. Ang paglutas ng mga problema sa isang koponan ay mas masaya at produktibo, kaya sa mga biro, pagmumura, meme at iba pang nerdy entertainment, sinimulan naming lutasin ang mga problema isa-isa.
Noong Marso 2017 - sa isang koponan kasama si Serega Mushinsky - pangatlong lugar para sa . Gintong medalya sa Kaggle + $20k para sa dalawa. Sa gawaing ito, napabuti ang pagtatrabaho sa mga satellite image + binary segmentation sa pamamagitan ng UNet.
Noong Marso ring iyon, nagpunta ako para sa isang panayam sa NVidia kasama ang Self Driving team. Nahirapan talaga ako sa mga tanong tungkol sa Object Detection. Walang sapat na kaalaman.
Sa kabutihang-palad, sa parehong oras, nagsimula ang Object Detection competition sa aerial imagery mula sa parehong DSTL. Ang Diyos mismo ang nag-utos na lutasin ang problema at i-upgrade. Isang buwan ng gabi at katapusan ng linggo. Kinuha ko ang kaalaman at pumangalawa. Ang kumpetisyon na ito ay may isang kagiliw-giliw na nuance sa mga patakaran, na humantong sa akin na ipinakita sa Russia sa mga pederal at hindi masyadong pederal na mga channel. sumakay na ako , at sa isang grupo ng mga print at online na publikasyon. Ang Mail Ru Group ay nakatanggap ng kaunting positibong PR sa aking gastos at sarili nitong pera, at ang pangunahing agham sa Russia ay pinayaman ng 12000 pounds. Gaya ng dati, isinulat ito sa paksang ito . Pumunta doon para sa mga detalye.
Kasabay nito, isang Tesla recruiter ang nakipag-ugnayan sa akin at nag-alok na makipag-usap tungkol sa posisyon ng Computer Vision. Sumang-ayon ako. Sinugod ko ang take home, dalawang tech screen, isang onsite na panayam, at nagkaroon ng napakagandang pakikipag-usap kay Andrei Karpathy, na kakatanggap lang sa Tesla bilang Direktor ng AI. Ang susunod na yugto ay ang pagsusuri sa background. Pagkatapos noon, kailangang personal na aprubahan ni Elon Musk ang aking aplikasyon. Ang Tesla ay may mahigpit na Non Disclosure Agreement (NDA).
Hindi ako nakapasa sa backgound check. Sinabi ng recruiter na marami akong ka-chat online, lumalabag sa NDA. Ang tanging lugar kung saan sinabi ko ang anumang bagay tungkol sa isang pakikipanayam sa Tesla ay ODS, kaya ang kasalukuyang hypothesis ay may isang taong kumuha ng screenshot at sumulat sa HR sa Tesla, at ako ay inalis mula sa karera sa labas ng paraan ng pinsala. Nakakahiya noon. Ngayon natutuwa akong hindi ito gumana. Ang aking kasalukuyang posisyon ay higit na mas mahusay, bagaman ito ay magiging lubhang kawili-wili upang makatrabaho si Andrey.
Kaagad pagkatapos noon, sumabak ako sa kumpetisyon ng satellite imagery sa Kaggle mula sa . Ang problema ay simple at lubhang nakakabagot; walang gustong lutasin ito, ngunit lahat ay nagnanais ng libreng gintong medalya o premyong pera. Samakatuwid, kasama ang isang pangkat ng Kaggle Masters na may 7 katao, napagkasunduan namin na maghahagis kami ng bakal. Nagsanay kami ng 480 network sa 'fit_predict' mode at gumawa ng tatlong palapag na grupo mula sa mga ito. Natapos namin ang ikapito. . Siyanga pala, si Jeremy Howard, na kilala bilang tagalikha tapos 23.
Pagkatapos ng kumpetisyon, sa pamamagitan ng isang kaibigan na nagtrabaho sa AdRoll, nag-organisa ako ng Meetup sa kanilang lugar. Nagsalita doon ang mga kinatawan ng Planet Labs tungkol sa hitsura ng organisasyon ng kompetisyon at pagmamarka ng data sa kanilang bahagi. Si Wendy Kwan, na nagtatrabaho sa Kaggle at nangasiwa sa kumpetisyon, ay nagsalita tungkol sa kung paano niya ito nakita. Inilarawan ko ang aming solusyon, mga trick, diskarte at mga teknikal na detalye. Dalawang-katlo ng madla ang nalutas ang problemang ito, kaya ang mga tanong ay tinanong sa punto at sa pangkalahatan ang lahat ay cool. Nandoon din si Jeremy Howard. Ito ay lumabas na siya ay natapos sa ika-23 na puwesto dahil hindi niya alam kung paano i-stack ang modelo at hindi niya alam ang tungkol sa pamamaraang ito ng pagbuo ng mga ensemble.
Ang mga pagkikita-kita sa lambak sa machine learning ay ibang-iba sa mga pagkikita-kita sa Moscow. Bilang isang patakaran, ang mga pagkikita-kita sa lambak ay nasa ibaba. Pero ang sa amin ay naging maganda. Sa kasamaang palad, ang kasama na dapat pindutin ang pindutan at i-record ang lahat ay hindi pinindot ang pindutan :)
Pagkatapos noon, inanyayahan akong makipag-usap sa posisyon ng Deep Learning Engineer sa parehong Planet Labs na ito, at kaagad na onsite. hindi ako nakapasa. Ang mga salita ng pagtanggi ay walang sapat na kaalaman sa Deep Learning.
Dinisenyo ko ang bawat kumpetisyon bilang isang proyekto sa . Para sa problema ng DSTL na sinulat namin at nai-post ito sa arxiv. Hindi isang artikulo, ngunit tinapay pa rin. Inirerekomenda ko rin sa lahat na palakihin ang kanilang profile sa LinkedIn sa pamamagitan ng mga kumpetisyon, artikulo, kasanayan, at iba pa. Mayroong positibong ugnayan sa pagitan ng kung gaano karaming mga keyword ang mayroon ka sa iyong LinkedIn na profile at kung gaano kadalas ang mensahe ng mga tao sa iyo.
Kung sa taglamig at tagsibol ako ay masyadong teknikal, pagkatapos noong Agosto ay mayroon akong parehong kaalaman at tiwala sa sarili.
Sa katapusan ng Hulyo, isang lalaki na nagtrabaho bilang isang Data Science manager sa Lyft ang nakipag-ugnayan sa akin sa LinkedIn at inimbitahan akong magkape at makipag-chat tungkol sa buhay, tungkol sa Lyft, tungkol sa TrueAccord. Nag-usap kami. Nag-alok siya na makapanayam sa kanyang koponan para sa posisyon ng Data Scientist. Sinabi ko na gumagana ang opsyon, sa kondisyon na ito ay Computer Vision / Deep Learning mula umaga hanggang gabi. Tiniyak niya na walang pagtutol sa kanyang panig.
Ipinadala ko ang aking resume at na-upload niya ito sa panloob na portal ng Lyft. Pagkatapos noon, tinawag ako ng recruiter para buksan ang aking resume at alamin ang higit pa tungkol sa akin. Mula sa pinakaunang mga salita, malinaw na para sa kanya ito ay isang pormalidad, dahil malinaw sa kanya mula sa kanyang resume na "Hindi ako materyal para sa Lyft." I guess after that napunta sa trash bin ang resume ko.
Sa lahat ng oras na ito, habang ako ay iniinterbyu, tinalakay ko ang aking mga kabiguan at pagbagsak sa ODS at ang mga lalaki ay nagbigay sa akin ng feedback at tinulungan ako sa lahat ng posibleng paraan na may payo, bagaman, gaya ng dati, mayroon ding maraming palakaibigang trolling doon.
Nag-alok ang isa sa mga miyembro ng ODS na ikonekta ako sa kanyang kaibigan, na Direktor ng Engineering sa Lyft. Wala pang sinabi at tapos na. Pumunta ako sa Lyft para sa tanghalian, at bukod sa kaibigang ito ay mayroon ding Head of Data Science at isang Product manager na isang malaking tagahanga ng Deep Learning. Sa tanghalian ay nag-chat kami sa DL. At dahil nagsasanay ako ng mga network 24/7 sa loob ng kalahating taon, nagbasa ng mga kubiko metro ng literatura, at nagpatakbo ng mga gawain sa Kaggle na may higit o hindi gaanong malinaw na mga resulta, maaari kong pag-usapan ang tungkol sa Deep Learning nang maraming oras, kapwa sa mga tuntunin ng mga bagong artikulo at mga praktikal na pamamaraan.
Pagkatapos ng tanghalian ay tumingin sila sa akin at sinabing - halata na agad na gwapo ka, gusto mo ba kaming makausap? Bukod dito, idinagdag nila na malinaw sa akin na maaaring laktawan ang take home + tech screen. At na ako ay iniimbitahan kaagad sa onsite. Sumang-ayon ako.
Pagkatapos noon, tinawagan ako ng recruiter na iyon para mag-iskedyul ng onsite interview, at hindi siya nasisiyahan. May binulong siya tungkol sa hindi pagtalon sa iyong ulo.
Dumating. Panayam sa lugar. Limang oras na komunikasyon sa iba't ibang tao. Walang tanong tungkol sa Deep Learning, o tungkol sa machine learning sa prinsipyo. Dahil walang Deep Learning / Computer Vision, hindi ako interesado. Kaya, ang mga resulta ng panayam ay orthogonal.
Ang recruiter na ito ay tumatawag at nagsasabing - congratulations, nakapasok ka sa pangalawang onsite interview. Lahat ito ay nakakagulat. Ano ang pangalawang onsite? Wala pa akong narinig na ganyan. Pumunta ako. Mayroong ilang oras doon, sa pagkakataong ito ay tungkol sa tradisyonal na machine learning. Mas maganda iyan. Ngunit hindi pa rin kawili-wili.
Ang recruiter ay tumatawag nang may pagbati na nakapasa ako sa ikatlong panayam sa site at nangakong ito na ang huli. Pinuntahan ko ito at may parehong DL at CV.
I had a prior for many months na nagsabi sa akin na walang offer. Magsasanay ako hindi sa mga teknikal na kasanayan, ngunit sa mga malambot. Hindi sa malambot na panig, ngunit sa katotohanan na ang posisyon ay isasara o na ang kumpanya ay hindi pa kumukuha, ngunit sinusubukan lamang ang merkado at ang antas ng mga kandidato.
kalagitnaan ng Agosto. Uminom ako ng beer okay. Madilim na pag-iisip. 8 months na ang lumipas wala pa rin offer. Masarap maging malikhain sa ilalim ng beer, lalo na kung kakaiba ang pagiging malikhain. Isang ideya ang pumasok sa isip ko. Ibinabahagi ko ito kay Alexey Shvets, na noong panahong iyon ay isang postdoc sa MIT.
Paano kung kukuha ka ng pinakamalapit na kumperensya ng DL/CV, panoorin ang mga kumpetisyon na gaganapin bilang bahagi nito, sanayin ang isang bagay at isumite? Dahil ang lahat ng mga eksperto doon ay nagtatayo ng kanilang mga karera tungkol dito at ginagawa ito sa loob ng maraming buwan o kahit na taon, wala kaming pagkakataon. Pero hindi naman nakakatakot. Gumagawa kami ng ilang makabuluhang pagsusumite, lumipad sa huling lugar, at pagkatapos ay sumulat kami ng isang pre-print o isang artikulo tungkol sa kung paano kami hindi katulad ng iba at pinag-uusapan ang aming desisyon. At ang artikulo ay nasa LinkedIn na at sa iyong resume.
Iyon ay, tila may kaugnayan ito at may mas tamang mga keyword sa resume, na dapat bahagyang tumaas ang mga pagkakataong makarating sa tech screen. Code at mga isinumite mula sa akin, mga text mula kay Alexey. Laro, siyempre, ngunit bakit hindi?
Wala pang sinabi at tapos na. Ang pinakamalapit na conference na na-google namin ay ang MICCAI at may mga competition talaga doon. Natamaan namin ang una. Ito ay . Ang gawain ay may 3 subtasks. May 8 araw pa bago ang deadline. Nagising ako sa umaga, ngunit hindi ko binitawan ang ideya. Kinuha ko ang aking mga pipeline mula sa Kaggle at inilipat ang mga ito mula sa satellite data patungo sa medikal na data. 'fit_predict'. Naghanda si Alexey ng dalawang-pahinang paglalarawan ng mga solusyon para sa bawat problema, at ipinadala namin ito. handa na. Sa teorya, maaari kang huminga nang palabas. Ngunit lumabas na may isa pang gawain para sa parehong workshop () na may tatlong subtasks at na ang kanyang deadline ay inilipat ng 4 na araw, iyon ay, maaari naming gawin ang 'fit_predict' doon at ipadala ito. Iyon ang ginawa namin.
Hindi tulad ng Kaggle, ang mga kumpetisyon na ito ay may sariling mga detalye sa akademiko:
- Walang Leaderboard. Ang mga pagsusumite ay ipinadala sa pamamagitan ng email.
- Aalisin ka kung ang isang kinatawan ng pangkat ay hindi dumating upang ipakita ang solusyon sa kumperensya sa Workshop.
- Ang iyong lugar sa leaderboard ay malalaman lamang sa panahon ng kumperensya. Isang uri ng akademikong drama.
Ang MICCAI 2017 conference ay ginanap sa Quebec City. Sa totoo lang, noong Setyembre ako ay nagsimulang masunog, kaya ang ideya ng pagkuha ng isang linggo mula sa trabaho at pagpunta sa Canada ay mukhang kawili-wili.
Dumating sa kumperensya. Dumating ako sa Workshop na ito, wala akong kakilala, nakaupo ako sa sulok. Alam ng lahat ang isa't isa, nakikipag-usap sila, naglalabas sila ng matalinong mga medikal na salita. Pagsusuri ng unang kumpetisyon. Ang mga kalahok ay nagsasalita at nagsasalita tungkol sa kanilang mga desisyon. Astig diyan, may kislap. Aking turn. At kahit papaano ay nahihiya ako. Nalutas nila ang problema, pinaghirapan ito, advanced na agham, at kami ay puro "fit_predict" mula sa mga nakaraang pag-unlad, hindi para sa agham, ngunit upang mapalakas ang aming resume.
Lumabas siya at sinabing hindi rin ako eksperto sa medisina, humingi ng paumanhin sa pag-aaksaya ng kanilang oras, at ipinakita sa akin ang isang slide na may solusyon. Bumaba ako sa hall.
Inanunsyo nila ang unang subtask - una kami, at sa isang margin.
Ang pangalawa at pangatlo ay inihayag.
Inanunsyo nila ang pangatlo - muli muna at muli na may nangunguna.
General ang una.
Ang ilan sa audience ay nakangiti at tumitingin sa akin ng may paggalang. Ang iba, ang mga tila itinuturing na eksperto sa larangan, ay nanalo ng grant para sa gawaing ito at ginagawa ito sa loob ng maraming taon, ay may bahagyang baluktot na ekspresyon sa kanilang mga mukha.
Susunod ay ang pangalawang gawain, ang isa na may tatlong subtasks at na-moved forward ng apat na araw.
Dito na rin ako humingi ng tawad at ipinakita muli ang aming isang slide.
Ang parehong kuwento. Dalawang una, isang segundo, karaniwan muna.
Sa tingin ko ito ang unang pagkakataon sa kasaysayan na nanalo ang isang collection agency sa isang medical imaging competition.
At ngayon nakatayo ako sa entablado, inaabot nila ako ng isang uri ng diploma at ako ay binomba. Paano ang fuck na ito? Ang mga akademikong ito ay gumagastos ng pera ng mga nagbabayad ng buwis, nagtatrabaho upang pasimplehin at pagbutihin ang kalidad ng trabaho para sa mga doktor, iyon ay, sa teorya, ang aking pag-asa sa buhay, at ang ilang katawan ay pinunit ang buong akademikong kawani na ito sa bandila ng Britanya sa ilang gabi.
Ang isang bonus dito ay na sa ibang mga koponan, ang mga mag-aaral na nagtapos na nagtatrabaho sa mga gawaing ito sa loob ng maraming buwan ay magkakaroon ng resume na kaakit-akit sa HR, iyon ay, madali silang makarating sa tech screen. At sa harap ko ay may bagong natanggap na email:
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.Sa pangkalahatan, mula mismo sa entablado, tinatanong ko ang madla: "May nakakaalam ba kung saan ako nagtatrabaho?" Alam ng isa sa mga organizer ng kumpetisyon - nag-Google siya kung ano ang TrueAccord. Ang iba ay hindi. Ipinagpapatuloy ko: βNagtatrabaho ako sa isang ahensya ng pagkolekta, at sa trabaho ay hindi ako gumagawa ng Computer Vision o Deep Learning. At sa maraming paraan, nangyayari ito dahil sinasala ng mga HR department ng Google Brain at Deepmind ang aking resume, hindi ako binibigyan ng pagkakataong magpakita ng teknikal na pagsasanay. "
Inabot nila ang certificate, pahinga. Isang grupo ng mga akademya ang humihila sa akin. Ito pala ay isang Health group na may Deepmind. Hangang-hanga sila kaya gusto agad nilang kausapin ako tungkol sa bakanteng Research Engineer sa kanilang team. (Nag-usap nga kami. Tumagal ng 6 months ang usapan na ito, pumasa ako sa take home, quiz, pero naputol sa tech screen. 6 months from the start of communication to the tech screen is a long time. The long wait gives a taste ng kawalan ng silbi. Research Engineer sa Deepmind sa London, laban sa background ng TrueAccord nagkaroon ng malakas na hakbang, ngunit laban sa background ng aking kasalukuyang posisyon ay isang hakbang pababa. Mula sa isang distansya ng dalawang taon na lumipas mula noon, ito ay mabuti na hindi.)
Konklusyon
Sa parehong oras, nakatanggap ako ng alok mula sa Lyft, na tinanggap ko.
Batay sa mga resulta ng dalawang kompetisyong ito sa MICCAI, ang mga sumusunod ay nai-publish:
Ibig sabihin, sa kabila ng pagiging wild ng ideya, ang pagdaragdag ng mga incremental na artikulo at preprint sa pamamagitan ng mga kumpetisyon ay gumagana nang maayos. At sa mga sumunod na taon ay pinalala pa namin ito.
Nagtatrabaho ako sa Lyft sa nakalipas na dalawang taon na gumagawa ng Computer Vision/Deep Learning para sa mga kotseng Self Driving. Ibig sabihin, nakuha ko ang gusto ko. At mga gawain, at isang kumpanyang may mataas na katayuan, at malalakas na kasamahan, at lahat ng iba pang bagay.
Sa mga buwang ito, nagkaroon ako ng komunikasyon sa parehong malalaking kumpanya sa Google, Facebook, Uber, LinkedIn, at sa isang dagat ng mga startup na may iba't ibang laki.
Masakit lahat ng buwan na ito. Ang uniberso ay nagsasabi sa iyo ng isang bagay na hindi masyadong kaaya-aya araw-araw. Regular na pagtanggi, regular na nagkakamali at lahat ng ito ay may lasa ng patuloy na pakiramdam ng kawalan ng pag-asa. Walang mga garantiya na magtatagumpay ka, ngunit may pakiramdam na ikaw ay isang tanga. Ito ay lubos na nakapagpapaalaala sa kung paano ko sinubukang maghanap ng trabaho pagkatapos ng unibersidad.
Sa palagay ko marami ang naghahanap ng trabaho sa lambak at ang lahat ay mas madali para sa kanila. Ang trick, sa aking opinyon, ay ito. Kung naghahanap ka ng trabaho sa isang larangan kung saan naiintindihan mo, may maraming karanasan, at pareho ang sinasabi ng iyong resume, walang mga problema. Kinuha ko ito at hinanap. Maraming bakante.
Ngunit kung naghahanap ka ng trabaho sa isang larangan na bago sa iyo, iyon ay, kapag walang kaalaman, walang koneksyon at ang iyong resume ay may sinasabing mali - sa sandaling ito ang lahat ay nagiging lubhang kawili-wili.
Sa ngayon, regular na sumusulat sa akin ang mga recruiter at nag-aalok na gawin ang parehong bagay na ginagawa ko ngayon, ngunit sa ibang kumpanya. Oras na talaga para magpalit ng trabaho. Ngunit walang punto sa pagpunta sa kung ano ang ako ay mahusay sa. Para saan?
Ngunit para sa kung ano ang gusto ko, muli kong wala ang kaalaman o ang mga linya sa aking resume. Tingnan natin kung paano magtatapos ang lahat. Kung magiging maayos ang lahat, isusulat ko ang susunod na bahagi. π
Pinagmulan: www.habr.com