Как обещали, расшифровка выпуска #Типичный_айтишник с Борисом!

—Расскажи кто ты и чем занимаешься?
Я Борис Цейтлин, ML engineer, до недавнего времени staff ML engineer в eBay, автор и преподаватель учебных программ по DS.

—Расскажи про свой карьерный путь?
Если вежливо называть меня, то я generalist, у меня очень разносторонний опыт. Если менее вежливо — «галопом по Европам».
В IT я попал потому, что в подростковом возрасте много играл в компьютерные игры: это перетекло в попытки сделать моды для игр, а потом и закодить что-то. В общем, я один из тех программистов, которые когда-то мечтали разрабатывать игры, а в итоге разрабатывают нейронки.
Начиналось всё с веб-разработки, а потом я попал в научную роту МЧС, где столкнулся с DS и понял, что в этой сфере потолок развития выше.
На срочной службе в армии мы занимались прогнозированием пожаров в Москве для МЧС. Конечно, на службе пришлось и клумбы пополоть, но и за компом посидеть удалось. Там я понял, что мой предыдущий подход к программированию не работает в машинном обучении и мне стало интересно разобраться глубже. А потом понеслось — магистратура Вышки, преподавание разных курсов по ML. И работа в индустрии.

—Research или продакшн?
Я начинал в индустрии, поэтому у меня сильная склонность к ней. И не было такого опыта, что вся моя деятельность — только писать статьи. Статьи были в research команде Толоки, но все равно там мы делали ресерч с прицелом на дальнейшее внедрение. Мне кажется, что классно быть на стыке двух этих сфер. Заниматься ресерчем, но не работать в стол. Если нужны деньги — идти в продукт или в прикладной ресерч. Хочется двигать науку — идти в науку. Обычно перед людьми, которые прямо хотят в науку, выбор в принципе не стоит.

—А что в твоей работе тебе больше всего не нравится?
В моем корпоративном опыте работы часто возникали ситуации, когда тебе понятно, что делать, но теперь нужно убедить пять менеджеров, что это действительно нужно делать. В нашей деятельности чем выше масштаб того, что ты делаешь, тем больше возникает усилий по коммуникации. Кто-то от этого кайфует, но я — нет.

—Один из твоих известных проектов — гайд по поиску работы в ML. В последнее время появился тренд на накрутку опыта, чтобы найти работу. Как такой тренд повлияет на рынок труда?
Мои друзья, которые активно собеседуют, рассказывают, что часто сталкиваются с соискателями, которые легко проходят hr-скрининг, но проваливаются на техническом интервью. Ещё их заваливают тестовыми, выполненными через чат-гпт. Из успешных кейсов борьбы: вот тебе задача, пользуйся, чем хочешь, но выполни ее за фиксированное время и запиши экран. Это хороший вариант, но рынок ещё не нашёл нового решения, а старые очевидно не работают.

—Расскажи прикольную историю c работы
Это произошло в стартапе, занимающимся выращиванием растений. На тот момент у ребят была одна из самых больших вертикальных ферм в Европе, и на этом объекте обкатывалось всё.
Мы занимались CV, делали первый подход к ML. Мы активно начали, собирали по 60к фото растений за день. Там же на ферме были расположены и сервера. Однажды я проснулся, зашел в slack и увидел, что фабрика сгорела. Теперь когда на собеседовании спросят о сложной ситуации на работе, могу рассказать про сгоревшую фабрику. Бэкапы мы делали, но часть данных всё равно потеряли — они сгорели. Ну и ML стало временно негде применять в этой компании. Зато технический долг сгорел в прямом смысле этих слов.

—Как достичь успешного успеха?
Успешный успех — вопрос цены. Нужно определить цену и её заплатить. Например, если ты хочешь быть CEO единорога — будь готов работать 24/7 и будь готов к тому, что может не получиться.

А если хотите узнать больше про то, зачем стоит идти в преподавание, какие сейчас тренды в найме, и что было дальше со сгоревшей фермой — слушайте полную версию записи.