FAANG Master

Начал спрашивать более редкие задачи и отличающиеся по условию от Leetcode

Решил зайти на leetcode, посмотрел на топовые задачи по популярности. Увидел в топ 30 задачи, которые я обычно спрашиваю. Нашел в нашей базе задачи, которые в топ 50-100 или нет в топе, а также условие на литкоде другое от того, что у нас в базе задач.

Первые наблюдения - процент прохождения снизился, но еще более снизился перфоманс. Те кто проходит - решают задачу дольше, итеративно, с большим числом ошибок. При этом сложность задач такая же или даже проще.
Т.е. это еще больше подтверждает гипотезу, что большинство просто воспроизводят задачи из памяти: https://t.me/faangmaster/570

Смотрите мой пост как запоминать задачи: https://t.me/faangmaster/571

Сверхпродуктивные джуны

В FAANG-компаниях это явление достаточно частое. Это программисты, которые только что закончили университет и попали в FAANG. До этого они зачастую проходили 1–2 стажировки в этих же компаниях.

Многие из них очень замотивированы, любят соревноваться с другими программистами — как отличники-перфекционисты среди студентов. У них нет какого-либо опыта вне FAANG. Они быстро адаптируются к корпоративной культуре и понимают, как работает система промоушенов. Многие из них уже через три года занимают позицию Senior.

Часто они производят огромное количество кода, который работает, но всё ещё выглядит как код джуна. Из-за его объёма такой код нередко не комментируется и просто апрувится — иначе на ревью ушло бы всё время.

Также их джуновость проявляется в принятии решений, построении долгосрочной архитектуры, понимании продукта в целом.
Такие "джуно-синьеры" часто находятся бок о бок с людьми, у которых 10+ лет опыта на той же должности. И зачастую выглядят выгоднее — они сверхоптимизированы под метрики и промоушены внутри конкретной компании.

Минутка ностальгии: первый опыт программирования, книга, среда разработки

Впервые я познакомился с программированием в 1999 году. Ни дома, ни в школе компьютера не было. Поэтому я ходил в какой-то кружок. Абсолютно ничего не понимал. Просто перепечатывал код, который рассказывал преподаватель. Первый язык, на котором я написал программу, был Pascal. Первые программы были стандартными: "Hello World", сумма чисел с вводом из командной строки и т.д. Писали это в среде разработки Borland Turbo Pascal. Компьютеры были 486 с MS-DOS и 5-ти дюймовым дисководом. В компьютерном классе был главный крутой компьютер с Windows 95 и Pentium 1. Но на нем не довелось поработать, только посмотреть издалека на графический интерфейс.
Первую программу на Java я написал в начале 2006 года. Это было в среде разработки Intellij Idea. Первая книга по Java у меня была: "Как программировать на Java" Дейтел. Дейтел. Выглядела она примерно так: https://www.labirint.ru/books/221364/

Мои первый приложения были с UI на Swing. Всякие калькуляторы, потом написал настольную игру и даже мессенджер по типу аськи с клиентами на Swing и сервером.

Пишите в комментариях, как вы познакомились с программированием.

Не густо предлагают. Но какой-то прототим запилить можно...

Уже пишут с предложениями инвестиций. Раньше днем с огнем не найти было инвесторов. Надо срочно какой-то AI стартап придумать...

Пишите предложения в комментах.

Когда у тебя просят референс в твою текущую компанию.

Интервью Demis Hassabis

Интересное интервью с Demis Hassabis.
Чем известен - работает в Google, основатель DeepMind, создал AlphaFold за что получил нобелевскую премию по химии за 2024 год. Играет в шахматы, пиковый рейтинг - 2300. DeepMind создал AlphaGo, AlphaZero, которые играют в Go и шахматы лучше всех людей и движков.

Интервью про AI: https://www.youtube.com/watch?v=yr0GiSgUvPU

Сложно ли работать в FAANG-компаниях с технической точки зрения

Под технической точкой зрения я имею ввиду техническую сложность задач. Насколько сложные задачи с точки зрения кодинга.

Мое мнение - нет.

Это обычная работа. Хоть масштаб задач и другой, вам не надо многие вещи решать с нуля. Тут уже много готовых технологий, библиотек, фреймворков, которые разработаны внутри компании и заточенны под ее нужды. В большинстве случаев достаточно соединить несколько готовых частей, следовать внутренним практикам и все будет работать. Просто, как соединенить несколько деталей Lego.
Есть, конечно, новая и сложная работа, но желающих ей заняться, обычно, много, поэтому далеко не факт, что вам придется с нуля что-то придумывать с технической точки зрения.
Деревья вертеть вам не нужно, а если будет нужно, то делать вы это уже умеете, т.к. прошли собес.

Несмотря на это, в работе много организационных и не технических сложностей. Об этом будет в отдельном посте.

Но все же есть технические особенности:

1) Внутренние тулы/технологии. Очень много всего разработанно внутри компании, поэтому вам придется осваивать их с нуля. Какие-то из них удобные, какие-то нет. У большинства очень скудная документация. Также не получится загуглить ответ по этой технологии, т.к. комьюнити очень маленькое и находится внутри компании. Приходится искать ответ на внутренних ресурсах, задавать вопросы, пинговать людей, копать код самому.
2) Приходится писать на нескольких языках или на не вашем сильном языке. В Амазоне, часто, видел людей, которые писали на Java, но до этого ее не знали. В Meta приходится писать на нескольких языках: Hack, Python, C++, JS, хотя до этого эти языки или не знал или знал очень поверхностно.
3) Могут быть высокие требования к коду. В Meta это не так, но в нашей команде в Amazon это было так. Поэтому потребуется какое-то время на адаптацию, чтобы заалайниться по читаемости, фоматированию, тестам и т.д. Обычно 3-6 месяцев достаточно, если вы обучаемый человек.
4) Придется адаптироваться к новым способам получения информации. Гуглом, stackoverflow, за 8 лет, по рабочим вопросам я мало пользовался. Нужно искать на внутренних ресурсах, группах и т.д. Особенно, большой слом, в этом смысле, это Meta. Тут используется Workplace и не используются письма. LLM пока тоже слабо помогают.
5) Придется адаптироваться к новым процессам. Процесс написания и ревью дизайна, oncall, планирования, управления проектами отличается от других компаний. Поэтому у вас уйдет какое-то время на адаптацию (6-12 месяцев).

В продолжение темы стоков...

Я храню часть сбережений в акциях. За последний месяц мои сбережения уменьшились на почти $50k из-за заявлений Трампа и падения фондового рынка...
Кроме того, это повлияло на стоимость акций, которые я только планирую получить, там падение уже на сотни тысяч...
Но это было уже не раз и всегда поднималось обратно и выше. Надеюсь тут будет также.

Свежее интервью Yann LeCun

Yann LeCun - главный по AI в Meta. Чем известен - один из создателей Deep Learning. Его также называют отцом/крестным отцом AI. Получил премию Тьюринга за 2018 (аналог нобелевской в Computer Science). Создал CNN (Convolutional neural network), а также формат DjVu.


https://www.youtube.com/watch?v=RUnFgu8kH-4

На сколько можно увеличить свои сбережения, работая в FAANG?

Не смотря на то, что зп программиста сильно больше средней зп, обычно, чем больше ты зарабатываешь, тем больше тратишь. Большинство программистов могут откладывать деньги на отпуск, покупку электроники и т.д. В лучшем случае на первоначальный взнос по ипотеке. А также платить не за аренду, а за ипотеку и за кредит по машине. Купить квартиру и машину (дороже 3-5 миллионов рублей) на сбережения может далеко не каждый.
Работая в FAANG, у вас будет выше будет базовая зп, но основное финансовое преимущество FAANG-компаний - стоки. Практически всегда, для поддержания хорошего уровня жизни вам будет достаточно базовой зп. В это входит: аренда или оплата ипотеки, коммуналка, транспорт, еда, одежда, отпуск, электроника, мебель, развлечения. А стоки можно использовать в качестве основного источника сбережений.
Например, на позиции Staff Software Engineer (E6) в Facebook, вам дадут ~$1.6M долларов на 4 года. После налогов это примерно $0.8M. Но доп преимущество стоков - они могут расти. В 2010-2020, типичный сценарий был, когда твои акции вырастали в 4 раза за 4 года. В 2020-2025 более типично это в 2 раза за 4 года. Т.е. с большой вероятностью мы можете получить ~$1.6M за 4 года на руки в виде чистых сбережений. Эта цифра для США и для позиции Staff в Facebook. В зависимости от компании, позиции и локации это цифра будет другой.

Раньше мне рекрутеры писали с предложениями работы, а теперь пишут разрабы в поиске работы...

Bret Taylor

Обычно, на слуху люди вроде Цукерберга, Маска, Безоса, Гейтса. Многие из них основали свои компании будучи еще студентами или как одна из своих первых работ.

Решил привести пример человека с успешной карьерой, который не на слуху и не создал сверхуспешный бизнес в 20 лет.

Bret Taylor, родился в 1980 году. Закончил Стэнфорд в 2003.
В том же году устроился в Google, где работал в команде Google Maps.
В 2007 вместе с бывшими коллегами из Google основал стартап FriendFeed.
В 2009 этот стартап купил Facebook. Facebook оттуда взял кнопку Like.
В 2010 Bret стал CTO Facebook.
В 2012 Bret ушел из Facebook и основал компанию Quip.
В 2016 его компанию купил Salesforce, где в 2017 он занял позицию CPO, а в 2019 позицию COO. В рамках работы в Salesforce он занимался покупкой компании Slack.
На данный момент он также chairman в Open AI и Shopify.
В 2023 основал AI компанию Sierra.

Накрутка опыта и закрытие пробела в опыте

Собеседовал кандидата в офис в Индии.
Открыл резюме, последние несколько лет у него позиция - Senior, но компании не указано и написано self employment. В качестве проектов и достижений - пет-проекты и ссылки на github и youtube видео с демо.
При этом до этого у него не было опыта Senior. Т.е. он не работал, но на первый взгляд у него нет пробела в опыте и позиция синьера.

Не знал, что такое бывает...

Как решать алгоритмические задачи так, чтобы не забывать решение

1) Сначала попробуйте решить самостоятельно. Не используйте подсказки, не смотри решение, разбор. Подумайте 0.5-2 часа. После этого посмотрите решение/разбор, даже если решили самострятельно и оптимально. Самостоятельное обдумывание прокачает ваши problem solving скилы, а также позволит вам глубже погрузиться в задачу, ее нюансы, сложности именно для вас, подсветит ваши пробелы. Когда будете смотреть разбор, вы поймете, чего не хватило именно вам для оптимального решения. Это сделает процесс обучения более персонализированным, а также из-за эмоционального отклика позволит запомнить решение и его сложности именно для вас.
2) Воспроизведите решение. Попробуйте, после самостоятельного решения и разбора решения - воспроизвести его так, как будто вы его обьясняете с нуля кому-то. Можете рассказать сами себе, можете жене, мужу, другу, коллеге. Лично я рассказывал решение сам себе и писал код на листе A4. Это поможет отложить решение в долгосрочную память, а также еще раз может подсветить пробелы в ваших знаниях. Вы можете считать, что разобрались в задаче, а когда начнете ее обьяснять, могут возникнуть дополнительные неясности и пробелы в понимании. Также можете делать это сразу на английском, потренируете одновременно и разговорный английский.
3) Периодически повторяйте решения важных задач. Это может быть и просто проговаривание вслух идеи решения, но также желательно быстро по памяти написать код. Важно также то, что вначале решения забываются быстрее. Поэтому повторите задачу в тот же день, потом через неделю, потом через месяц, потом через полгода, потом через пару лет. Например, это может быть так - решаете в течении недели задачи - повторяете их в тот же день методом воспроизведения. В конце недели повторяете задачи, решенные в течении недели. В конце месяца - решенные в течении месяца. Само повторение из памяти, обычно, быстрое - 5-15 минут на задачу. За выходные можно задач 50 повторить. Через полгода можно повторить 100 самых важных задач. Повторение займет ~неделю. С течением времени, задачи будут в вашей долгосрочной памяти и часто повторять их не обязательно. Например, можно через 2 года, а потом перед следующим собеседованием.

Как leetcode изменил coding собеседования в FAANG?

FAANG/BigTech компании используют алгоритмические задачи на coding-собеседованиях уже более 20-30 лет. Этот тренд был задан Microsoft в 90х годах. Потом его подхватили новые интернет-компании вроде Google, Amazon, Facebook и т.д. Вначале, единственный способ пройти такого рода собеседование - быть топовым олимпиадником, заботать книги вроде: "Искусство программирования" Д. Кнут, "Алгоритмы: построение и анализ" Т. Кормен, "The Algorithm Design Manual" Скиена.

В 2008 году появилась книга - "Cracking the coding interview", которая сделала подготовку проще и более доступной для бОльшего числа людей. Но все равно, вы скорее тренировались решать типовые задачи. Общее число задач, которые предлагались на собеседованиях, было сильно больше. Книга помогала освоить принципы решения, но не конкретные задачи.
В 2015 году появился Leetcode, который изначально состоял из задач из книги Cracking the coding interview. Далее туда стали добавлять сливы задач с реальных собеседований. И к 2018-2020 база задач уже не сильно отличается от баз задач внутри FAANG/BigTech компаний.
Во время собеседования интервьюер может спрашивать задачи только из официальной внутренней базы. Число задач в ней ограничено и задачи меняются в ней очень медленно.
По мере роста компаний, выросло и число собеседований, а как следствие и число сливов задач на leetcode. Поэтому на leetcode есть существенная часть задач, которые спрашивают на реальном собеседовании.
Это привело к кому, что такого рода задачами уже практически никого не удивить. А большинство кандидатов, которые успешно проходят собеседование - просто знают все задачи наизусть. Достаточно знать наизусть 50 первых по частоте задач для конкретной компании, чтобы с большой вероятностью получить эти задачи на собесе и просто воспроизводить их из памяти.
Проведя более 100 кодинг собеседований, я уверен, что почти все, кто его прошел успешно, просто, воспроизводил решение из памяти.

Отличие в процессах и методологиях в FAANG по сравнению с другими компаниями

1) Реальный CI/CD. После того как вы запушите свой код, он окажется в проде в течении нескольких часов. Никаких ручных процессов, версионирований, долгих релиз циклов. От написания кода до релиза на миллиард пользователей проходит несколько часов. Есть исключения(особенно в мобильной разработке), есть A/B тестирование, есть прогрессивный роллаут, но чаще сам код в проде через несколько часов.
2) Нет QA, или почти нет QA. Написание тестов (unit, integration, perfomance, stess, load, e2e, chaos engineering) лежит полностью на разработчиках. Есть исключения, но большая часть команд не имеют выделенных QA.
3) Менеджеры это не тех лиды и не занимаются разработкой и технической частью. Менеджеры занимаются оценкой перфоманса сотрудников, их карьерным ростом, конфликтами между командами/отделами, участвуют в планирование, статус репорте и овнят роудмап. Но не занимаются дизайном, архитектурой, разработкой, раздачей тасков, микроменеджментом.
4) Саппортом занимаются разработчики. Есть исключения, есть SREs(Site Reliability Engineers), но все разработчики занимаются саппортом своих компонент/кода(oncall). Вас может разбудить ночью аларм на рабочем телефоне(пейджинг), если какие-то метрики просели, упала какая-то критическая функциональность. Вам нужно быстро среагировать и начать митигировать проблему.
5) Очень много индивидуальной работы. Очень мало командной работы. Связано с тем, как устроен процесс оценки перфоманса сотрудников. Разрабы работают над проектом от начала до конца. Они не могут просто брать самую приоритетную таску из бэклога из разных проектов. Иначе будет сложно описать нарратив, что этот разработчик сделал то-то с таким импактом. Поэтому все работают индивидуально над своими проектами. Они коллаборируют с другими, но имеют выделенный кусок работы, с понятным импактом. Поэтому Scrum/Kanban в чистом виде не особо применим.
6) Нет выделенных Архитекторов. Поэтому все разработчики на всех уровнях делают дизайн/архитектуру. Конечно, ее масштаб и импакт будут разными в зависимости от вашего уровня. Это может быть просто дизайн локальной для команды фичи или дизайн архитектуры, которая затрагивает десяток команд и несколько отделов.
7) Мало сторонних, открытых библиотех, фреймворков, тулов, технологий. Обычно, все или почти все разработанно внутри. Вплоть до языков программирования и систем контроля версий. Поэтому, приходится разбираться в этом с нуля. Нельзя просто загуглить ответ на любой вопрос по этим тулам. Нужно искать внутри, смотреть код, общаться с разрабами.

Собеседовал сегодня очередного кандидата из Google

По моему опыту, особого смысла проводить кодинг собеседование для кандидатов из Google нет. Пока не встречал кандидата, кто бы его не прошел. Я бы оставил для них только собеседование по System Design и поведенческое. Эти два собеседования они иногда не проходят.
Про кандидатов из других компаний такое сказать не могу. Кандидаты из Amazon, Microsoft, Yandex хоть и чаще проходят, чем в среднем, но в существенном проценте случаев заваливают кодинг собеседование.

Очередное видео от одного из основателей Open AI, про использование LLM

Andrej Karpathy выпустил очередное видео, где рассказывает про разные функциональности LLM и как они в реальности работают. И как использовать LLM эффективно, зная их внутреннее устройство. https://www.youtube.com/watch?v=EWvNQjAaOHw

Non-lucrative residence visa (NLV)

Это тип визы в Испанию, которую можно получить, если у вас есть доход вне Испании (удаленка, сдача в аренду и т.д.) или просто достаточно сбережений.
Сколько нужно сбережений или дохода: ~€27k в год + ~€7k на каждого члена семьи.
После 5 лет можно получить ВНЖ, а через 10 гражданство.
Подходит тем у кого есть пассивный доход, достаточно сбережений или удаленка.
Больше деталей тут: Non-lucrative residence visa (NLV)
Также есть Digital Nomad Visa, но предназначена конкретно для удаленщиков.