Героиня сегодняшнего выпуска рубрики #Типичный_айтишник знает все про крутые карьерные повороты. В гостях у нас Даша, и она руководит исследовательской группой в Яндексе.

Кто ты и что делаешь?
Я Даша Тихонович, и я руковожу RnD командой в Яндексе. Мы разрабатываем технологии персонализации на основе LLM-стека: строим генеративные архитектуры, делаем семантическую токенизацию действий пользователей, учим фундаментальные модели на объединённых данных разных сервисов. Мы стараемся соединять в одной модели как можно больше «понимания» потребностей пользователей — что им нужно сейчас, что им хотелось бы в будущем и чем мы можем им помочь. Например — какую песню им сейчас включить.

Как ты начала заниматься тем, что делаешь сейчас?
В Яндексе я меньше года, до этого занималась RnD в МТС, там же разрабатывала рекомендательную платформу, мейнтейнила open-source фреймворк.
Но бэкграунд у меня не совсем технический — я изучала в своё время в Вышке экономику и маркетинг, после универа работала в семейном бизнесе. Вообще во многом успела себя попробовать: от организаций модных съёмок до пары лет, посвящённых детям.

А как ты попала в ML?
У меня был момент в жизни, когда я не знала, что именно хочу делать дальше. Тогда я была в декрете, мы закрыли бизнес, перспектива быть экономистом в большой компании меня не привлекала, хотелось новый челлендж. Думала о том, чтобы стать аналитиком, но когда узнала про ML — прочие опции перестали существовать. За полгода выучила питон, прошла специализацию на курсере от Яндекса и МФТИ и вышла на джуна в ML в МТС. Там за три года прошла путь до лида, и вот теперь разрабатываю новые технологии и пишу научные статьи уже в Яндексе.

Что самое интересное в работе?
Начну так. Я раньше очень любила настольные игры. Тот кейс, когда «чем сложнее правила — тем лучше». Чтобы мозг был занят просчётами, поисками решений и каких-то неочевидных ходов, а в голове возникал целый мир возможностей. Сейчас всё это я получаю в работе. Мне интересно представлять, как та или иная архитектура моделирует данные и насколько она подходит для своей задачи. Интересно анализировать, почему работают или не работают разные подходы из литературы, искать интуицию в результатах экспериментов.

А что самое сложное?
Чаще всего когда что-то не получается, а по интуиции — должно. И проблема находится где-то в какой-нибудь не предусмотренной мелочи: в одной строчке кода или в одном нюансе сборки датасета. Найти причину такой проблемы бывает не всегда просто.

Дашь совет «успешного успеха»?
Вообще не стремиться к успешному успеху. Любить то что делаешь и окружать себя людьми, которые увлечены тем же. Один раз понять, как твой вклад в работу однажды приведёт к нужному результату(повышение, более интересные задачи или другие цели), а потом просто с этим знанием работать в своё удовольствие. Максимально ценить, когда такой паззл складывается.