Performance review (PSC) в BigTech для ML-инженеров

По нашумевшим новостям про изменения PSC следуюший пост:

Performance and Skill Calibration (PSC) – так в Bigtech называют полугодовой/годовой цикл оценки работы, определяющий развитие инженера, бонусы и акции. Процесс более менее прозрачен: инженер пишет self-review документ с достижениями и док-вами, собирает отзывы от коллег (peer review), а менеджер готовит PSC в специфичном формате. Затем на калибровочной сессии менеджеры и Staff+ engineer уходят на 3 недели сравнивать результаты сотрудников, чтобы выровнять их по разным осям. Менеджер на такой сессии – играет роль адвоката, но зависит от него процентов 35 на мой взгляд: он презентует кейс, успехи, предлагает итоговый рейтинг, а дальше все его челенджат.

4 основные “оси” оценки инженера(меняются от компании к компании, но суть похожая):

Impact – результаты работы и влияние на цели команды/продукта в $$$. Это главная ось: что было сделано и как это продвинуло бизнес/направление или технологию - от инженера ждут осязаемого эффекта от его работы. Суммарная польза для бизнеса: например, улучшили метрику качества рекомендации на X%, сэкономили $Y за счёт оптимизации модели, внедрили ML-фичу, которая принесла рост аудитории на Z% и т.п Импакт может быть не прямой, а через direction и тд на более высоких грейдах.

Engineering Excellence – качество и эффективность технической работы в общем смысле – насколько ты продуктивен (скорость разработки), насколько качественно написан код, умеет ли инженер проектировать устойчивые системы и решать сложные технические проблемы. Для ML-инженера сюда относится также создание надёжных пайплайнов данных, МЛ дизайны, соблюдать best practices в экспериментах и т.д. От сеньора+ ожидается изменение продуктивности команды, другая глубина решения технических проблем, улучшение инженерных процессов (тесты, документацию, автоматизацию) в целом.

Direction (самостоятельность и лидерство в определении курса) – умение задавать правильное направление работы. Если представить, что инженер – это вектор, то предыдущая ось (Excellence) отвечает за его величину (силу), а Direction – за направление этого вектора. Даже супер талантливый ML-инженер не принесет пользы, занимаясь не теми проблемами, не спрашивая вопросов почему и зачем. Direction включает сразу несколько аспектов. На личном уровне – это проактивность и организация своей работы: умение ставить цели, планировать проекты, доводить задачи до конца без постоянного контроля. На уровне команды/продукта – это лидерские качества: способность влиять на roadmap, предлагать новые инициативы, брать ответственность за большие проекты и вести за собой других. На сеньорных ступенях (E5+), чтобы расти дальше, инженеру необходимо показывать серьёзный прогресс именно по оси Direction – быть лидером, а не исполнителем задач. Мыслить стратегически,а не тактически - видеть большую картину.

People (взаимодействие и вклад в команду) – коммуникация, сотрудничество, влияние на людей. Результаты создаются командами, поэтому успех отдельного инженера не может быть без навыков работы с другими, все-таки социальная сеть. People-ось на младших уровнях проявляется в умении эффективно работать в команде: помогать другим инженерам, делиться знаниями, вписываться в культуру. От ML-инженера ожидается, что он умеет обсуждать требования со всеми: продакт-менеджерами, вместе с дата-сайентистами анализировать данные, софтвер-инженерам ясно объяснять потребности ML-системы – словом, быть командным игроком. На более высоких уровнях People включает лидерство: наставничество менее опытных коллег, разрешение конфликтов, ведение кросс-функциональных обсуждений, влияние на культуру. Под People понимают весь организационный вклад инженера: помощь росту коллег (обучение, код-ревью, менторинг), участие в Hiring (собеседования, оценка кандидатов), поддержание командной культуры (например, технические доклады, инициативы по разнообразию).

Вся информация собрана по открытым источникам)

Больше про это здесь; здесь и здесь