Настала моя очередь порекомендовать вам подборку каналов от инженеров и специалистов по ML/DS за которыми стоит следить.

Вся папка тут: https://xn--r1a.website/addlist/cNMs1gf8MNo5MmNi

🆒 жду всех авторов каналов в комментариях, оценим скорость отклика)

🔋 Бесплатный курс "Ресурс" для подписчиков "Нескучный Data Science"

Вам нужна энергия. Чтобы принимать повседневные качественные решения. Чтобы поддерживать себя в форме. Даже чтобы проявить эмпатию — да, да — вам всё равно нужна энергия. Токсичность? Часто это просто следствие перегруза.

🤔 А теперь внимание: чем выше ваш менеджерский грейд, тем больше энергии вам будет нужно. Потому что придётся чаще говорить «нет», быстрее приоритизировать, быть гибким, дипломатичным и при этом не выгорать.

Я уже писал, что текущий уровень энергии — это главная метрика, за которой стоит следить. Но задумывались ли вы, что у всех людей он разный?
Что делать, если у вас энергии — вагон, а вы попали в команду, где у большинства ее представителей низкий заряд батареи?

Сможете ли вы ужиться с начальником, которому ничего не надо, кроме пледа и сна? А наоборот — если вы на нуле, а вокруг вас команда из бодрых стартаперов?

Я бы с удовольствием продолжил писать посты на эту тему (и, наверное, еще буду), но всё-таки у нас канал про Data Science.

К счастью, нашёлся отдельный курс именно об этом — про энергию, ресурс и внутреннее топливо. И честно, вряд ли я смогу рассказать вам этот материал лучше. Я его посмотрел, словил катарсис и договорился с авторами: для подписчиков канала он стал бесплатным. Вот что внутри:
1️⃣ Что такое ресурс и как он влияет на вашу жизнь и окружение?
2️⃣ Что именно снижает уровень энергии и что с этим делать?
3️⃣ Как поднять свою энергию (и не только с помощью сна)?
4️⃣ Как подойти к управлению ресурсом системно?

🎁 Бонус: вы узнаете, как трекать уровень своей энергии, не покупая Garmin за $1000.

После курса я понял, почему в моей команде средний возраст — 24 года. Но об этом — в отдельной серии постов. Он будет про построение дизрапт-команды в консервативном банковском секторе.

Курс вам особенно подойдет если вы не знаете что делать с активными **********, которые мешают жить приличным людям.

P.S. если не открывается ссылка на курс, воспользуетесь VPN.

🆒 Как не стать победителем Forbes 30 under 30?

Сегодня расчехлим ещё одну неудачу из моей коллекции. Уверен, она стоила мне части медийного охвата — сейчас бы я выбрал другую стратегию. Но история не терпит сослагательного наклонения.

Зачем я вообще туда решил попасть?
Одна из причин, по которой я завёл этот канал — мне не нравилось, что видимость даёт преимущества. Это казалось несправедливым. Но раз отменить это невозможно — я решил попробовать возглавить.

С другой стороны, прокачка видимости - это ответ на устоявшиеся традиции кумовства.

В 2020-м победителем стал @kantor_ai — слушал его допкурс Data Mining in Action на Физтехе еще в 2017-м году. В 2021 году я увидел состав списка номинантов, сильно удивилился и слегка расстроился одновременно, так как забыл подать заявку. Решил, что упустить второй раз — будет ошибкой. Поставил себе напоминание через год.

Прошёл год — напоминание сработало. Еле нашёл форму для подачи (она не гуглилась, пришлось искать в одной из соцсетей). Заполнил заявку в свободной форме за 5 минут. Сделал акцент на фин. эффект — благо уже тогда был 1 млрд+.

Как я узнал что попал в рейтинг?
🎬 Ответ пришёл в абсолютно перегруженный день. Функции дипломатии и эмпатии на тот момент были недоступны. Мы снимали Deep Learning in Finance — 5 часов в офисе. Репетировали и готовились несколько выходных. Параллельно штурмовали мир чат-ботов — в день было по 10 встреч. После съёмок планировался слёт амбассадоров HR-бренда.

Еду в метро. Звонок с неизвестного номера. Мне говорят, что я стал номинантом этого самого рейтинга.

🙅‍♂️ Пару слов про контекст моего отношение к медиа на тот момент
Да, я решил «возглавить», но это не значит, что мне вдруг понравился сверхпиар невеликих достижений. Особенно если эти достижения описываются журналистами без техбэкграунда. Тогда ещё не было инфошума с нейросеточками и «секретными промптами» от инфоцыган — снобствовать было проще.

Я как-то выступал на форуме ФРАНКЕНШТЕЙН в 2020 году. Получил статуэтку за лучший доклад. После него ведущий сказал, что мой доклад был «слишком техническим». На что я ответил в микрофон примерно следующее — «мне пришлось слушать ваши фантазии, как устроен анализ данных, так что зря вы не проявили вежливость и внимание к единственному техническому докладу».

🤬 Теперь зная контекст, вы лучше поймете что было дальше. Помимо «поздравляю», меня пригласили на торжественное мероприятие, которое планировалось на завтрашний день. Я отказался и довольно в резкой форме, потому что о таких вещах необходимо предупреждать заранее. Дело в том, что мы уже забронировали на эту дату и время зал для игры в волейбол. В тот момент состав команды численно стал достаточным чтобы можно было сыграть шесть на шесть и я уже предвкушал этот формат тимбилдинга. Более того, @Aleksey_Firstov прилетел из Питера на съемки DL in Finance и было непонятно, когда представится следующий такой удачный шанс.

👩‍🍳 Дальше был слёт амбассадоров Альфы. Кулинарный мастер-класс, который высосал оставшийся запас энергии. На обратном пути в такси в 11 вечера мне написали — «пришли краткое описание себя». Накидал черновик за пару минут и отправил, надеясь на редакторов рейтинга. Ровно его, без редактуры, опубликовали на сайте. Да ещё и с фото другого Евгения Смирнова (их, к счастью, много).

Эта фотография до сих пор используется в качестве логотипа внутренних чатов команды.

Поменять текст я потом пытался, но, судя по всему, организаторы ушли в глубокую обиду.

Как вы уже знаете я победителем рейтинга не стал, а теперь знаете две ошибки, которые к этому привели.

«Может, просто не хватило голосов?» — вряд ли. CEO Альфы призвал голосовать за меня, плюс у курирующего нас члена правления банка была в подчинении целая сеть отделений. Так что голосов точно хватило.

👉 Безусловно из-за этих ошибок я проиграл в плане медийного охвата, но остался в консистентности со своими приоритетами, где команда стоит выше личных интересов.

Сейчас я бы, конечно, действовал более дипломатично и менее резко благодаря этому семплу в моем датасете из неудач, но история не терпит сослагательного наклонения.

Senior DL Engineer в 🏦, Лаборатория Машинного обучения, Москва

Отзывов из интересных мест в отечественных компаниях на канале пока мало. Пополняем копилку рассказом про Лабораторию Машинного обучения. В 2020 году я сам приходил сюда работать, в тот момент нас всего было 5 человек. Но мы успели сделать очень-очень много, поэтому воспоминания самые теплые. Свои впечатления расскажу в отдельном посте.

Авторская орфография сохранена

➡Ник автора в тг - @maksimallist
➡ Название компании - Alfabank

➡Расскажите про свой бэкграунд - Senior DL researcher/engineer. Основная область экспертизы - NLP. Но есть опыт так же и в CV, в основном в области генерации изображений. Старт карьеры пришелся на научную сферу, работал в лаборатории глубокого обучения и нейронных сетей на физтехе. Есть статьи в рецензируемых научных журналах, и победы в соревнованиях. После чего ушел в бизнес, большую часть карьеры провел в Сбере и AIRI. Пытался замутить свой стартап, но безуспешно.
➡Как подались на вакансию - Нашел объявление в сингулярисе, отправил на почту свое резюме.

🔥 Субъективно Сложность процесса по 10 бальной шкале - 5

➡Когда начали процесс - январь 2025
➡Когда закончили процесс - Прошел весь процесс за неделю, может чуть больше

➡ Позиция, на которую собеседовались - Senior NLP engineer
➡Грейд на который собеседовались (если известно) - Старший разработчик нейронных сетей. Численного грейда нет.
➡Локация вакансии - Москва

🔥 Расскажите про этапы собеседований

- Техническое собеседование
1) Первое знакомство + техническое собеседование
2) При знакомстве спрашивали про образование и профессиональный опыт. Далее шло техническое собеседование где, для начала предложили в блонкноте написать по тз простенькую нейронную сеть (подразумевалось что можно использовать pytorch), а потом был ряд вопросов на понимание механизмов обработки текста, устройства больших языковых моделей (разумеется глубже чем устройство attention mechanism). После еще немного поговорили про историю развития NLP.
3) Интервью проводил непосредственно мой потенциальный начальник. Длилось оно полтора часа, может чуть больше.

- Собеседование с руководителем подразделения
1) Собеседование с руководителем.
2) Снова быстро прошлись по профессиональному опыту. После был ряд вопросов, касающихся в основном личных качеств. Например: "Что раздражает в работе?", "Что мотивирует.", "Как снимаешь стресс?", "Чем больше нравится заниматься: разработкой или руководством". Просили назвать минусы предыдущих мест работы, а потом плюсы. Озвучить амбиции, и описать как я вижу свою работу у них в команде. Ну и после я задал интересующие меня вопросы. Там же обсудили мои ожидания по зп и режиме работы.
3) Отдельных наблюдений я наверное не выделю.

⏺ Что понравилось:

Полный ответ автора слишком длинный, чтобы влезть в пост, поэтому в тексте отзыва используется саммари от o3, а оригинальный текст в комментариях 💬:

1. Нашёл вакансию сам, резюме кинул прямо будущему руководителю ― никаких HR, анкет и «этапов для галочки».

2. Техсобес проводил тот же руководитель: кто, если не он, знает, какие навыки нужны. Никаких посторонних интервьюеров и алгоритмических секций.

3. Вопросы ― в основном на способность рассуждать в NLP и чуть-чуть system design. Созвон затянулся, но мы оба чётко поняли: он — мой уровень, я — свои задачи.

4. Второй звонок с главой подразделения: логичные вопросы, сверка ожиданий и вайба, без корпоративной мишуры.

5. Вся история — два созвона за неделю, потом быстрая проверка СБ и сразу договор. Соискатель счастлив, начальник тоже: Win-Win.

6. Нет «пяти этапов на полтора месяца», нет бессмысленных звонков с людьми, которых больше не увижу. Такой процесс редок, но окупается для всех.

Итог простой: лучший найм, через который я проходил.

⏺Что не понравилось:
Все понравилось


➡Итоги собеседования: Принял оффер.

💸Информация про Total Compensation: Не обидели)
От автора канала: Вилки в команду хорошие, на сеньор грейд 400-570K + 15% ежеквартальная премия. Инфу взял из Нескучный Data Science Jobs, тут.

#интервью

@max_dot_sh

Как выделить свое cv среди остальных?

⚠️ Attention is all you need, чтобы попасть на желанный собес. Но как его получить у перегруженного HR или нанимающего менеджера?

Ранее я уже писал про «гигиенический минимум» при оформлении резюме — открывающийся pdf-файл с четкой структурой и релевантным опытом. Но надо помнить: нанимающая сторона тоже оптимизирует процесс найма.

Если этого мало, можно пойти по пути Олега Седухина — добавить креатив в оформление. Но есть ещё один способ, которым со мной поделился коллега в 2018-м. Он устроился в Тинькофф… без лютых достижений в бэкграунде.

💡 Вам нужно помнить, что вы являетесь объектом в задаче матчинга. Следовательно, вам нужно дать максимум признаков «человеку-фильтру» говорящих, что именно вы — ответ на запрос вакансии.

Что делает большинство?
— Рассылает всем одно и то же резюме.
Что делал мой коллега?
— Под каждую вакансию точечно менял резюме, делая акцент на тех навыках и проектах, которые важны были конкретному работодателю.

Да, это требовало больше времени. Но результат? Его звали практически на каждую вакансию, на которую он откликался.

🧠 Personalization is all you need.

😁 Надеюсь, что этот пост повысит количество желанных офферов у @olegs9.

📊 Датасеты для студентов и исследователей

🤓 Скоро начнётся новый учебный год. Это значит, что всё больше студентов будут осваивать анализ данных.
Одна из самых частых проблем на старте — банально нет данных для практики. Об этом мне не раз жаловались преподаватели курсов по Data Science.

Помню, как в студенчестве я анализировал гигабайты данных одной крупной компании с помощью BigARTM, а мой однокурсник — коллекцию из десятка русских сказок. Как думаете, чей опыт оказался более релевантным для работы в бигтехе? 😉

Мы решили помочь студентам и преподавателям: собрали в одном месте наши открытые анонимизированные датасеты из соревнований по анализу данных.
Их можно использовать в курсовых, дипломах, научных статьях или просто для оттачивания навыков, например, после курса DL in Finance.

💪 Уверен, что умение работать с реальными (пусть и обфусцированными) гигабайтами данных во время учёбы — это конкурентное преимущество, которое оценят работодатели в вашем резюме.

🇰🇿 Сделано в Казахстане — для всего мира

BigData Team — это международная команда экспертов, работавших в Amazon AWS, Samsung, Yandex, Ebay.

Мы создаём IT-образование мирового уровня здесь, в Казахстане, с грантовой поддержкой Tech Orda и Astana Hub. История началась шесть лет назад, когда мы начали обучать в Казахстане ведущих специалистов в сфере Big Data и Machine Learning.

🔥А сегодня открываем набор на 36 международных грантов с поддержкой наших партнеров, чтобы к нашим слушателям из Казахстана присоединились коллеги со всего мира.

🇰🇿 Если вы из Казахстана
— гранты Tech Orda покрывают более 50% обучения
— подробности и инструкции, успейте до конца августа!

🌍 Если вы из другой страны
— 32 международных гранта с покрытием 50% (950 $)
— 4 гранта с покрытием 100% (1 900 $)

📚 8 месяцев обучения:
— общая база по Python, промышленной разработке, Big Data и ML
— в конце — твой выбор трека: Big Data Engineer или Machine Learning Engineer
— 10–20 часов в неделю, онлайн, с менторами и проектами

📅 Дедлайны международных грантов:
— I волна — до 24 августа, 23:59
— II волна — до 31 августа, 23:59
— III волна — до 7 сентября, 23:59

🤝 И да, мы ждём участников минимум из 5 стран — так что зовите друзей, коллег и бывших однокурсников.

📌 Как подать заявку на международный грант
1️⃣ Зарегистрируйтесь и пройдите тестирование на платформе Learn BDT💻:
— откройте разделы grant, grant extended, grant profile и CV
 — выполните все тесты и загрузите резюме
2️⃣ Ждите результаты на почту — и подпишитесь на наш Telegram, чтобы не пропустить новости

Заполняйте заявку на грант и подавайтесь до ближайшего дедлайна (вот тут объяснили почему раньше — лучше).
Удачи! 🍀

BigData Team: the way you learn best
Py4BDA | Python | Machine Learning | Big Data | BD/ML Engineer

#study #BDMLE #BigDataTeam

Продуктовая стратегия Лаборатории

1️⃣ Решаем только те задачи, которые приносят реальный профит компании.
У коммерческой компании, в отличие от исследовательского института, есть акционеры. И эти акционеры ждут возврата инвестиций — в том числе на твою зарплату — в кратном размере. Если ROI нет, ресурсы уходят в другие направления, а в сложные времена — просто сокращаются. Поэтому команда должна решать не те задачи, которые “интересные” или “хочет компания”, а те, которые максимизируют матожидание измеримого результата. И уметь отбиваться от идей, которые точно не дадут эффекта — это тоже часть профессионализма.

2️⃣ Находим и продаём бизнесу задачи, а потом быстро внедряем их в прод.
Если менеджеры не знают, как монетизировать данные — ничего страшного, это нормально. Нужно идти к ним самим: изучать процессы, искать, где ML реально может помочь. Дальше — быстрый пилот, простая метрика, и объяснение результата в понятных терминах, чаще всего — через финансовый эффект. После этого важно не терять момент и как можно скорее внедриться в прод. Если инфраструктура не готова — поддерживать процесс на своей стороне, пока не появится возможность перенести. Иногда внедрение приходится буквально продавить — но если есть измеримый эффект, у бизнеса просто не останется аргументов.

3️⃣ Масштабируем решения и переиспользуем накопленную экспертизу.
Каждый бизнес-сегмент уникален, но типовые задачи везде примерно одни и те же. Большинство монетизируемых кейсов — это просто классификация: бинарная или многоклассовая. Решил задачу для одной бизнес-линии — почти наверняка сможешь применить решение в другой. Сделал PD-модель — построишь и склонность, и отток. Научился классифицировать тексты трансформером — сможешь классифицировать и транзакции. Главное — не начинать каждый проект с нуля, а превращать опыт в масштабируемую экспертизу.

4️⃣ Используем новые подходы для работы с моделями и данными.
Когда ML уже встроен в ключевые процессы, ценность приносит не “ещё одна модель”, а новые подходы:новые источники данных, более продвинутые методы, автоматизация пайплайнов. С таким подходом рост идёт за счёт эффективности — быстрее, дешевле, надёжнее.

В итоге 95% моделей, которые мы разрабатывали, были внедрены в бизнес-процессы. Почти все задачи — сгенерированы внутри команды и “проданы” бизнесу, что отображало нашу функцию лидера, а не сервиса. Иногда приходилось ждать по два года, иногда — буквально заставлять внедрять. Нейронные сети в кредитном скоринге мы вывели в прод первыми в России, потом перенесли на другие бизнес-линии, а позже автоматизировали их разработку в сервисе ANNA. Из этого опыта вырос центр компетенций по NLP.

🤔 Каждый пункт стратегии — это ответ на три простых вопроса: что мы делаем, чего не делаем сейчас, как и куда двигаемся дальше.

HR-стратегия Лаборатории

Ключевая проблема найма опытного топ-специалиста заключается в том, что он уже нашёл себе отличное место работы, и вы вряд ли сможете его перекупить. В таком случае отличная стратегия — растить мат. ожидание за счёт числа попыток, надеясь на то, что вы сможете заинтересовать его задачей или его ровно сейчас отпугнули на текущем месте работы.

1️⃣ Нанимаем по хардам — софты растим внутри. Применение софтов на линейных позициях необходимо на порядок в меньший промежуток времени, и поэтому их недостаток проще закрыть руководителю, чем отсутствие хардов. Как показала практика моей команды, софты можно успешно развивать у любого технаря. Именно по этой причине я всегда отдам предпочтение джуну с прокаченным хардам, а не «синьору» с умением складно оправдываться за отсутствие результата.

2️⃣ Найм — задача руководителя, а не HR. Ответственность за качество и укомплектованность команды нужно брать на себя. Любая ошибка найма перекроет время, потраченное на проактивный поиск с необходимым CIR.

3️⃣Нанимаем только тех, кто хочет приносить пользу компании, а не удовлетворять свой научный интерес. Наша профессия содержит много пространства для исследований, но большая часть из них не приносит практического результата и оптимизирует сотые доли процента на синтетических датасетах. Многие эксперименты не нужно проводить, если у вас есть теоретическая база, которая может оценить масштаб ожидаемого эффекта. Нередко желание проводить такие эскперименты, говорит о недостаточном количестве практики на этапе обучения и для этого являения у меня даже есть целый термин.
Нейросетевой недотрах — огромное желание обучить нейроночку, которая не нужна или избыточна для решения бизнес-задачи.

4️⃣ Не ограничиваем скорость роста формальными временными рамками. Если вы вкладываетесь в рост софт-навыков, то ваша команда становится очень конкурентной на открытом рынке, и джун сможет продать себя за синьора и даже CDSа (знаю такой случай). В таком случае важно вовремя проводить апгрейд грейда согласно скорости достижения определённого уровня, а не за выслугу лет. В противном случае вы повысите мат. ожидание поиска топ-специалиста у конкурентов.

5️⃣Привлекаем таланты за счет HR-бренда и сарафанного радио. Время потраченное на выступления на конференциях, запущенные курсы, ведение личного блога и другие публичные активности существенно окупается скоростью найма за счет улучшения релевантности входного потока. Повышенная удовлетворенность команды включает сарафанное радио и приводит к аналогичному результату.

6️⃣ Работаем со студентами и стажерами. Большинство топ-специалистов, которых вы хотите сейчас нанять были когда-то студентами технических вузов. Сейчас вы смотрите на них и мечтаете чтобы они стали членами вашей команды, но вы упускаете большой поток студентов, которые еще не стали звездами и вам не поздно вырастить их внутри, если вы сами когда-то были настоящими синьорами.

📸 Глава Лаборатории машинного обучения в окружении джунов и миддлов, май 2022.

PR-стратегия Лаборатории

В этом посте расскажу о ключевых элементах стратегии, которые помогли построить бренд команды — как внутри компании, так и за ее пределами.

1️⃣ Каждый член команды может стать ее амбассадором. Замыкание публичных активностей на руководителе приводит, во-первых, к неэффективному использованию его времени, а во-вторых, к потере качества — вряд ли кто-то расскажет лучше ключевого разработчика.
Отдельно горжусь тем, что удалось сменить парадигму, по которой выступать на внутренних и внешних мероприятиях могли только сотрудники нужного грейда. Самый яркий пример — выступление стажера перед коллегой на девять грейдов выше, которое стало пререквизитом для появления новой функции.
2️⃣ Подготовка к выступлениям нативно встроена в процесс работы команды. Очень сложно заставить себя и команду подготовить презентацию на двадцать слайдов на конференцию по неизвестной теме. Сильно проще — взять рабочие презентации, вычистить из них конфиденциальную информацию и обкатать на внутренней аудитории.
Эти сценарии отделяет регулярная работа: регулярные презентации бизнес-заказчикам, питчинг на внутренних синках и доработка материалов по обратной связи.
На самом деле выступление на внешней конференции не сильно отличается от внутренней презентации, и работа над обоими направлениями усиливает каждое из них.
3️⃣ Мотивируем и помогаем развивать скиллы у каждого члена команды. Чтобы из «нулевого рассказчика» сделать «опытного спикера», нужно просто вместе с ним прогнать презентацию пять раз. Побеждать в соревнованиях вдвойне приятно, если компания при этом платит премию в размере месячного оклада.

4️⃣ Распространяем контент во всех каналах коммуникации. Бизнес работает с клиентами через все возможные каналы, чтобы увеличить число касаний и охватить разные сегменты аудитории. В развитии HR-бренда нужно использовать те же принципы: адаптировать контент под конференции, статьи, подкасты, обучающие курсы и посты в телеграме.
Один директор по маркетингу сказал, что хорошая реклама должна заебать. В этом есть доля правды — ведь вы выберете известный бренд, если не разбираетесь в качестве товара.
📖 Хотите прокачаться в написании ёмких и понятных текстов?
Рекомендую книгу «Пиши, сокращай 2025: как создавать сильный текст» — Максим Ильяхов и Людмила Сарычева.

Привет! На связи команда МТС True Tech Talents. Мы запускаем набор на 4 поток Школы аналитиков данных🥚

Обучение проходит в онлайн-формате и длится 10 месяцев. Преподаватели — эксперты нашего центра Big Data. Вы научитесь писать на Python, прокачаетесь в математике, основах машинного обучения, ML Ops, Spark и прочих вещах, без которых не выйдет работать в Data Science. Также у студентов будет возможность попасть на стажировку в МТС Web Services.

Обучение бесплатное, но места ограничены - чтобы попасть, необходимо подать заявку до 30 октября и выполнить вступительное задание. Старт обучения - 10 ноября!

Регистрируйся по ссылке, ждём тебя!