Для обсуждения на понедельник у меня есть три мысли:

1) Зачем фиксировать свои достижения, что считать достижениями, как и как часто это надо делать
2) Брать количеством - это годная идея
3) Почему на мой взгляд в определенный момент количество переходит в качество

А сейчас я пойду посплю (в 5 утра перед рабочим днём, ну да), а завтра в течение дня разверну темы.

Поговорим про фиксирование достижений.

На мой взгляд, вещь эта обязательная, и вести такие списки в идеале надо как по типу достижения, когда рабочий опыт большой («победа в хакатоне», «успешное завершение учебного курса»), так и по годам.

Списки по годам позволяют увидеть сделанное в рамках общей картины и поставить более реалистичные цели на следующий год, соответствующие вашим целям.

А списки по типам достижений пригодятся в самый неожиданный момент 😂

В науке с достижениями все не очень сложно - основным результатом работы являются публикации, гранты, участие в сотрудничествах, патенты, курсы и конференции. Впрочем, как только человек начинает реально делать научную работу, необходимость списков по этим областям понимается очень быстро - они каждый год (и/или квартал) нужны в отчетах.

А вот с программистской или руководящей должностью не так очевидно. Мне кажется, в достижения можно записывать не только финальные результаты любых проектов, в которых человек участвовал, но и промежуточные. Улучшил метрики модели? Записал себе в список. В концу проекта есть из чего пополнить сиви (если так не делать, быстро забываешь, что конкретно ты делал в течение долгосрочного проекта).

Особенно трекинг успехов важен на этапе обучения чему-то новому. Сегодня позанимался курсом, прошел такие-то темы. Сегодня сходил на семинар по теме, вот такие сделал выводы. Это позволяет отследить, что человек реально куда-то двигается, и понять, а туда ли.

❓Какой у вас опыт с трекингом достижений? Что записываете?

Почему брать количеством - это ок и как получается, что оно переходит в качество

Речь тут пойдет прежде всего о собесах, но эта мысль вчера пришла ко мне, когда я наткнулась на набор валентинок из 144 штук 😂

Когда долго не ищешь работу или меняешь сферу, не очень представляешь себе, что эти люди будут от тебя хотеть на собеседованиях.

Даже «100 вопросов с собеседований» не так помогут увидеть реальность, как сама по себе встреча с ней.

Сколько нужно заявок или собесов, чтобы получить новую работу? Если у нас узкая область, или мы хорошо прицелились, может всё получится и с первого - третьего раза.

Однако, это скорее исключения - у меня было 48 взаимодействий, а у Амины, когда она искала прошлую работу, точно больше 100.

Принцип такой: находишь, что процентов 40 от вакансии составляют знакомые слова - окей, можно откликаться.

А со временем такой перебор переходит в качество вот почему:
1) понимаешь, на какие заявки отвечают и кто
2) понимаешь, как лучше писать сопроводительное письмо
3) постоянно что-то учишь из нового, что часто бывает в резюме, резюме становится лучше
4) по обсуждениям на собесах понимаешь, что важно потенциальным работодателем, добавляешь в резюме, оно становится лучше.

Как-то так вижу этот процесс. И честно говоря, знание о том, что быстро не будет, знатно успокаивало меня весь поиск.

Из канала Киры Кузьменко @kirafound (пост состоит из нескольких частей и он не весь мне зашел, цитирую только интересную мне часть)

“Дело в том, что русскоязычные ИТ-кандидаты, в массе своей, не умеют искать работу. Ведь ИТ-рынок до 2022 года рос как на дрожжах. Поэтому кандидатам негде было системно учиться быть классными кандидатами. Поэтому, практически никто не владете навыкам самопрезентации, не умеет упаковывать сделанные проекты, затачивать свой опыт под вакансию. Даже элементарный предварительный ресеч информации о компании – это для многих кандидатов новый навык. Потому что нанимали и без этого. А если вы сеньорный разработчик, то вам могли сделать оффер просто поболтав за кофе 15 минут.

Вот примерный и почти не выдуманный диалог после собеседования Java разработчика в 2021 году:
- Ну что, нормальный разраб?
- Вроде нормальный!
- Шарит?
- Да вроде да.
- Мб дадим тестовое проверить?
- Да какое тестовое! Он щас уйдет из кафе из через полчаса примет другой оффер!
- Ладно, сколько он там хочет денег? Вот бл... У нас гендир столько не получает...

Следствие? В среднем, вы как кандидат, скорее всего не умеете искать работу. А сейчас вам нужно нарабатывать этот навык как никогда.”

Коллега сделал задачу не так, как мне надо, и уже стоя в куртке говорит, что переделает завтра.
Я: не хочу завтра, хочу сегодня, посмотри на мой монитор и скажи в меня нужные слова, я сама оформлю в текст
Коллега (смотрит на монитор): мммм
Я, видя пустоту в глазах и отчаянно крутящиеся под конец сложного дня шестеренки: уууу, ладно, иди отсюда
Коллега: нет ну ты приходи пораньше завтра, все сделаем

Мое мнение о ранних приходах изображено на картинке 😂

Слушайте,а все-таки весело очно работать 😁

Вчера к коллеге приходили девушки из другого отдела по рабочим вопросам. Одна из них так старательно облизывала свой чупачупс, а мне так хорошо было видно со своего рабочего места, что я аж до сих пор под впечатлением 😂

Даже как-то обидно стало, меня почему-то вот облизывая чупик никогда не клеили 😂 Вот в общественном туалете как-то пытались склеить, а вот так - нет 😂

А какие вы выделяете странные плюсы очной работы? 😂😂😂

ПС: по дата саенс готовлю в этот канал интервью со специалистом, будет про особенности собесов и работы в DS; про нашу работу расскажу чуть позже, как только пойму, что конкретно не под NDA

О, пока не забыла. У нас в центре планируются стажировки для студентов, как раз вчера расписывали для дирекции наши предложения. Как только дирекция все согласует и кадры выложат на сайт, сразу скину сюда.

Вот немножко глубже погружусь в тему и тоже буду на такое ездить 😁

В среднем от 300 до 2000 откликов. Это я ещё нуб вообще со своими 48 компаниями

"Чтобы джуну найти работу в 2023 году, ему надо быть миддлом" – мой тезис и на скрине подверждение этому тезису. См обсуждение в твиттере у Антона Назарова.

Тема с приписыванием себе опыта работы, кажется, растущий тренд, который мы будем встречать всё чаще и чаще. Потому что оценивают всё-таки не года опыта работы, а тех. скиллы. И, если они норм, то задача джуна – пройти первичный фильтр рекрутеров или нанимающих.

Лично я не могу осуждать джунов за то, что они так делают. Потому что знаю, что первичный фильтр на "года опыта работы" – может быть формальностью для отсева и экономии времени. А джуны, в среднем, делают от 300 до 2000 откликов, чтобы найти работу. Поэтому логично, что будут использовать любые способы повысить конверсию.

Но расскажите мне, а что вы думаете про этот тренд с приписыванием себе несуществующих лет опыта работы?

Интервью с Анной Ивановой, @lab_mouse - биоинформатиком и специалистом по Data Science.

Вопрос 1.
Аня, насколько я помню, в своей компании ты участвуешь в проведении собесов. Расскажи, как будут отличаться твои вопросы для стажера, джуна, мидла и сеньора? Какие конкретные вопросы ты задавала в своей практике?

Ответ Ани:
Начнём с того, чем отличаются задачи для этих позиций.
Джун - человек, который работает руками, но ему нужно ставить четкие задачи, что делает мидл или синьор.
Мидл тоже работает руками, но сам понимает, как нужно поставить задачу. Сеньор редко работает руками, но ставит задачи и видит проблемы целиком. Стажера выделяют отдельно не всегда, но по идее он чуть умеет делать руками и знает поменьше, чем джун.

Конкретные вопросы зависят не только от того, на какую позицию собес, но и от того, чисто ли это технический специалист, или человек имеет бекграунд по специфике работы (в моем случае - биология). Собес всегда отличается в зависимости от того интервьюера, к которому ты попал.

Я в первую очередь спрашиваю всех про опыт. Даже если это джун - он может рассказать про pet-проекты, и что конкретно он делал на этом проекте. Исходя из этого буду спрашивать глубже. Строил регрессионную модель? А какая была выборка? Понимает ли человек, что и зачем он делал?

Дальше идут вопросы по базе - про то, на чем все строится. Вот скажем, говорит человек «я знаю нейросети», но плавает в классических ML подходах. Это значит, что человек пошел за модой и толком не знает, как всем этим пользоваться. Такой сотрудник будет использовать лишние ресурсы и время, а надо, чтобы человек выбирал оптимальный для задачи подход.

Или, например, человек говорит о том, как прекрасен random forest, но не знает, почему там не важна нормализация данных.

Другие теоретические вопросы - почему надо проверять распределение на нормальность? Почему в одних ситуациях - распределение Пуассона, а в других - равномерное? Какое бывает среднее? Что такое Баесова статистика? А также про теорию вероятности, статистику, классическое машинное обучение, метрики измерения качества модели.

Кроме этого важно, чтобы кандидат мог в понятном виде объяснить свои результаты - речь про отчет и визуализацию. Это важно, потому что если ты не смог объяснить свое открытие бизнесу, считай что ты ничего и не нашел.

Вопрос 2:

Какие ML-модели ты наиболее часто используешь на практике? Какие статистические критерии и библиотеки?

Я использую те модели, которые применимы для конкретных задач. Изображения? Простые медицинские данные? Надо дать рекомендацию врачу о том, какое решение принимать (тут нельзя использовать подход без хорошей объяснимости)?

Если говорить про библиотеки, то это matplotlib, numpy, pandas, seaborn. Хорош тот алгоритм/инструмент, который решает конкретную задачу.

Вопрос 3:

Представим, что у нас есть студент, который увлекается DS/DA, и хочет найти стажировку. Какие с твоей точки зрения критерии хорошей стажировки? Как выбрать? Что студент должен получить по ее итогу?

Сейчас получить позицию джуна или стажировку сложно. Порог вхождения в питон низкий, а конкуренция высокая. Ещё года 4 назад я бы сказала, что браться надо только за оплачиваемую стажировку, но сейчас ситуация изменилась. Сейчас стажировка не должна быть слишком долгой и нужно смотреть, сколько она приносит тебе и сколько приносишь компании ты. Если ты в течение длительного времени приносишь больше, чем получаешь, необходимо вести речь об оплате. На стажировке обязательно должен быть куратор, а в результате успешного прохождения стажировки должна как минимум предполагаться возможность работы в компании. Идеальная стажировка - в среднем три месяца. Главное - видеть, что компания в тебе заинтересована.