⚡️Дайджест вакансий для ML-продактов

Не секрет, что у каждого руководителя свое видение должности «ML-продакт». Кто-то ищет сильного менеджера, другим требуется мощный технический бэкграунд. Мы узнали, какие требования сейчас предъявляют крупные компании:

🔵Компания: МТС

Менеджер продукта в голосовой экосистеме (B2C)

Основное требование — продуктовый опыт и мышление, а работа с ML идет в качестве плюса. Хорошая возможность войти в эту сферу, не имея за плечами уже реализованных AI-продуктов.

Зарплата: 250-350к с учетом годового бонуса.

🔵Компания: Сбер Бизнес Софт

Product owner (Новые гипотезы AI)

Еще одна вакансия без высоких требований к опыту в AI. Важно: работа проектная, внедрять AI предстоит в бизнесы компаний-клиентов.

Зарплата: 260-370к (11 грейд) + годовой бонус.

🔵Компания: Циан

Senior Product manager (ML)

Здесь ищут опытного человека по части управления ML-продуктами, нужно быть в теме минимум пару лет. Преимуществом будет опыт запуска продуктов с монетизацией в крупных компаниях.

Зарплата: приблизительно 250-300к

Какие выводы мы можем сделать:

Что важно на старте?

Для начала, определитесь в какой именно технологии в рамках AI вам хочется заниматься (например, рекомендательные системы, речевые технологии, NLP). А потом уже углубляйтесь в эту область — чем раньше, тем лучше.

Можно ли «вкатиться» в сферу без технического опыта?

Да. Некоторые компании выдвигают довольно мягкие требования: они не ожидают от вас уже реализованных крупных проектов в области искусственного интеллекта. Достаточно знать основы.

Новичкам подойдут «смежные» вакансии: на старте вы будете решать задачи бизнеса, и параллельно — продумывать, как закрыть их с помощью ML.

Кстати, о техническом опыте мы недавно рассуждали 👉🏻 тут.

И самое главное: внимательно читайте, на какие скиллы компания делает упор в конкретной вакансии. Да, совет звучит универсально, но внимание к деталям — 50% успеха при откликах.

Как вам рубрика? Идеи, пожелания и благодарности можно оставить в комментах 👇🏻

__________
Подписывайтесь: "Как приручить ИИ"

🔥Большое интервью с Сергеем Шелепиным, AI/ML Product Owner GigaCode

Поговорили с Сергеем Шелепиным — экспертом в области AI/ML. Узнали, как он попал в Сбер, над какими задачами работает сейчас и стоит ли разработчикам опасаться ИИ:

0:00 — Как пришел в IT и как стал заниматься AI?
2:58 — Как перешел в GigaCode и над чем работает сейчас
09:47 — Заменит ли ИИ айтишников?
13:18 — Про процесс запуска фичей
32:06 — Чем ML-продакт отличается от классического?
41:00 — Какие курсы посмотреть?
42:12 — Про собеседования на позицию ML-продакта и пет-проектах
54:30 — О рынке зарплат ML-продактов

Полное интервью смотрите 👉🏻 по ссылке.
__________
Подписывайтесь: "Как приручить ИИ"

⚡️Yandex Research нашли способ сжимать нейросети без потери качества ответов

Специалисты Yandex Research совместно с коллегами из IST Austria и Kaust выложили в открытый доступ новые методы сжатия больших языковых моделей.

Зачем это?

Большая языковая модель требует больших мощностей — дорогостоящих процессоров. А это всегда расходы для бизнеса. Новая разработка позволяет сжать нейросеть в 8 раз и включает два инструмента:

🔵Первый — уменьшает языковую модель и позволяет запускать ее всего на одном графическом процессоре.
🔵Второй — исправляет возникающие при сжатии ошибки.

Качество ответов нейросети при этом почти не страдает — сохраняется до 95%.

Код нового метода сжатия нейросетей уже опубликован на GitHub и доступен для применения.

Ну что, ждем по llmке в каждой микроволновке и кофеварке?

__________
Подписывайтесь: "Как приручить ИИ"

✔️Сегодня расскажем про онлайн-метрики поиска

Переходите по ссылке, чтобы прочитать про каждую подробнее 👉🏻https://telegra.ph/Zachem-nam-onlajn-metriki-poiska-07-29

А если остались вопросы — их можно задать в комментариях 👇🏻

__________
Подписывайтесь: "Как приручить ИИ"

✔️Оценка задач в ML-командах: как справляться с неопределенностью?

При разработке продуктов с использованием ML-моделей, у нас появляются дополнительные этапы в сравнении с разработкой продуктов без ML. Например:

🔵Подбор архитектуры модели.
🔵Подбор гиперпараметров модели.
🔵Эксперименты с данными, включающие, например, отбор и генерацию признаков.

И это далеко не все. Оценить необходимое время на реализацию этих этапов трудно, потому что мы не знаем точное количество экспериментов, которое необходимо провести перед тем, как модель покажет достаточное качество.

❓Что делать в таком случае?

Классический подход состоит в следующем:

1. Разбейте каждый из этапов на максимально мелкие задачи. Их проще прогнозировать.
2. Попросите команду оценить каждую задачу.
3. Умножьте вашу оценку на «коэффициент неопределенности». Кто-то умножает на корень из π, кто-то на e/2, можно просто на 1.5.

Проводите регулярные ретроспективы: на них вы с командой сможете оценивать эффективность планирования.

На выходе вы получите не слишком оптимистичную, но и не слишком пессимистичную оценку и у вас будет возможность контролировать уровень «неопределенности».

__________
Подписывайтесь: "Как приручить ИИ"

🔥Прожарка резюме. Часть 1: карьерная цель

Начинаем разбирать резюме нашего подписчика. Ради сохранения анонимности скриншоты резюме не прикладываем 🙌🏻

Перед тем, как исправлять резюме, нужно определить карьерную цель и доменную экспертизу.

Кроме того, у вас должен быть опыт управления командой разработки и подтвержденное влияние на метрики. Если такого опыта не было, то самый простой способ для вас — сделать горизонтальный переход в продуктовую команду внутри вашей компании, так как там вы себя уже зарекомендовали.

Дело в том, что «менеджер продукта» — это очень абстрактная цель. Профессия усложнилась, и здесь важно определить узкую специализацию.

Например, вы планируете подаваться на продукт «Главная страница» в Магнит, но при этом больше 10 лет работаете в антифроде. Поэтому от идеального кандидата на эту роль очень далеки. Работодатели ожидают, что вы начнете приносить пользу с 1-го дня. Что вы понимаете нюансы e-com’а, и вам не нужно месяцами вкатываться в тему.

ML — это тоже отдельный домен.

Причем, внутри него есть несколько поддоменов. Например, рекомендательные системы. Нередко в команду рекомендательных систем ищут человека, который уже делал их на прошлом месте.

Напомним: у нашего кандидата сильная экспертиза в антифроде. Было бы логично продолжать карьеру в этой сфере или очень близких к ней.

Если ему захочется сменить домен, придется столкнуться со сложностями:

🔵сразу получить желаемую должность будет сложно и долго;
🔵просадка в доходе.

Также стоит подумать: а точно ли вы хотите управлять it-продуктом? Почему бы вам не продолжить вертикальную карьеру в вашем направлении? Можно остаться в вашей компании или перейти в другой телеком.

Ставьте 🔥, если уже ждете вторую часть прожарки!

__________
Подписывайтесь: "Как приручить ИИ"