🔥Прожарка резюме. Часть 2: опыт работы, смысловая часть и оформление резюме

Продолжаем нашу серию с прожаркой и даем универсальные рекомендации по улучшению резюме, независимо от должности:

🔵Резюме не должно быть очень длинным. Это типичная ошибка опытных специалистов. Поверьте, никто не будет читать 5 страниц, оставьте максимум 2.

🔵Распишите подробно опыт с двух последних мест работы, а остальное максимально сократите. Для каждого рабочего места напишите в одном предложении: за какой конкретно участок и бизнес-показатели вы отвечали. Далее по пунктам перечисляете только достижения.

🔵Спросите себя: в чем вы первоклассный специалист? Составьте саммари о себе.

Саммари — это краткая самопрезентация, которая как раз отвечает на этот вопрос. Самое «мясо» и оцифрованные достижения. Максимум 4-5 предложений.

🔵Искорените тяжелые для восприятия формулировки. Например, «Организация обеспечения разработки правил…». Пишите проще и убирайте все лишние фразы. Повторите «чистку» 2-3 раза пока не поймете, что все предельно просто.

🔵В разделе «О себе» не пишите о семейном положении, возрасте и хобби. Хобби можно оставить только если это усилит ваш профессиональный профайл.

Например: консультирование кого-то по вашей проф. области. В раздел «О себе» поместите ваше саммари из пункта 2.

Оформление и структура

Важно! Шаблон hh не используем (исключение: только когда откликаетесь на самом hh). Сделайте резюме в гугл-доке и потом скачайте как pdf, а дальше уже рассылайте рекрутерам в личные сообщения.

Рекомендуемая структура резюме:

🔵Заголовок с вашим именем, справа фото.
🔵Подзаголовок — желаемая должность.
🔵Ваши контакты: телеграм, телефон и город.
🔵Саммари.
🔵Опыт работы в виде оцифрованных достижений.
🔵Прочие достижения (конкурсы, выступления, публикации и т.д.).
🔵Образование и курсы.
🔵Перечисление скиллов и фреймворков, чтобы пройти проверку ATS (для продакта часто бывают такие: JTBD, CustDev, Unit-экономика, P&L, A/B-тестирования, RICE/ICE, CJM и т.д.). Не переборщите и перечисляйте самое важное.

И вот, вы великолепны, а ваши шансы на успех увеличиваются!

__________
Подписывайтесь: "Как приручить ИИ"

⚡️Из новостей: OpenAI тестирует прототип собственного поисковика

Компания OpenAI запустила тестирование SearchGPT — новая модель должна сочетать возможности ИИ и открытую информацию из интернета. Предполагается, что поисковик будет выдавать быстрые и наиболее точные ответы на ваш запрос со ссылками на релевантные источники.

Пока что прототип доступен ограниченной группе пользователей. Но уже сейчас можно записаться в число тестировщиков 👉🏻 прямо на официальном сайте OpenAI.

Это хорошая новость для тех, кто занимается SEO-продвижением: SearchGPT будет ссылаться на наиболее популярные и подходящие источники информации. А значит, гнать трафик на ваши сайты.

Ну а для пользователей это попросту упрощает взаимодействие с поиском. Кстати, SearchGPT можно будет задавать и уточняющие вопросы — так результат с каждым разом будет все корректнее.

Планируете тестировать? 🤔
__________
Подписывайтесь: "Как приручить ИИ"

⚡️Дайджест вакансий

Сегодня мы предлагаем рассмотреть несколько ну очень вдохновляющих вакансий. Чем они вдохновляют? В основном — цифрами. Поехали 👇🏻

➖Senior Product Manager (mobile), Gradient, от 600к на руки

Здесь ищут продакта с большим опытом, фактически CPO.

Минимальный порог вхождения для этой позиции — от 3 лет. И опыт важен именно в B2C разработке мобильных приложений.

Очевидным преимуществом будет наличие в резюме проектов с ML. Да, в вакансии говорят, что это не обязательно. Но не будем обманываться: у такого кандидата больше шансов.

Сильно пригодится опыт Computer Vision. Почему? Потому что приложение Gradient напрямую связано с редактированием фото и видео, а значит — с технологиями компьютерного зрения.

➖Product Manager (Data & ML), СберЗдоровье, 320-370к с бонусами

Здесь ищут продакта на направление Data and ML. Кандидату предстоит внедрять искусственный интеллект в различные продукты цифровой медицины.

Не исключено, что работать нужно будет не с конкретным продуктом, а искать возможности для бизнеса в целом: где-то сократить издержки, где-то — вырастить удовлетворенность пользователей.

Не стоит вестись на «опыт от 2 лет». СберЗдоровье 100% хочет видеть на позиции опытного человека, который уже делал что-то подобное:

🔵Говорит на одном языке с дата-сайентистами и ML-инженерами.
🔵Умеет найти для бизнеса точки роста.
🔵Прекрасно разбирается в ML.

➖Product Manager в VK Predict

Ищут кандидата на внутренний продукт VK. Предпочтение явно будут отдавать тем, кто понимает, какими инструментами пользуются маркетологи, сейлзы, CRM-маркетологи, какие у них есть задачи, нюансы работы.

Значит, потребуется экспертиза в MarTech. Например, кандидат мог быть заказчиком для DS-команд по моделям отклика или другим моделям, отвечающим маркетинговым KPI.


Ставьте 🔥, если вакансии тоже 🔥
__
Подписывайтесь: "Как приручить ИИ"

🖥Типы задач AI/ML

Сегодня поговорим о базе для ML-продакта. Большинство задач AI/ML можно отнести к одному из следующих типов:

🔵Задача регрессии;
🔵Задача классификации;
🔵Задача ранжирования;
🔵Задача обнаружения объектов;
🔵Генеративные задачи.

Есть и другие типы, но эти — наиболее распространенные.

Задача регрессии —  модель должна прогнозировать целевое значение, которое является количественной величиной, то есть числом.

Например: необходимо спрогнозировать спрос на любой товар в магазине. Целевое значение — количество покупок этого товара.

Точно так же можем спрогнозировать цены на недвижимость, потенциальный доход компании и т.д.

Задача классификации — возникает, когда нужно определить, к какому классу из заранее известного набора относится изучаемый объект.

Например: нужно понять, болен ли человек. Целевое значение будет выбираться из двух опций: наличие или отсутствие болезни.

Типичная задача классификации, с которой вы сталкиваетесь — определение, в папку «Входящие» или в папку «Спам» полетит письмо.

Задачи классификации могут с двумя опциями (тогда это бинарная задача) и более — мультизадачей.

Задача ранжирования — упорядочивает объекты согласно определенной логике.

Например: рекомендация товаров в поиске. Целевым значением будут те товары, которые с наибольшей вероятностью понравятся пользователю.

Задача обнаружения объектов — возникает, когда мы работаем с изображением.

Например: обнаружение лиц, текста, других объектов. Целевое значение — координаты области изображения, на которой находится объект.

Да, решая капчу «Найдите на картинке все лестницы», вы помогаете обучать модель.

Генеративные задачи — то самое создание картинок/музыки/текста на основе объема данных, которые получила модель.

За примерами далеко ходить не надо: все слышали про GPT и Stable Diffusion.

К генеративным задачам также относим машинный перевод и распознавание/синтез речи.

Закидывайте пост в «Избранное», чтобы не потерять. А если есть вопросы — ждём в комментах 👇

__
Подписывайтесь: "Как приручить ИИ"

❓Как выбрать видеокарту для работы?

Поздравляем, вы продакт в ML. Занимаетесь стандартными продуктовыми делишками и тут вам приходит оповещение: «Назначена встреча. Тема: “Закупка оборудования”». Вы слышали, что для обучения моделей требуется видеокарта, но на какие параметры обращать внимание?

Есть несколько основных параметров при выборе видеокарты для ML-команды:

🔵Вычислительная мощность. Чем больше у видеокарты процессоров или ядер, тем выше ее возможности параллельной обработки данных.
🔵Объем памяти графического процессора. Достаточный объем памяти важен при обработке больших данных.
🔵Поддержка специализированных библиотек. Для разработки ML моделей критично важна совместимость со специализированными библиотеками, такими как CUDA. Это оптимизирует вычисления и повышает общую эффективность.
🔵Высокая производительность. Память и широкие шины обеспечивают высокую производительность при обучении.
🔵Совместимость с ML-платформами. Необходимо обеспечить соответствие видеокарты платформам и инструментам машинного обучения для эффективной работы.
🔵Цена. Часто цена может играть ключевую роль при выборе видеокарты. Если вы не планируете обучать свою собственную LLM, возможно, что вам и не потребуется самая дорогая видеокарта на рынке.

И это еще далеко не все. О том, как найти баланс между «Очень дорого» и «Слишком медленно» пишем в telegraph 👉🏻 по ссылке.

__
Подписывайтесь: "Как приручить ИИ"

Разбор ML-задачи: от гипотезы до замера результатов

Для примера возьмем кейс птицефабрики и команды Nord Clan. Да, «Птицефабрика Чамзинская» внедрила в свою работу ML. А именно — компьютерное зрение ML Sense.

Зачем? Для контроля качества. Никто не хочет отправить заказчику куриные тушки с гематомами, но искать брак вручную — трудозатратно.

Процесс решили автоматизировать и внедрить систему на основе машинного зрения и нейросетей ML Sense от Nord Clan.

Какие этапы решала команда:

1. Установка программно-аппаратного комплекса, монтаж оборудования.

Команда подобрала видеокамеры и осветительные приборы. Схема была такая: одна камера «рассматривает» грудку курицы, другая — спинку.

2. Сбор датасета и разметка дефектов на фотографиях.

Чтобы собрать для нейросети достаточно данных, пришлось вручную проводить фотосъемку «дефектных» куриц. При этом нужно было учесть размеры дефектов: порезы — от 10 мм, гематомы — от 300 мм.

3. Настройка и установка контроллеров.

Система работает так: когда машинное зрение видит дефект, подается сигнал на контроллер. После — контроллер подает сигнал на отбраковщик, который снимает бракованную тушку с конвейера.

4. Запуск системы в эксплуатацию, обучение персонала.

И все это — всего за 3 месяца. Результат:

🔵Дефекты удается заметить с точностью 99%, а выпуск бракованной курицы сводится до нуля.
🔵Специалистам больше не нужно вручную отбраковывать дефектный товар. Работодатель может поручить им другие задачи или вовсе снизить затраты на персонал.

Вот такой нестандартный кейс. А о каких сферах применения ML слышали вы?
__
Подписывайтесь: "Как приручить ИИ"

📈Как отсутствие коммуникации привело к провалу проекта

Это будет история одного факапа: однажды ML-проект просто провалился из-за ошибки в коммуникации между бизнесом и командой.

Сперва мы получили задачу, довольно высокоуровневую. И конечно оценивали ее, исходя из двух параметров: реализуемость и качество модели. В то же время заказчик (бизнес) рассчитывал вообще на другое. Только вот мы об этом не знали.

Почему?

Потому что не спросили. Для менеджмента машинное обучение — что-то вроде волшебной таблетки, он не рассуждает с точки зрения технической реализации. А для ML-команды все, кажется, предельно ясно.

Так мы получили месяцы работы впустую из-за того, что говорили на разных языках и не смэтчили потребности бизнеса и технические возможности.

А как вы поступили бы в этой ситуации? Приглашаем к дискуссии 👇🏻
__
Подписывайтесь: "Как приручить ИИ"