Поступашки - ШАД, Стажировки и Магистратура

Вся правда про ШАД Туда реально сложно поступить или есть лазейки? Нужно быть выпускником топового вуза и олимпиадником? А диплом ШАДа потом гарантирует зарплату миллион/наносек? Зачем вообще тратить время и силы на ещё один диплом? Завтра разберёмся, где правда, а где миф, и поможем понять, стоит ли тебе поступать в ШАД 😎 Наш главный преподаватель готовит в ШАД с 2009 года: он расскажет, что на самом деле проверяют на каждом этапе, какие ошибки мешают поступить, и ответит на все ваши вопросы. На вебе обсудим: 🔵Зачем поступать в ШАД и что обучение может дать для карьеры 🔵Как устроено поступление: этапы, формат, что ожидают от поступающих 🔵Задачи на экзаменах и покажем методику решения на высокий балл 🔵Проверим решения ИИ и посмотрим, где ему можно доверять, а где легко допустить ошибку 📌9 октября, 19:00 МСК Ссылку на эфир пришлём за 3 часа до начала здесь и в бот @Postupashkianalitycsbot

Есть ли жизнь после ШАДа Попросил нашего выпускника-"старичка" поделиться, что ШАД дал именно ему. Если вам нравится такой формат, ставьте огонек ⭐️ — это сигнал, что нужно больше историй ребят, как они профессионально реализовались. Дальше текст выпускника. Я завершил обучение в ШАДе в 2024 году. Поступил в ШАД в конце третьего курса среднего университета, когда был в академе. Опыта работы у меня не было, я просто учился и радовался жизни, считал, что всему свое время. Во время учебы в ШАДе я закрывал по три предмета, были люди которые закрывали по 6 предметов. Я был среднячком со средним баллом 4.3 и просто делал, что по кайфу. Учился я по направлению Data Science. Как относятся люди на рынке к ШАДу: - В данный момент я не встретил ни одного русскоговорящего человека, который не слышал о шаде. - Интересуются какие предметы ты закрыл. Я думаю хороший вопрос, потому что бывают люди которые поступили и ушли после второго семестра. - Если у собеседующего раздутое эго и он в свое время не поступил в шад, то он может попробовать завалить вас на собеседование и тем самым самоудовлетвориться. (Такие есть, но их мало) - В свое время, когда не имел промышленного опыта по МЛ, я находил людей, которые руководят командами из Яндекса, Сбера, Тинькофф, и просил мне провести собес. Если у них не было вакансии, они говорили: «Извини, пока нет вакансии, но давай поговорим. Короче, я к тому, что руководители команд с радостью готовы пообщаться с вами, не знаю, это из-за шада или из-за того, что они общительные, мне лично больше кажется из-за шада) - HFT компании хантят. Так сложилось что в Российском HFT много выпускников ШАДа, да и вообще спортивных программистов и тд, и соответственно HR хантят таких же. Эта сфера мне сейчас не так интересна, так что я собесился скорее по приколу. Выводы: В СНГ к выпускникам шада относятся очень даже хорошо. Как проходят собесы: - Бывают моменты, когда от вас ожидают большего и думают, что вы мегамозг, хотя на самом деле не такой. Обычно это те люди, которые хотят самоутвердиться, к сожалению, на моем опыте было такое и не раз. Почему я решил, что это из-за шада? Потому что собеседующий часто повторял мантру "вы это в шаде должны были проходить" и давал очень специфические вопросы на уровне тюремных загадок. - В целом много адекватных, которые будут вас собесить так же, как и остальных. - Могу не искать материалы для подготовки к собесам, например, я вижу, что команде важно, чтобы я знал AB-тесты, но в открытом доступе материалы на AB-тесты поверхностные, без структуры, так что я иду в шад и смотрю лекции, делаю домашки. (Да у выпускников остается доступ к материалам). Или например была ситуация, что мне надо было разобраться как работает cuda, я зашел к системе шада, записался на курс и поделал домашки. - Ставят собесы. Думаю это больная тема у многих. Мне после шада скрининге проходить стало проще, меня раньше тоже не звали на собесы или поток был откровенно плохой). HFT компании: Скажу пару слов про HFT, так как они охотно хантят. Мне рекрутеры сами писали в личку и предлагали пособеситься. - Хантят в основном компании с российскими корнями, такие как Teza, Pinely и тд. Условия кстати хорошие, но ребята, вроде, трудяги лютые. - Пару раз предлагали с хорошими условиями пройти собес в немецкую компанию, но сработал мой инпостер, и я подумал, это не мой уровень) - Реально много выпускников шада, так что на собесе у вас будет о чем поговорить) Работа: - На работе начинал с простых вещей, разбирался, как устроены уже имеющие модели. Кстати, здесь проблем не было, хотя многие долго и очень долго разбираются. - Есть фундаментальные знания, которые помогают разбираться в статьях, которых приходится читать много. - Первые полгода я чувствовал, что не знаю, как устроено железо, и пришлось разобраться, тут, кстати, знания в интернете не помогли, ибо знания поверхностные. Благо были курсы Шада, которые я пересмотрел. - Знания математики реально нужны, вообще лучше выделяешься в команде, если хорошо знаешь математику. Короче на работе шад помогает, но не делает из вас терминатора. Я учился потому, что мне было интересно, я не гнался за деньгами и я доволен тем что имею. Ресерч: - Сейчас мне интересен ресерч. На семинаре преподаватель немного рассказал, чем занимается его команда сейчас. Я заинтересовался и написал ему после пары. Так у меня потом появился научный руководитель и ментор. - Многие руководители лабораторий закончили ШАД или там преподают. - В исследовательской среде тоже очень много ребят учатся или закончили ШАД: можно сдружиться или просто написать и пообщаться. - Сам ШАД выступает организатором научных конференций, отправляет ребят на топовые конфы как ICML и ICLR. В шаде очень много курсов, я в свое время закрыл 12, и все еще беру новые предметы, потому что нужно на работе, ради курсов/материалов, которые у вас останутся навсегда, комьюните, знаний я думаю стоит идти в шад. Всем удачи на вступительных. Подписаться: @postypashki_old

Просто скажи, у нас с тобой есть шанс...? Если речь про ШАД — вполне возможно 😎 Потому что какого-то единого «правильного» пути туда просто нет. Кто-то пришёл из обычной школы, кто-то с мехмата, кто-то уже работал разработчиком или исследователем. Все они поступили в ШАД после наших курсов — и сегодня делимся их историями. ⏩ Никита учился в обычной школе в Крыму, а после неудач на олимпиадах и ЕГЭ поступил в МИЭТ. С первой попытки пройти отбор в ШАД не получилось. Он разобрал, каких тем ему не хватило, прошёл наши курсы по линалу и теорверу и поступил на следующий год. ⏩Тимур Учится на ПМИ в РУДН и параллельно занимается математикой в НМУ. В первый год он не прошёл даже начальный этап отбора: не хватило базы по теории вероятностей. Продолжил готовиться — и поступил со второй попытки. ⏩ Никита Учился в гуманитарном классе обычной школы и не занимался олимпиадами. Сейчас он на мехмате МГУ. При подготовке к ШАД ему пришлось отдельно подтягивать алгоритмы и программирование: этой практики в вузе не хватало. ⏩Эмиль Окончил ИТМО и уже работал Java-разработчиком в VK. В какой-то момент понял, что хочет глубже разбираться в математике и ML. На подготовку к ШАД у него было около четырёх месяцев. Он занимался по нашим материалам и курсам — и поступил. ⏩ Омурбек Вырос в небольшом городе Кыргызстана, через олимпиады попал учиться в Южную Корею, попробовал бэкенд, а затем перешёл к исследованиям. Даже работая Quant Researcher, он почувствовал, что ему не хватает фундамента, и поступил в ШАД. Если в одной из этих историй вы узнали себя — не ждите момента, когда почувствуете себя «готовыми». Вы уже достаточно готовы, чтобы начать готовиться к ШАДу с нами. Посмотрите полные интервью ребят, поймите, чего вам не хватает для отбора, а на наших курсах мы закроем эти пробелы. ⭐️ЗАПИСАТЬСЯ НА КУРС⭐️

Вчера — в рабочем чате. Сегодня — на билборде 👀 Такое стремительное развитие карьеры возможно, если для старта выбрать бигтех для бизнеса. Герои новой кампании Т1 — не актеры и не модели, а молодые специалисты ИТ-холдинга из 11 городов. Те самые ребята, которые, несмотря на юный возраст, уже раскрыли свои суперспособности в ИТ и работают над настоящими проектами. Под руководством наставников они: ✔️ тестируют цифровых двойников; ✔️ настраивают инфраструктуру под высокую нагрузку; ✔️ разрабатывают продукты для ритейла, общения и обучения. В Т1 уверены: сильная ИТ-индустрия начинается с сильного образования и практики. Поэтому компания предлагает не только программы стажировок (кстати, большинство из них в удаленном формате). Вместе с топовыми вузами бигтех для бизнеса развивает 27 образовательных программ в семи городах — от Москвы до Новосибирска. Бренд Т1 становится всё заметнее среди молодых специалистов: для старта карьеры компанию выбрали уже более 4 000+ студентов из 300+ вузов. ⚡ Присоединяйся и узнай, какая суперспособность в ИТ твоя. ➡ Перейти на сайт⬅️

Полный цикл отбора в X5 Tech на Data Science (стажер / junior) Недавно наш студент, проходил собеседование в ad-hoc команду x5. Ниже разберем два самых содержательных этапа: первый технический и финал, который фактически оказался вторым тех-собесом. Сразу скажу, что по ощущениям отбор здесь не столько про знание огромного количества моделей, сколько про хороший фундамент и умение нормально рассуждать над аналитической задачей. Кстати разбор заданий стажировки в Х5 на аналитика (Business Camp) уже выложен на нашем курсе "Аналитика ПРО". Дедлайн подачи до 6 октября. Успей записаться до дедлайна! ➡ Записаться Первый технический Python Первый тех был довольно общий. Сначала немного погоняли по базовым алгоритмам и Python. Дали совсем простые задачи: На вход приходит целое число. Нужно вывести число, состоящее из тех же цифр, но в обратном порядке. И Дан список натуральных чисел без повторений. Найдите второй по величине элемент. Задачи сами по себе несложные, после решения спросили про сложность (но видно было что интервьювер оч плохо знает алогосы), сколько памяти используется и как решение изменить в каких-нибудь граничных случаях. Sql Дальше начался SQL, и вот его уже было заметно больше. Например: Есть таблица с пользователями, датой покупки и номером чека. Нужно вывести последние NN покупок каждого пользователя. Здесь ожидаемо хочется увидеть оконные функции, row_number, rank и понимание partition by Еще была задача примерно такого типа: Есть таблица товаров с категорией и ценой. Нужно вывести самые дорогие товары в каждой категории. Тоже достаточно классический SQL на оконные функции. То есть каких-то суперэкзотических запросов не было, скорее проверяли, насколько уверенно человек работает с обычными аналитическими задачами. Теорвер и эконометрика После SQL перешли к математике и статистике. Например, был вопрос: X∼N(0,1). Чему равно E(X^2)? Или могли спросить про сходимость случайных величин и попросить объяснить строгое определение состоятельности оценки. Отдельно попросили сформулировать цпт и объяснить, зачем она вообще нужна на практике. Дальше пошла регрессия. Здесь уже спрашивали не только «что такое линейная регрессия», но и достаточно много про то, что может пойти не так. Например: Что такое гетероскедастичность? Что такое мультиколлинеарность? Что такое эндогенность? Почему обычный OLS может давать смещенную оценку? Еще отдельно был хороший блок по регуляризации. Нужно было рассказать про L1, L2 и Elastic Net, а дальше могли спросить уже не формально, а скорее на понимание: Почему Lasso зануляет коэффициенты? Чем L1 отличается от L2? Какой геометрический смысл у регуляризации? Здесь важно было понимать, что L1 из-за формы области ограничений чаще приводит решение на координатные оси, поэтому часть коэффициентов становится ровно нулевой, а L2 в основном «стягивает» коэффициенты к нулю. В целом первый тех был именно таким: понемногу алгоритмов, SQL, вероятность, статистика и достаточно большая часть по регрессии. То есть на этом этапе скорее проверяют фундамент аналитика. Второй тех / финал Кейс На финале уже пошли гораздо более прикладные вопросы. В начале дали кейс примерно следующего содержания. В сети магазинов решили заменить старые холодильники на новые. Руководитель сам выбрал магазины, в которых будет произведена замена. Есть данные о продажах этих магазинов до и после установки новых холодильников. Нужно понять, увеличили ли новые холодильники продажи и было ли это решение экономически выгодным. На первый взгляд можно просто сравнить продажи до и после. Но почти сразу возникает проблема: магазины выбирал не случайно сам руководитель. Значит, тест и контроль могут изначально сильно отличаться. Например, новые холодильники могли поставить именно в более крупных магазинах, магазинах с растущими продажами или в определенных регионах. То есть здесь сразу хочется говорить про эндогенность / selection bias и искать нормальный контрфактуал. Первое, что я бы рассматривал, - DiD. Смотрим, как изменились продажи в магазинах с новыми холодильниками и как за то же время изменились продажи в похожих магазинах, где холодильники не меняли. Но дальше сразу возникает вопрос про тренды. Нужно проверить, действительно ли до установки холодильников динамика treatment и control была примерно одинаковой. Поэтому я бы посмотрел на pre-trends и, скорее всего, пошел дальше в сторону event study. Если магазины сильно отличаются по наблюдаемым характеристикам, можно дополнительно рассматривать матчинг, psm, IPW или AIPW. Если есть хороший инструмент, который влияет на вероятность установки холодильника, но не влияет на продажи напрямую, можно думать про IV. Ну и в конце важно не остановиться на «продажи выросли». Нужно еще посчитать, насколько выросла прибыль, учесть стоимость холодильников, установки и обслуживания и уже после этого делать вывод об экономической эффективности проекта. ML и эконометрика После кейса пошли вопросы по классическому ML. Например: Что такое bias и variance? Почему возникает overfitting?Как правильно делить данные на train / validation / test? Зачем нужен cross-validation? Что такое data leakage? Что делать с несбалансированными классами? В чем разница между precision и recall? Когда лучше смотреть PR-AUC, а не ROC-AUC? Чем bagging отличается от boosting? Как работает Random Forest? Что будет, если сильно увеличить глубину дерева? После ML снова перешли к эконометрике и статистике: Какие предпосылки у OLS? Что такое эндогенность и откуда она возникает? Что такое omitted variable bias? Что делать при гетероскедастичности? Что такое instrumental variables? Как работает Difference-in-Differences? Какое основное предположение у DiD? Что такое fixed effects? Когда нужны кластеризованные стандартные ошибки? Также могли дать ситуацию и попросить на словах объяснить, будет ли оценка причинного эффекта корректной или где именно появляется bias. Итог Чувствовалось, что на собесе, интервьювер каждый раз хотел проверить насколько человек умеет не просто сказать «здесь используем DiD», а объяснить, почему именно его, какое предположение мы делаем и что будем делать, если это предположение не выполняется. В целом финал оказался намного сложнее, чем ожидалось от джуновской позиции, но здесь и позиция оказалась необычной, а именно эконометриста в x5. Готовиться к такому отбору только по классическому ML точно недостаточно. Я бы в первую очередь хорошо закрыл SQL, вероятность и статистику, линейную регрессию, а затем уже причинно-следственный анализ и основные ML-модели. Если хотите закрыть все эти темы системно, то советую наш курс "Аналитика ПРО". ➡ Записаться Подписаться: @postypashki_old

Полный цикл отбора на стажировки в X5 (DA, DS, DE) У X5 есть отдельная программа для студентов — generationx5.tech. Но сам факт, что программа существует, не значит, что откликнуться напрямую достаточно. Даже на стажировку конкурс жёсткий, и попасть хотя бы на собеседование проще всего через знакомых, которые уже в компании: через LinkedIn, через универ, через любые пересечения, попроси кого-то из них тебя порекомендовать. Дальше вся воронка одна и та же, что для стажировки, что для полноценной вакансии. Кстати разбор заданий стажировки в Х5 на аналитика (Business Camp) уже выложен на нашем курсе "Аналитика ПРО". Дедлайн подачи до 6 октября. Успей записаться с гарантией оффера. ➡ Записаться Как выглядит сам процесс 1) HR присылает подборку открытых вакансий под твоё направление 2) Ты выбираешь, какие команды интересны 3) Первый разговор с HR — просто про опыт и мотивацию, без техники 4) Дальше техническое интервью — единое для всех направлений, кто бы что ни выбрал 5) Если техничка прошла успешно, результат уходит руководителю конкретной команды — и уже он решает, звать ли на финальный этап с кейсом Из чего состоит техническое интервью на DA, DS, DE Четыре блока: живое программирование, математическая статистика, SQL, ML. Причём на позицию Data Analyst, что Data Scientist, что Data Engineer техничка берется из одного пула задач. Программирование Дают функцию rnd2() — равновероятно возвращает 0 или 1. Нужно из неё собрать rnd3() с равными шансами на 0, 1, 2. Правильный путь — rejection sampling: комбинируешь два вызова rnd2(), получаешь число от 0 до 3, и если выпало лишнее четвёртое значение — просто перезапускаешь попытку. Матстат Дан набор float-значений из непонятного процесса. Просят оценить математическое ожидание — но не просто назвать формулу среднего, а объяснить, почему выборочное среднее вообще является хорошей оценкой E[X] (через закон больших чисел), а не просто вызвать готовую функцию. SQL Таблицы orders и customer. Нужно найти для каждого клиента наибольший разрыв между двумя соседними заказами в днях. Решение — оконная функция LAG(): смотрим на дату предыдущего заказа того же клиента, считаем разницу, берём максимум по каждому. ML Тут ничего сложного — классические вопросы про линейную регрессию, обработку данных, мультиколлинеарность, регуляризацию, деревья решений, бустинг. Отдельно очень желательно знание и глубокое понимание PySpark — причём именно того, как всё устроено внутри (партиционирование, ленивые вычисления, shuffle), а не просто поверхностное умение писать код на нём. Что после Прошёл техничку — жди звонка от руководителя команды с приглашением на кейс-интервью, уже заточенное под специфику конкретного направления, все стандартно: бизнесс кейс/system design. Еще больше материалов в наших открытых банках собесов. — Аналитика — ML & DS — Бэкенд — Фронтенд — Алгоритмы Обсудить задачи можно в нашей боталке. Подписаться: @postypashki_old

Как проходит отбор на стажировку X5 Business Camp Сейчас открыт набор в X5 Business Camp. Заявку можно подать до 6 октября. Вся последовательность такая: анкета и резюме → онлайн-тест → бизнес-игра → собеседования с HR и командами → оффер. В посте обсудим подробнее каждый этап. 1. Анкета и резюме На сайте программы нужно выбрать направление и заполнить заявку. Среди направлений есть аналитика и данные, управление продуктами и проектами, маркетинг, логистика, финансы, антифрод и информационная безопасность. Сначала рассматривают анкету и резюме. Кандидатам, которые прошли этот этап, отправляют тест на почту. Как заполнить анкету смотрим ролик. 2. Онлайн-тест Тест проходит в Telegram-боте. Бот присылает вопрос. Ответ нужно выбрать кнопкой. На аналитиков дают вопросы по эксель и sql, продактам и маркетингу тоже эксель и свои вопросы по специальности. Задания выложены здесь. А разбор уже выложен на нашем курсе "Аналитика ПРО". ➡ Записаться ➡️ Excel: 37 вопросов за 23 минуты. Проверяют формулы, горячие клавиши, сводные таблицы, расчёты, чтение графиков и бизнес-выводы. ➡️ SQL: 15 вопросов за 13 минут. Могут встретиться WHERE, NULL, LIKE, ORDER BY и LIMIT, JOIN, GROUP BY и HAVING, агрегаты и фильтрация по датам. SQL-блок необязательный: на результат основного теста он не влияет, но после его прохождения кандидату доступно больше аналитических вакансий. Если пропустить блок, к нему можно вернуться до конца окна тестирования. У каждого вопроса свой таймер: от 25 секунд до примерно 2 минут. Попытка одна, поставить тест на паузу нельзя. После ответа вопрос удаляется из чата, вернуться к нему не получится. Проходить удобнее с компьютера: скриншоты таблиц на телефоне мелкие. Если в задании написано «Выберите все верные варианты», после выбора нужно отдельно нажать «Ответить», иначе ответ не засчитается. 3. Бизнес-игра Кандидатов, прошедших тест, приглашают на командный кейс. В предыдущем наборе участников распределяли по командам и выдавали презентацию с исходными данными и задачей. Сначала каждый самостоятельно читал материалы, затем команда обсуждала их, готовила решение и презентацию. В конце участники представляли проект и отвечали на вопросы. Например, один из кейсов был про игру внутри приложения Пятерочки: нужно было выбрать аудиторию, предложить способ привлечь её к механике и объяснить, какие показатели могут вырасти. Во время работы с командой находился HR. Поэтому на этом этапе виден не только результат презентации, но и то, как кандидат обсуждает идеи, работает с данными и взаимодействует с другими участниками. 4. Собеседования После бизнес-игры проходит разговор с HR. Затем кандидата могут пригласить на интервью команды, которым подходит его профиль. На встречах спрашивают об опыте и проектах, мотивации, возможности совмещать стажировку с учёбой и карьерных планах. Команда может уточнить профессиональные знания и обсудить свои задачи. После интервью она принимает решение об оффере. После бизнес игры могут пригласить сразу на джуна и тогда идет техническая секция и финал с CDO. На курсе “Аналитика ПРО” мы дадим вам все, что нужно для прохождения отбора. Успейте записаться до 6 октября и получить разбор теста. ➡ Записаться Условия программы: стажировка оплачивается 80-100 тыс, длится 6 месяцев и рассчитана на 20–40 часов в неделю. График можно совмещать с учёбой, у стажёра есть наставник. Текущий набор проходит в Москве; после стажировки можно получить предложение остаться в команде. Подробней в предыдущей посте. Подписаться: @postypashki_old

Боишься алгоритмического собеседования? И не зря: для аналитиков, разработчиков и ML-инженеров алгособес до сих пор остаётся одним из главных фильтров в бигтехе. Алгоритмы могут почти не встретиться тебе в работе, но на собесе их всё равно спросят. Завалил этап — получаешь фриз на 6 месяцев. Цена одной ошибки высокая. А на собесе нужно за ограниченное время понять условие, выбрать подход, оценить сложность, написать решение и не зафакапиться, когда интервьюер вдруг скажет: «Окей. А теперь немного изменим условие…» А ещё есть ChatGPT, который уже умеет и решать задачи, и объяснять решения. Тогда зачем вообще ботать алгоритмы самому? Разберём на открытом вебинаре: ⏩что спрашивают у аналитиков, разработчиков и ML ⏩как устроен алгособес и что оценивает интервьюер ⏩почему можно решить весь LeetCode / CodeRun и всё равно завалить интервью ⏩какие паттерны нужно распознавать, а не заучивать ⏩как ИИ создаёт иллюзию, что ты уже умеешь решать алгосы Бонус: вживую разберём задачу в формате настоящего алгоритмического собеседования 📎4 октября, 15:00 📌ссылка на вебинар пришлем в бот @Postupashkianalitycsbot

Как залететь в Яндекс и стать МЛ инженером с зарплатой 300к/наносек, залутать сочную зумершу и объестся сырками "Б. Ю. Александров"? Обсудим в новом ролике. Смотрим! Смотрим! https://www.youtube.com/watch?v=3RAfKfg_T2c

Как в бигтехах становятся миддлами Попросил нашего выпускника-старичка написать свои мысли о том, как МЛ стажеру в Яндексе попасть в штат. Дальше текст выпускника с легкими изменениями. Кстати, 4 октября дедлайн подачи на intern week offer по МЛ, разбор заданий уже выложен на наших курсах МЛ ПРО, ИИ агенты ПРО. Не упусти возможность за неделю попасть в Яндекс. ➡ Записаться За свою карьеру (5 лет) я побывал на всех возможных ступенях развития ML-инженера: от стажера до сеньора. В начале пути я еще не понимал, каким назойливым, вечно задающим одни и те же вопросы студентом я был. Сейчас мне 24, и, поменторив уже с десяток джунов, я могу с уверенностью заявить: рост программиста зависит исключительно от того, как он ставит себя перед руководством и относится к задачам. Именно о том, как это сделать, я и хочу рассказать. Для большинства людей, погружающихся в IT, миддл — это человек, который деплоит модели, сам общается с бизнесом и выступает на митапах от лица команды. На деле всё прозаичнее. Грейд в первую очередь дает вам возможность самим влиять на свою работу: ставить задачи, работать с продовыми ресурсами и, самое главное, нести за это ответственность. Поэтому первое, чему должен научиться джун, желающий стать миддлом, — нести ответственность за свои действия. Первый совет Расскажу про свой первый серьезный косяк. Второй месяц работы, мне дали задачу: переобучить модель классификации обращений на свежих данных и выкатить. Я сделал всё по инструкции из вики, метрики на валидации даже подросли, выкатил и с чистой совестью пошел домой. Через два дня приходит продакт: половина обращений улетает не в ту очередь, саппорт зашивается. Оказалось, в новых данных поменялась разметка одной категории, и никто об этом не написал. Первый порыв был сказать: я сделал как в инструкции, данные мне дали такие, я не виноват. И формально это было правдой. Но я поймал себя на мысли, что, будь модель моей, а не «выданной по задаче», я бы сейчас не оправдывался, а чинил. Так что в тот же день я сам откатил модель, написал в трекер, что сломалось и почему не поймали на валидации, добавил в пайплайн проверку на распределение классов и пошел договариваться с командой разметки, чтобы про такие изменения предупреждали заранее. Меня, конечно, всё равно поругали. Но именно после этого случая мне начали давать задачи без присмотра. Лид увидел, что после ошибки я не жду, пока за меня разгребут. Второй совет Теперь касательно навыков. Когда я в первый раз просил руководство о повышении, мне прямо сказали: ты еще даже вуз не окончил, какое тебе повышение. Я стал спорить, доказывая, что мои навыки достойны миддла, и спустя две недели тимлид сказал: вот тебе задачка, сделаешь за неделю — дадим повышение. Чтобы вы понимали: с такой задачей я еще не сталкивался, там было много непонятных слов, а в согласующих стояли три неизвестных мне человека. Два дня ушло на декомпозицию, еще два на общение с людьми, а потом мне пришлось ночами копаться в документации Triton и CUDA, чтобы разобраться, как деплоить. В итоге спустя почти двое суток без сна мне удалось задеплоить модель. В процессе я освоил около пяти фреймворков и сервисов, о существовании которых раньше даже не знал, но задачу сделал, и руководитель признал, что меня можно повысить. Так что второе наставление — постоянно осваивать релевантные технические навыки и, главное, показывать их руководству. Третий совет Ну и третий совет — обрастайте связями. Работа в IT лишь на 50% состоит из написания кода. Остальное — общение с людьми из смежных команд и изучение смежных направлений. Возможно, в компании уже есть команда, которая вам по душе и где открыта вакансия на миддла, но вы просто об этом не знаете. Опять пример. Была у меня стажерка, назовем ее Лена. Пришла в команду CV, а хотела в NLP: тогда как раз все носились с LLM, и ей было обидно размечать дефекты на фотках. Она могла сидеть и ждать, пока ее заметят, но сделала иначе — стала ходить на все внутренние демо и митапы, даже те, что вообще не про ее команду. После одного из них подошла к ребятам из поиска и просто спросила: а над чем сейчас работаете, какие блокеры у команды? Оказалось, у них горит задача по классификации запросов и не хватает рук. Лена предложила помочь в свободное время, взяла небольшой кусок, сделала за пару недель и показала результат их лиду. Через три месяца у них открылась вакансия миддла. Лид даже не стал выводить ее наружу — он уже знал, кого хочет взять на это место. Лена перешла с повышением, притом что в своей команде ей до миддла оставалось еще минимум полгода. Мораль простая: внутренние переходы почти всегда быстрее, чем рост на месте, потому что новая команда оценивает вас по тому, что вы уже для нее сделали, а не по тому, сколько вы просидели на грейде. Но для этого о вас должны знать. Так что откройте внутреннюю доску вакансий, сходите на демо соседней команды и напишите тому, чей доклад вам понравился. Только не делайте этого втихую: если ваш лид узнает о переходе последним, вы испортите отношения с человеком, который потом еще будет писать вам рекомендацию. Подводя итог, скажу: сейчас самое время задуматься о повышении, если вы еще не просили его в этом году. В разных компаниях это устроено по-разному — где-то перформанс-ревью, где-то диалог с руководством. Если вы хотите быстрее пройти путь от джуна до миддла, обратите внимание на курс «МЛ ПРО». Там мы не только даём техническую базу и готовим к собеседованиям, но и отдельно разбираем софт-скиллы: как брать ответственность, как показывать результаты руководству, как строить нетворкинг внутри компании. ➡ Записаться Подписаться: @postypashki_old