С положительным результатом всё хотя бы понятно: собираем подтверждения и поднимаемся по шкале CoLD.
С отрицательным сложнее. Он означает лишь, что прибор не обнаружил тех признаков жизни, на поиск которых был рассчитан, в пределах своей чувствительности. Получается, окончательного вывода «жизни здесь нет» такая миссия дать не может.
Интересно, есть ли у NASA критерий, после которого место считают достаточно исследованным, или отрицательный результат всегда сводится к формулировке «признаков жизни не обнаружено»?
P.S. Вряд ли я получу ответ от NASA в комментариях на Хабре, но если кто-нибудь будет проходить мимо их офиса — уточните.
Я правильно понимаю логику, что 2000 строк вместо 300 не считаются провалом модели, зато 40 ответов аналитикам в неделю без данных об их точности считаются успехом проекта?
Агент выдал плохой код, после чего команда перестала пускать его в прод. Это похоже на обоснованное недоверие, а не на управленческий провал. Почему в этом случае «модель ни при чём»?
С аналитиками тот же вопрос. Сколько ответов оказались правильными с первого раза, сколько пришлось перепроверять вручную или уточнять у разработчиков и сколько содержали ошибки? Пока видно только, что инструментом пользуются. Работает ли он надёжно, из статьи непонятно.
Под видом разбора ошибок продактов нам выдали инструкцию, как понравиться конкретному интервьюеру: правильно рассказать про контекст, подчеркнуть личный вклад и обязательно назвать цифру.
Девять «ошибок» здесь легко превращаются в три. Кандидат плохо рассказывает об опыте, не может объяснить, что сделал сам, и не связывает действия с результатом. Всё остальное — те же мысли, только под новыми заголовками.
Особенно хорошо вышло с доказательностью. От кандидата требуют цифр, фактов и причинно-следственных связей. Автору достаточно написать про «80% миддлов», заподозрить человека во вранье и добавить, что иногда она просто «нутром чувствует».
То есть кандидат должен всё доказать, а интервьюер — ничего.
При этом статья никак не отвечает на главный вопрос: как отличить сильного продакта от человека, который просто хорошо отрепетировал рассказ. Судя по тексту, побеждает тот, кто увереннее пересказывает опыт и точнее угадывает, что хочет услышать автор.
Отдельно интересно, по каким метрикам сама автор оценивает свой продукт. От кандидатов она требует измеримого результата, а собственную работу публично описывает так: «занимаюсь AI-ассистентом для бухгалтеров».
Впрочем, воронка понятная. Сначала объяснить людям, какие ответы считаются правильными, потом за 4 500 рублей помочь подготовиться к вакансии с вилкой до 590 000.
Нормальная схема, Ксения. Жаль только, что после такого текста хуже выглядит не только автор, но и работодатель — Точка Банк, от имени которого вы рассуждаете о найме.
В таблице с корреляциями что-то не сходится. В вирусной выборке вы считаете связь признаков с охватом, в контрольной — с рейтингом. Поэтому по этой таблице нельзя сделать вывод, что знак изменился из-за ошибки выжившего. Для этого нужно сравнить один и тот же показатель на двух выборках.
И ещё: как вы считали десятичный логарифм рейтинга, если 7,1% статей получили нулевой или отрицательный рейтинг? Вы сдвигали значения, отсекали их или исключали эти статьи из модели?
С положительным результатом всё хотя бы понятно: собираем подтверждения и поднимаемся по шкале CoLD.
С отрицательным сложнее. Он означает лишь, что прибор не обнаружил тех признаков жизни, на поиск которых был рассчитан, в пределах своей чувствительности. Получается, окончательного вывода «жизни здесь нет» такая миссия дать не может.
Интересно, есть ли у NASA критерий, после которого место считают достаточно исследованным, или отрицательный результат всегда сводится к формулировке «признаков жизни не обнаружено»?
P.S. Вряд ли я получу ответ от NASA в комментариях на Хабре, но если кто-нибудь будет проходить мимо их офиса — уточните.
Я правильно понимаю логику, что 2000 строк вместо 300 не считаются провалом модели, зато 40 ответов аналитикам в неделю без данных об их точности считаются успехом проекта?
Агент выдал плохой код, после чего команда перестала пускать его в прод. Это похоже на обоснованное недоверие, а не на управленческий провал. Почему в этом случае «модель ни при чём»?
С аналитиками тот же вопрос. Сколько ответов оказались правильными с первого раза, сколько пришлось перепроверять вручную или уточнять у разработчиков и сколько содержали ошибки? Пока видно только, что инструментом пользуются. Работает ли он надёжно, из статьи непонятно.
Великолепное чтиво.
Под видом разбора ошибок продактов нам выдали инструкцию, как понравиться конкретному интервьюеру: правильно рассказать про контекст, подчеркнуть личный вклад и обязательно назвать цифру.
Девять «ошибок» здесь легко превращаются в три. Кандидат плохо рассказывает об опыте, не может объяснить, что сделал сам, и не связывает действия с результатом. Всё остальное — те же мысли, только под новыми заголовками.
Особенно хорошо вышло с доказательностью. От кандидата требуют цифр, фактов и причинно-следственных связей. Автору достаточно написать про «80% миддлов», заподозрить человека во вранье и добавить, что иногда она просто «нутром чувствует».
То есть кандидат должен всё доказать, а интервьюер — ничего.
При этом статья никак не отвечает на главный вопрос: как отличить сильного продакта от человека, который просто хорошо отрепетировал рассказ. Судя по тексту, побеждает тот, кто увереннее пересказывает опыт и точнее угадывает, что хочет услышать автор.
Отдельно интересно, по каким метрикам сама автор оценивает свой продукт. От кандидатов она требует измеримого результата, а собственную работу публично описывает так: «занимаюсь AI-ассистентом для бухгалтеров».
Впрочем, воронка понятная. Сначала объяснить людям, какие ответы считаются правильными, потом за 4 500 рублей помочь подготовиться к вакансии с вилкой до 590 000.
Нормальная схема, Ксения. Жаль только, что после такого текста хуже выглядит не только автор, но и работодатель — Точка Банк, от имени которого вы рассуждаете о найме.
Автор, спасибо за ответ и за то, что перепроверили расчёты. Статью читать было суперинтересно. Успехов!
В таблице с корреляциями что-то не сходится. В вирусной выборке вы считаете связь признаков с охватом, в контрольной — с рейтингом. Поэтому по этой таблице нельзя сделать вывод, что знак изменился из-за ошибки выжившего. Для этого нужно сравнить один и тот же показатель на двух выборках.
И ещё: как вы считали десятичный логарифм рейтинга, если 7,1% статей получили нулевой или отрицательный рейтинг? Вы сдвигали значения, отсекали их или исключали эти статьи из модели?
Полдня подозревал браузеры и TLS, ещё день считал запросы, а трафику в итоге просто понадобилась пересадка в Москве. Очень жизненно.