Привет, я Марина, HR-бизнес-партнер в MTS AI. Вот уже несколько лет я занимаюсь подбором сотрудников на вакансии, связанные с ML. Мы стремимся находить самых крутых спецов и, конечно, с каждым годом конкуренция за них растет. И это неудивительно: сфера искусственного интеллекта сейчас на подъеме, всем нужны ML-инженеры.

Когда в MTS AI решили сформировать направление фундаментальных исследований, подбор специалистов тоже доверили мне. В условиях дефицита кадров это была, что называется, задача со звездочкой. Тем не менее за год нам удалось собрать специалистов с опытом работы в Facebook (принадлежит Meta — признана экстремистской в России), Google, Toyota, Huawei, CERN и победами в международных соревнованиях.

От коллег-HR и знакомых разработчиков из других компаний я часто слышала: как вы смогли их нанять, таких же ребят кофе с печеньками и офисом в центре не заманишь? Почему они выбрали вас, маленькую дочку МТС с пятью сотнями сотрудников, а не какого-нибудь ИТ-гиганта?

В этой статье я расскажу, как нам удалось собрать группу специалистов по фундаментальным исследованиям за год. Далее я также дам слово своим коллегам-исследователям. Они ответят на вопросы о своих проектах и принципах работы в команде.

Кого мы искали, задачи и требования

Итак, у меня была цель подобрать кандидатов на должности ведущих, старших, младших исследователей, работающих в различных направлениях: NLP, CV, LLM. Ученые были нужны нашей компании, как и многим другим, для развития новых технологий и внедрения их в прод. Задачи перед отделом стояли амбициозные: искать и тестировать новые подходы в машинном обучении, разметке данных, писать статьи на международные конференции уровня Tier 1, обучать большие языковые модели и участвовать в конкурсах по ИИ.

Руководить группой фундаментальных исследований мы пригласили Сергей Загоруйко, PhD Ecole des Ponts ParisTech, автора публикаций на конференциях CVPR, ICCV, ECCV, ICLR, BMVC. Работал в Toyota Woven Planet, Lyft, Samsung. И это был идеальный мэтч. Сергей — не только крутой исследователь с более чем 24 тысячами цитирований, он еще и создал в команде нужную атмосферу благодаря своим личным качествам.

Дело в том, что ML-исследователи — это люди, которым нужно создать условия для творчества. Крутые научные проекты не делаются в приказном порядке и в стрессе — иди туда и сделай это, желательно уже вчера. В общем-то и мы, команда HR-ов, и Сергей, как руководитель, всегда старались (и стараемся) обеспечить им максимальный комфорт и поддержку на всех этапах — от собеседования, до проверки СБ и далее на протяжении всего периода работы у нас.

В целом, помимо стандартного умения хорошо кодить и проверять написанное, требования к кандидатам были следующими:

релевантный опыт работы;
экспертный уровень знаний в области ML;
опыт публикации научных работ на международных конференциях, желание писать статьи и заниматься исследовательской деятельностью;
опыт в исследовательской деятельности, участие в соревнованиях;
для джунов — хороший теоретический запас и умение применять знания на практике, так как перед финальным интервью ребятам даем тестовое задание для исследования;
умение аргументированно представить свой подход к исследованию и составить техническую документацию.

За все это они получали отличную команду и поддержку, работу в атмосфере стартапа, корпоративные блага в виде ДМС и офиса с орешками (да, мы за ПП и ЗОЖ), и ну и деньги, конечно, подчеркну — нормальные деньги, куда же без них.

Почему не каждый разработчик может стать исследователем?

Нередко мы собеседовали талантливых ребят, но по итогу коллеги говорили: смотри, он хороший разработчик, код в принципе нормально пишет, отлично справится с задачами по разработке продукта, но это не исследователь.

Казалось бы, навыки ML-инженера и исследователя схожи – они должны уметь писать код и понимать, что происходит в сфере искусственного интеллекта, однако задачи у них принципиально иные. Исследователи – это люди, которые добывают новое знание. В этом заключается вся суть их деятельности. Инженерная работа нацелена на получение конкретного результата.

Например, компания создает систему автодополнения кода. ML-инженеру ставится задача так: у тебя есть метрика, пожалуйста, добейся этой метрики за отведенный срок определенными средствами. Исследователь получит совершенно другое задание, например: с помощью каких методов и данных можно улучшить качество автодополнения кода.

Для исследователя важно уметь построить исследование: сформулировать задачу и гипотезу, сделать техническую работу (написать код, обработать данные), провести эксперимент, и тем самым либо опровергнуть, либо подтвердить высказанную гипотезу, интерпретировать результаты и суммировать знания. Если что-то не сработало, то нужно переформулировать гипотезу и начать исследовательский цикл заново.

Зачастую кандидаты срезались на том, что не умеют готовить необходимую техническую документацию, либо не готовы писать научные статьи. Это понятно: не каждый осилит все требования, начиная с поиска уникальности подхода и заканчивая второстепенными вещами вроде оформления, заголовков, отступов.

Этапы собеседования

Каждый кандидат проходил интервью с HR (то есть со мной), выполнял тестовое задание (для джунов и в некоторых случаях мидлов), также его ждало техническое собеседование с командой.

Мотивационное интервью

Как HR, я не могу оценить степень проработанности подхода в научной статье или качество кода. Я оцениваю мотивацию, личные качества сотрудника, присматриваюсь - впишется он или нет в команду. Спрашиваю про опыт, написание статей, образование, наличие документов. Помимо этого, же высылаю в конце презентацию о компании, чтобы кандидат смог еще более детально изучить информацию. Ведь для исследователей это важно.

Иногда случается так, что резюме отличное, а человек — некорректно себя ведет, грубит, включает пассивную агрессию. Таких мы не берем — у нас отличные отношения в команде исследователей, и поэтому мы нанимаем ребят с близкими ценностями в общении.

Тестовое задание

После общения с HR-ом кандидаты получают тестовое задание. Оно дает возможность продемонстрировать исследовательские навыки. Кандидату дается нечетко поставленная задача и свобода действий. За отведенное время (в среднем около недели) он должен поставить себе задачу, предложить решение и представить отчет, включающий обзор литературы и описание результатов.

Техническая часть

Техническое собеседование проводится по итогам тестового задания для джунов и мидлов. У претендентов на должность старшего и ведущего исследования все немного по-другому. Для них этот этап не включает код-ревью. Для всех позиций на техническом собеседовании, помимо HR, присутствует руководитель направления фундаментальных исследований. К технической части желательно подготовиться — бывает и так, что после блестящего выполнения тестового задания, кандидат не может пройти техническое собеседование.

В чем особенность найма исследователей

Все исследователи очень долго обдумывают офферы. Для сравнения: ML-инженеры принимают предложение за день, максимум за три, исследователи — за неделю или две. С точки зрения HR-ов, это долго, но мы готовы ждать, пока наш будущий коллега обдумает все за и против, выстроит гипотезу о том, как ему будет в команде MTS AI и решится ее проверить.

Собеседования с исследователями тоже отличаются от интервью с ML-инженерами. Они думают над каждой задачей, иногда даже по пять минут. Когда я в первый раз столкнулась с такой паузой — подумала, что у кандидата просто со связью проблемы. Оказалось, нет — просто, взял паузу, чтобы обдумать вопрос, который ему задали.

Бывают ситуации, когда ребята смотрят кандидата на позицию младшего исследователя и понимают, что перспектива есть — склад ума подходящий, есть даже какие-то публикации, но знаний ему не хватает. Тогда ему коллеги рекомендуют пойти подучиться, даже говорят, что именно нужно подтянуть и какие пройти курсы.

Где мы искали сотрудников

Про найм исследователей можно было бы снять целый сериал, в котором подбор почти каждого специалиста занял бы целый сезон с лихо закрученным сюжетом и спецэффектами. Если без шуток, я пыталась подобрать сотрудников самыми разными способами — от поиска по фамилиям среди авторов статей на научных конференциях до личного обращения на кафедры университетов. Вышло — совсем по-другому. Сейчас расскажу несколько историй.

Сайты и сервисы для поиска сотрудников

Нам нужен был сотрудник с опытом участия в международных соревнованиях и написания научных статей, и мы нашли идеального кандидата на популярном рекрутинговом сайте. У него было наполовину заполненное резюме на английском, где не содержалось особо никакой конкретики о его предыдущих местах работы. Но внизу в рекомендациях было указано 5-6 соревнований, в которых он участвовал и победил. И тут я поняла – это именно тот человек, который нам нужен – ему интересно участвовать в конкурсах по ИИ, да и опыт огромный.

Далее кандидат прошел рекордные пять этапов собеседований – в том числе с сооснователем VisionLabs Иваном Лаптевым. Никто до него и после не собеседовался рекордные пять раз.

Как только мы поняли, что парень подходит нам по скилам, выяснилось, что и с чувством юмора у него все ок. Когда мы отправили его документы на проверку в службу безопасности, он начал прикалываться и прислал фотку с конференции, на которой стоит рядом с известным российским политиком. И написал – можешь отправить в СБ, быстрее проверка пройдет.

Проверка и правда прошла быстро.

Наш сайт

На сайте MTS AI мы публикуем актуальные вакансии, на одну из них откликнулся исследователь с опытом создания своего стартапа, загрузил резюме на 10 листов, но … не оставил контактов, и на этом связь прервалась. Я искала его стандартным путем — на Хабре, на LinkedIn — но все безрезультатно. Пришлось изучать все его стартапы, названия статей – может, там были бы какие-то зацепки. И тоже ничего. Далее я решила поискать в Телеграме каналы его стартапов, и, о чудо, мне повезло. Я отыскала его группу, оставила комментарий под одним из видео, и он мне ответил.

Это была настоящая победа. Разумеется, все этапы собеседований он легко прошел и теперь работает с нами.

Своя база контактов

Мы стараемся оставаться на связи с перспективными кандидатами, даже если что-то не сложилось с наймом, и составляем из них свой резерв. Конечно, мы расстраиваемся по-человечески, если не удается сразу нанять талантливого специалиста, но иногда все складывается даже лучше, чем мы ожидали, пусть и приходится немного подождать.

Вот еще одна история.

Одна из наших исследовательниц изначально пришла на стажировку в ML-департамент. Тогда у нас еще не было группы фундаментальных исследований. Она настолько круто справлялась со своими задачами, что по итогу за нее боролись несколько департаментов: и разметка, и NLP. Но потом мы временно приостановили подбор сотрудников на некоторые вакансии, и нанять девушку нам не удалось. Мне было очень жаль терять такого перспективного сотрудника. Она нашла работу в другой компании, но мы время от времени переписывались. Наша будущая коллега спрашивала, есть ли вакансии, как вообще дела.

В это время в MTS AI пришел Сергей Загоруйко, мы начали формировать направление фундаментальных исследований и подбирать сотрудников. Я пригласила кандидатку на онлайн-встречу с руководителем, она пообщалась с Сергеем Загоруйко. После она успешно прошла техническое интервью и приняла оффер.

Профильные кафедры в вузах

Самая короткая история будет про то, как мы наняли еще одну исследовательницу. Ее нам порекомендовали на кафедре Высшей школы экономики — прислали в личку резюме и контакты Сергею Загоруйко со словами: «толковая девчонка, посмотрите». В итоге мы ее взяли на работу первой из всех исследователей Наши сотрудники работают в НИУ ВШЭ, ИТМО, МИФИ, Сколтехе и других университетах, однако мы не считаем правильной практику, когда компания нанимает весь курс. Таким образом ломается система подготовки кадров и передачи знаний.

Личная инициатива

— Как вам удалось его схантить — с завистью писали мне коллеги из других компаний про одного из наших исследователей, — это же просто звезда.

Признаюсь честно: никакой магии, обещания золотых гор и всего остального. Он сам к нам пришел. Узнав о Сергее Загоруйко, его проектах и исследованиях и текущем месте работы в MTS AI, наш будущий коллега написал ему на email с предложением пообщаться. Они созвонились, после чего наш будущий сотрудник отправился обдумывать оффер. И довольно быстро вышел к нам работу.

Исключение из правил

Эту историю хотелось бы рассказать отдельно — настолько она нас удивила. С нами работает один парень — настоящий талант, или как раньше говорили, самородок.

В резюме были только личные проекты, много информации о пройденных курсах и самообучении, однако про исследовательский опыт не было сказано ничего. Тем не менее мы решили рассмотреть его кандидатуру. Он закончил Бауманку, вернулся в родной город, устроился на завод инженером технологом и проработал там 13 лет. Параллельно последние три года сам изучал машинное обучение в свободное время, брался за фриланс, делал собственные проекты. На техническом собеседовании ребята его едва поняли — он использовал свою терминологию, поскольку осваивал ML самостоятельно. Но… тестовое задание он выполнил блестяще, чем очень удивил будущих коллег. В конце кто-то из них сказал: «Если он так во всем разобрался, представь, как здорово он сможет вырасти в нашей команде». В итоге мы наняли парня, работает — все им довольны.

Как сейчас работает наш отдел исследований

За год своего существования направление фундаментальных исследований создало большую языковую модель MTS AI Chat, ориентированную на корпоративных заказчиков, и она попала в ТОП-3 русскоязычных LLM по бенчмарку MERA. Также ребята подготовили три статьи на международные конференции. Помимо этого, один из наших сотрудников взял золото Google Image Challenge и занял три призовых места на соревнованиях в рамках AI Journey.

Неплохой итог, не правда ли? Теперь предлагаю дать слово моим коллегам. Они сами расскажут, каким задачами занимаются в MTS AI, как выстроена их работа, и главное — почему вместо крупных компаний они выбрали именно нас.

Сергей Загоруйко, руководитель направления фундаментальных исследователей MTS AI

По каким принципам строится работа у вас в команде?

Академическая свобода — один из главных принципов работы моей команды. Его я почерпнул в лаборатории Яна Ле Куна — профессора Нью-Йоркского университета и ведущего исследователя по ИИ в Facebook AI Research (принадлежит Meta — признана экстремистской организацией в РФ). Мне важно, чтобы люди были проактивными — сами придумывали идеи, ставили эксперименты и не боялись делать то, что от них не просят.

В какую компанию ты бы никогда не пошел работать?

Я очень плохо работаю, когда мне постоянно говорят, что нужно делать, и при этом не учитывать мое мнение. В MTS AI мне нравится, что я могу принимать решения, влияющие на развитие продуктов и проектов. Более того, доверие к руководителям у нас на высоком уровне. Мы можем в любое время пойти к топ-менеджерам, и сказать, я думаю, что нужно делать вот это, и наше мнение будет услышано. Что еще важно: комфорт общения и приятная атмосфера.

Валентин Малых, руководитель направления NLP-исследований MTS AI

На одной из конференций у нас спросили — у вас правда исследователи такого уровня работают, как вам удалось их привлечь? Автор вопроса жила со стереотипами — исследователь, как и художник, должен быть голодным, где-то сидеть, что-то изучать, как так он пойдет в компанию? Как бы ты ответил на этот вопрос?

Возможно, так когда-то и было, а где-то есть до сих пор. При Советском союзе государство было главным заказчиком исследований. И соответственно финансировало это дело так, как считало нужным. Сейчас к спонсированию исследований подключился бизнес. В компаниях дают деньги на те проекты, которые полезны бизнесу. Поэтому если твои интересы совпадают с корпоративными, то ты устраиваешься на работу и получаешь хорошую зарплату, всякие плюшки, бонусы и еще развиваешься как исследователь, по-моему это win-win ситуация. Все радуются, никакого противоречия. Есть только один момент, что не всегда интересы сотрудника и компании совпадают. Я, в общем, считаю, что мне повезло: сейчас я имею возможность заниматься интересной мне деятельностью и еще получать за это неплохие деньги.

А вот по поводу, почему я пошел в MTS AI? Очень легко могу ответить. Я пошел за Сергеем, потому что Сергей классный. У него 24000 цитирований научных статей. Как только я про него узнал, решил, что я хочу как минимум с человеком познакомиться. Ну а там дальше слово за слово…

Помимо этого, работая в MTS AI, у меня есть возможность заниматься преподавательской деятельностью. Я считаю, что я должен передавать знания дальше, чтобы наша сфера развивалась, студенты получали актуальные знания, и эта цепочка не должна прерываться. Однажды я на собеседовании мне задали вопрос: если мы тебе не разрешим в рабочее время преподавать, что ты будешь делать? Я сказал, я буду преподавать в нерабочее время, потому что все равно это нужно делать. В той компании с уважением отнеслись к моей позиции, но я все равно не пошел к ним работать, так что не смог проверить их отношение на практике. А здесь, в общем, никаких конфликтов не возникает, наоборот, преподавательская деятельность поощряется, так что в общем я в этом смысле MTS AI очень благодарен.

Расскажи, как сейчас устроена работа в направлении фундаментальных исследований?

У нас в отделе часть ребят занимается компьютерным зрением, часть — большими языковыми моделями. Есть команда, которая фокусируется на создании системы автодополнения кода. Также с нами работают промпт-инженеры и AI-тренеры. В целом наши проекты выстроены следующим образом: мы получаем общую и глобальную задачу от руководителей, либо предлагаем идею сами. Далее детализируем ее до более-менее понятных и оперируемых вещей и делегируем их кому-то из команды. Затем сотрудник идет самостоятельно ее выполнять. Если у него возникают вопросы, то мы собираемся и обсуждаем их. Ответственный за эту задачу сам формулирует гипотезу, ставит эксперименты и подводит их итоги. По результатам экспериментов либо я, либо Сергей принимаем решение, как действовать дальше, — прекратить исследование или сформулировать новую гипотезу. На выходе получается новая технология: код или обученная модель, а также отчеты в письменной форме. Это то, что мы соответственно производим.

Чтобы ты мог порекомендовать тем, кто хочет попробовать себя в сфере фундаментальных исследований?

Конечно, меня не может не радовать то, что сейчас многие компании стали заниматься наукой и нанимать сотрудников с соответствующими компетенциями. Когда я начинал, такого разнообразия вакансий, к сожалению, не было. Однако я думаю, что не стоит сразу же идти на собеседование в MTS AI, AIRI или какую-то крупную компанию, потому что его может быть сложно пройти без опыта. Самое простое, с чего можно начать, — это найти какой-то релевантный вашим интересам научный проект в своем вузе. Как правило, на всех вузовских проектах не хватает людей. Можно взяться за самую простую работу: проверять данные, писать базовый код. При удачном стечении обстоятельств через полгода вы сможете понять, как все устроено и насколько это вам подходит. Примерно так начинал я сам.

Пользуясь случаем, хочу передать привет Владимиру Иванову — сейчас это директор института разработки ПО и программной инженерии в университете Иннополис, то есть совсем большой человек, а в 2015 году он был руководителем лаборатории в КФУ. Я познакомился с ним на хакатоне в Казани, и он мне предложил посотрудничать, за что ему большое спасибо. Я попробовал что-то для науки делать, честно говоря, получилось не очень. Однако интерес к исследованиям это только разожгло, и я начал развиваться в этой сфере.

Георгий Гайков, старший разработчик-исследователь MTS AI

Чем занимаешься в MTS AI ?

У меня сейчас 2 основных задачи. Во-первых, я отвечаю в нашей команде за все, что связано с умными помощниками, когда нам недостаточно моделей, мы хотим подключить его, к каким-то базам знаний. Во-вторых, я занимаюсь умной видеоаналитикой — это то, с чем я работаю давно. Сейчас видеоаналитика устроена так, что, грубо говоря, каждая система заточена на какую-то узкую функцию, например, распознавания лица или распознавания номера. Я делаю так, чтобы не было узких функций, чтобы функции были широкими. Тогда человек, который покупает такую систему, сможет ее конфигурировать сам так же, как мы общаемся с умной колонкой. Можно было будет сказать системе: пришли мне смс, когда в кадре появляется женщина в красном пальто с ребенком, допустим его жена и сын. И вот когда они появятся в кадре, человек получит смс, что жена пришла домой, и он будет знать, что такое событие произошло.

Какими проектами ты бы хотел заниматься?

Да у меня есть идеи, просто на них пока времени не остается. Я бы хотел попроверять пару гипотез в области генеративных нейронных сетей. Я думаю, что такая проверка скорее всего принесла бы хорошую статью. Надеюсь, что время все-таки высвободится, и я попробую это сделать.

Расскажи, как ты устроился на работу в MTS AI?

Я проработал в одной очень крупной компании несколько лет. Так совпало, что в тот самый момент, когда я решил двигаться дальше, мне написал HR из MTS AI. Про MTS AI я ничего не слышал до этого. Знал про Сбер, Яндекс, Тинькофф, VK, но подумал, почему бы не сходить на собеседование. В тот момент я решил прийти на интервью ради самого интервью - посмотреть, какие каверзные вопросы будут задавать, чтобы быть в курсе свежих требований к ИИ специалистам. Но вышло немного иначе. Я познакомился с будущим руководителем, я понравился ему, он мне. Мне сделали хороший оффер. Тогда я решил не оставаться в своей прежней компании и перешел в MTS AI. Вскоре выяснилось, что это было правильным решением: здесь замечательный work-life balance, интересные задачи, талантливые коллеги, множество бесплатных корпоративных сервисов и даже развита dog friendly культура - мы регулярно приводим в офис своих четвероногих друзей. Еще один позитивный момент - компания не слишком маленькая, и не слишком большая. Это позволяет быть на короткой связи со всеми – в том числе с коллегами, которые общаются с заказчиками. То есть максимум через одно рукопожатие все знакомы. И это сильно эффективнее, чем в крупных компаниях. Там иногда такие большие цепочки, что разные ее элементы работают в противоположных направлениях.

Дарина Рустамова, разработчик-исследователь MTS AI

Какими задачами ты занимаешься в этом квартале, в последние полгода?

Сейчас я обучаю модели плюс занимаюсь улучшением наших датасетов. Как-то так получилось, что у меня лучше получается коммуницировать с группой разметки, объяснять им, что нам вообще нужно, придумывать методы. И вот я думаю, как лучше датасет собрать и разметить, как оценить модель на конкретном датасете. Помимо этого, я работаю с девопсами, объясняю, что нам нужно, и ставлю задачи по оптимизации. Если бы я сама не обучала модели, я бы не могла сказать коллегам, что именно хочет моя команда и в каком виде. Так что одно без другого не существует.

Какая самая запоминающаяся задача была у тебя за все время работы?

Это было в начале, когда я только пришла. Раньше мне особо не приходилось сталкиваться с обучением больших языковых моделей, но в тот момент вышла FRED-T5 от Сбера, и я решила ее протестировать. Написала код для тренировки, и вроде все у меня получилось. Это была моя маленькая победа — на тот момент это была сложная для меня задача. При этом мне никто не говорил: вот модель, вот датасет. Обучи. Я сама нашла ее, сама решила обучить. Мы сделали на ее основе бота для общения на свободные темы, которого внутри команды потом тестировали.

Как строились твои задачи в самом начале работы?

Первые месяцы для меня было сложно, потому что я ожидала, что руководители будут говорить, что делать, и я это буду выполнять. Но потом Сергей мне сказал — необязательно со мной советоваться. Если ты считаешь, что это прикольная модель, и работа с ней не займет у тебя много времени и ресурсов, просто возьми и сделай. Не нужно у меня спрашивать разрешения или ждать, что я сам предложу. Вот из такой свободы у меня получился классный результат.

Ксения Титова, разработчик-исследователь MTS AI

Чем ты сейчас занимаешься в своей команде?

В целом я занимаюсь тем что улучшаю наши LLM и провожу эксперименты - от поиска новых качественных данных и бенчмарков до попыток применения идей из свежих научных статей для наших моделей. Говоря о том чем мы занимаемся конкретно сейчас - мы пишем свои научные статьи на конференции.

Как строятся у вас взаимоотношения в команде?

Я думаю что отношения в моей команде можно описать не как отношения между коллегами в рабочем коллективе, а как в клубе по интересам. Часто если кто-то находит интересную статью, мы в своем чатике все вместе обсуждаем и восхищаемся.

Почему ты решила принять оффер и выйти на работу в MTS AI?

Первая причина — это руководитель, Сергей, я слышала о нем еще до того, как пришла в MTS AI. Он очень классный специалист, мы замечательно пообщались на собеседовании, и я поняла, что с ним приятно и не страшно работать. Вторая причина — это ресерческие задачи, меня всегда это привлекало. По сути, я занимаюсь тем же, что и делала в университете, только теперь мне за это еще и деньги платят.

Аммар Али, старший разработчик-исследователь MTS AI

Расскажи, над какими задачами ты сейчас работаешь?

В настоящее время я работаю над различными проектами. Мы разработали систему для полного цикла обнаружения объектов и ассоциаций. Нам удалось достичь state-of-the-art результатов в аспекте ассоциации с значительным улучшением по сравнению с предыдущей работой. Кроме того, мы с командой занимаемся чат-ботами и исследуем методы улучшения нашей модели.

Мне нравятся наши проекты: они одновременно простые и сложные, и главное — за время работы в MTS AI я многому научился, и уверен, что узнаю еще больше, поскольку только начинаю свой профессиональный путь.

Итог

Итак, вы узнали больше о том, кто такие ML-исследователи: ребята, которые не только пишут код, но и ставят эксперименты, проверяют гипотезы и готовят статьи на научные конференции. Если вы мой/моя коллега HR-менеджер, то теперь вы знаете чуть больше о том, как собрать команду специалистов в области фундаментальных исследований. Если вы разработчик, то эта информация поможет понять — подходит ли вам такая работа, и, возможно, откроете для себя новую сферу деятельности.

Напиши в комментариях — пробовали ли вы себя в науке и что из этого вышло?

Как мы в MTS AI собрали команду исследователей меньше, чем за год