Я просто сам работаю в Сбере и вижу его должность и соответственно, представляю его грейд. Кроме того, в Сбере есть еще такая штука как роль (Junior/Middle/Senior/Teamlead/Chief + название предметной области). А также вижу его путь в компании (переходы между департаментами, повышения по грейду)
Так вот. Его фактический грейд и повышения в компании, МЯГКО ГОВОРЯ, не соответствуют тому, что написано.
Только таких как раз и привлекаем. А в чём проблема? Нейронки в IT - отличный инструмент, один из проектов, который мы ведём, как раз автоматизация труда тестировщиков с помощью нейронок.
"За последние 4 года доля самозанятых в IT выросла в 20 раз"
В принципе дальше можно не читать, так как эксперимент с самозанятостью стартовал в 2019 в нескольких регионах России, а только со второго полугодия 2020 встать на учет в качестве самозанятого можно на всей территории России.
Министерства и ведомства крайне инерционны: у них есть поручения и они их отрабатывают. Эти поручения формулировались когда ещё никакого Gitflic не было вообще.
Рискну предположить, что роботы Яндекс предоставлял не на безвозмездной основе, так что к стоимости обслуживания плюсуйте стоимость аренды или амортизации
"На самом деле, главное, что влияет на качество модели, — это количество и качество доступной аналитику информации. А метод ее обработки не настолько важен."
Это не совсем верно, а точнее совсем не верно. Например, на kaggle разные команды на одном и том же датасете показывают совершенно разный скор.
Есть три уровня метрик: офлайн, онлайн и бизнес-метрики. Офлайн метрики - это как раз наши accuracy, recall, precision - всё, что можно измерить на модели без пользователей. Далее. Вы построили модель машинного обучения, максимизировали скажем recall и теперь хотите посмотреть, на что это влияет. Вы деплоите модель и смотрите как она влияет на средний чек, конверсию и пр. Эти метрики необходимо измерять на живых пользователях, поэтому это и называется онлайн-метрики. Здесь уже нужны АB тесты, чтобы понять, что после внедрения вашей модели онлайн-метрика изменилась и это не просто случайное совпадение.
Я просто сам работаю в Сбере и вижу его должность и соответственно, представляю его грейд. Кроме того, в Сбере есть еще такая штука как роль (Junior/Middle/Senior/Teamlead/Chief + название предметной области). А также вижу его путь в компании (переходы между департаментами, повышения по грейду)
Так вот. Его фактический грейд и повышения в компании, МЯГКО ГОВОРЯ, не соответствуют тому, что написано.
"Работаю в Сбере уже больше пяти лет — пришёл на стажировку, сейчас Senior Backend Developer."
А давайте мы честно напишем про грейд и карьерный путь в Сбере, так как то, что я прочел МЯГКО ГОВОРЯ не соответствует действительности.
Забыл написать ещё одно наблюдение. Не идите на стажировку, чтобы туда попасть нужно быть монстром. Стремитесь сразу на джуна.
Я и есть автор статьи, о чём пишу в начале.
Только таких как раз и привлекаем. А в чём проблема? Нейронки в IT - отличный инструмент, один из проектов, который мы ведём, как раз автоматизация труда тестировщиков с помощью нейронок.
"За последние 4 года доля самозанятых в IT выросла в 20 раз"
В принципе дальше можно не читать, так как эксперимент с самозанятостью стартовал в 2019 в нескольких регионах России, а только со второго полугодия 2020 встать на учет в качестве самозанятого можно на всей территории России.
Министерства и ведомства крайне инерционны: у них есть поручения и они их отрабатывают. Эти поручения формулировались когда ещё никакого Gitflic не было вообще.
Пусть тогда выкладывают на Gitflic
О, Валентин! Привет тебе от бывшей 885 группы ФПФЭ МФТИ!
Рискну предположить, что роботы Яндекс предоставлял не на безвозмездной основе, так что к стоимости обслуживания плюсуйте стоимость аренды или амортизации
"На самом деле, главное, что влияет на качество модели, — это количество и качество доступной аналитику информации. А метод ее обработки не настолько важен."
Это не совсем верно, а точнее совсем не верно. Например, на kaggle разные команды на одном и том же датасете показывают совершенно разный скор.
А кому Google несёт золотые яйца? Уж явно не РФ
Есть три уровня метрик: офлайн, онлайн и бизнес-метрики. Офлайн метрики - это как раз наши accuracy, recall, precision - всё, что можно измерить на модели без пользователей. Далее. Вы построили модель машинного обучения, максимизировали скажем recall и теперь хотите посмотреть, на что это влияет. Вы деплоите модель и смотрите как она влияет на средний чек, конверсию и пр. Эти метрики необходимо измерять на живых пользователях, поэтому это и называется онлайн-метрики. Здесь уже нужны АB тесты, чтобы понять, что после внедрения вашей модели онлайн-метрика изменилась и это не просто случайное совпадение.