Как добиться успеха на пути к карьерным высотам? Несколько простых советов от главы NVIDIA

"Значимые достижения часто возникают из простых, последовательных усилий, выполненных с мастерством",

- именно такой совет дал репортерам Дженсен Хуанг на одном из интервью.

🟦 Основатель Nvidia считает, что зацикливание на ошибках или на будущей неопределенности мешает человеку добиваться карьерных высот.

Очень важно всегда прикладывать все свои усилия для достижения целей на карьерном пути.

🟦 Хуанг рекомендует изучать новое каждый день, ведь ИИ и технологии активно развиваются, и чтобы поспевать за тенденциями, необходимо быть конкурентоспособным.

Исследуйте и применяйте все новое, особенно за пределами университета или колледжа.

🟦 Глава NVIDIA сформировал единое мышление для всех сфер своей жизни. Он считает, что принятие одной картины мира на все сфера жизни поможет улучшить собственную гибкость и разум. Поэтому Хуанг рекомендует эту же практику всем, кто хочет добиться успеха.

Две вещи, которые помогут вашей карьере расти, — это адаптация и изучение новых навыков. Постарайтесь быть максимально заметным, сосредоточив свое внимание на определенном проекте.

🟦 При этом Дженсен Хуанг говорит о том, что стать первоклассным специалистом требует времени (намного больше времени, чем вам может показаться) и сосредоточенности на главном.

Становление выдающимся специалистом требует много времени. Помните, что совершенство — это уделение большого внимания каждому начинанию, независимо от его очевидной значимости.

#Точка: Junior/Middle Data Engineer
#Удаленно
До 350.000₽

➡️ Кому подойдет:
Команда создаёт дата-ориентированные процессы для разработки и обновления мотивационных систем, измеряем их эффективность, автоматизирует расчёт премий и проводит аудит систем для новых клиентов.

🚀 Откликнуться | Все вакансии

1000 и 1 способ улучшить итоговые метрики (в процессе)

Частая проблема — когда метрики оставляют желать лучшего, хотя данные проверены вдоль и поперек.

Что же делать, если модель плохо обучается? Можно, конечно, прописать print('accuracy = 99.8'), но есть способы получше.

Если мы говорим о классическом ML, то здесь выделяют три типа алгоритмов: линейные, метрические и алгоритмы на основе деревьев решений. Каждый из этих типов имеет свои особенности, которые необходимо учитывать.

🟦 Если хотите улучшить метрики у линейных моделей (различные регрессии или метод опорных векторов), попробуйте нормализовать или стандартизировать данные. Поиграйте с признаками: добавьте произведение нескольких признаков или возведите их в квадрат. Модели этой группы недостаточно гибки, так как могут плохо обобщаться на новых данных и не справляются с задачами, где целевое значение состоит из сложных зависимостей. Поэтому в таких случаях лучше попробовать другие модели, например, метрические.

🟦 Если вы видите потенциал в алгоритме, а он как раз метрический, то попробуйте поиграть с расстояниями. Например, для текстов обычно используют расстояние Левенштейна или косинусное, а для работы с картинками чаще всего берут евклидово или манхэттенское. Как и линейные методы, метрические очень требовательны к данным, поэтому перед обучением желательно стандартизировать или нормализовать их. Однако если вы сильно ограничены в памяти, то алгоритмы из этой группы вам не подойдут. А если у вас еще и очень много признаков, то либо воспользуйтесь РСА, либо вовсе откажитесь от использования таких методов, так как из-за большого количества признаков вас может начать преследовать проклятие размерности.

🟦 Методы на основе деревьев решений, к которым относят случайный лес или всеми любимый бустинг, не любят выбросы, поэтому обязательно перед обучением проверьте, как вы их обработали. Также одной из причин плохих метрик может быть склонность таких методов к смещению (если есть несбалансированная выборка), поэтому предварительно сбалансируйте данные с помощью Oversampling или Undersampling алгоритмов. Попробуйте также увеличить число деревьев в ансамбле или увеличить их глубину. Также можно уменьшить число данных в листах деревьев или задать максимальное количество признаков для разбиения в узле, но помните: методы на основе деревьев склонны к переобучению. Чтобы его избежать, используйте кросс-валидацию.

Если желаемого качества так и не удается достичь, то попробуйте объединить несколько моделей в ансамбль, это тоже может улучшить результат.

Когда старый добрый ML не может справиться с задачей, на смену ему приходят нейронные сети. Вот несколько советов по улучшению качества итоговых метрик:

➖ Используйте шедулеры. Они помогают улучшить обобщающую способность моделей, меняя скорость обучения непосредственно в процессе самого обучения. Также это позволяет улучшать сходимость, что тоже очень важно!
➖ Когда очень много признаков, целесообразно отобрать нужные признаки через регуляризацию L1, добавить слой batch-norm или воспользоваться РСА, дабы избежать проклятия размерности.
➖ Сети любят, когда у вас много данных! Поэтому попробуйте поискать новые образцы в открытых источниках, воспользоваться аугментацией или нагенерировать синтетические данные.
➖ Подкорректируйте количество нейронов или слоев в сети. При плохом обучении — добавьте, при переобучении — уберите или добавьте слой dropout.
➖ Самым важным советом мы бы выделили анализ ошибок. Это очень важный этап, который все почему-то любят делать для галочки. Если хотите хороших результатов, обязательно изучите ошибки модели.

Все, разумеется, зависит от самой задачи, целевой переменной и данных. Когда вы уверены, что с данными все хорошо, а результаты оставляют желать лучшего, то воспользуйтесь советами, о которых мы рассказали. И, конечно, внимательно изучите все плюсы и минусы каждого алгоритма, который используете. Хороших метрик!

Требуются специалисты на программу найма "Открытые школы Т1":

➖ Аналитик платформы данных (DWH);

➖ Разработчик платформ данных (DWH).

После получения оффера в Т1:
🔷 Карьерный фаст-трек до уровня мидла в Т1 за 1,5 года;
🔷 Удаленка по всей России и работа в современных офисах;
🔷 Профессиональное обучение на LMS-платформе и участие в конференциях;
🔷 Развитая ИТ-культура и нетворкинг;
🔷 ДМС, комплексные программы поддержки, скидки и партнерские программы.

Подробнее с вакансиями можно ознакомиться на нашем сайте или в личных сообщениях.

#Звук: Data analyst
#Офис

➡️ Кому подойдет:
Звук создает аудиостриминг c музыкой в HiFi-качестве, подкастами, аудиокнигами, эксклюзивными плейлистами и разделом для детей.

🚀 Откликнуться | Все вакансии

Research Scholar Program от Google 🚀

Это программа направлена на поддержку молодых ученых в различных областях: алгоритмы и оптимизация, машинное обучение, квантовые вычисления и многое другое.

Google надеется, что таким образом поможет молодым ученым в развитии их исследований.

Однако не все так просто. Чтобы получить грант (до 60 000$), необходимо быть научным сотрудником, доцентом или профессором в академических стенах.

Ознакомиться со всеми условиями или подать заявку можно по этой ссылке, однако стоит поторопиться, ведь прием заявок осуществляется до 27 января.

#OpenAI: Analytics Data Engineer, Applied Engineering
#Офис
От $245 тыс. До $385 тыс. + акции

➡️ Кому подойдет:
Команда прикладных исследований занимается исследованиями и разработкой продуктов, чтобы донести технологию OpenAI до потребителей и предприятий.

🚀 Откликнуться | Все вакансии

РБК сообщает: наблюдается снижение зарплаты на должностях Data Scientist и Data Analyst

➡️ Москвичи можете выдохнуть, ведь снижение заработной платы наблюдается в северной столице: в ходе исследования выяснилось, что в Санкт-Петербурге по сравнению с 2023 годом зарплата у дата-сайентиста упала на 35% (абсолютная величина 80 тыс. руб.).

➡️ Главной причиной такого спада называют высокий уровень зарплат таких специалистов, сформированный в 2022 году и не изменявшийся вплоть до 2024 года.

➡️ Дата-аналитики пострадали не так сильно: по данным hhru зарплата специалистов упала всего на 100 рублей (средняя 106,7 тыс.).

Мы предполагаем, что динамика зарплат в ИТ-индустрии города будет дифференцированной: для выпускников "digital ПТУ" зарплата либо не изменится, либо может снизиться (за счет уменьшения количества вакансий и роста числа резюме), для "мидлов" и "синьоров" зарплаты будут расти», — прокомментировала глава hhru.

Итоги года для LLM 🚀

Январь почти закончился, но он все еще успевает сделать маленький сюрприз: автор многочисленных книг по глубокому обучению Себастьян Рашка в своем блоге поделился итогами года. Как вы уже могли догадаться, это не простые итоги: Себастьян собрал список самых революционных статей по LLM за 2024 год.

Например, в январе прошлого года вышла статья о подходе Mixtral's Mixture of Experts, а февраль подарил статью LoRA с разложением по весу. Мы уже сказали, что это не просто список статей на "почитать"? Каждую выбранную статью автор подробно разбирает и иногда вставляет свои комментарии. Если стало интересно, то ссылку с итогами года можно найти здесь.

➡️ Альфа Банк
Head of Data Science and Advanced Analytics
Офис, Гибрид, Удаленно

➡️ X5 Tech
Data Scientist/ML Engineer в команду развития Искусственного интеллекта
Офис, Гибрид, Удаленно

➡️ Мегафон
Стажер/Data Scientist
Офис

➡️ Золотое Яблоко
Middle Data Scientist
Офис, Гибрид, Удаленно

Самая востребованная профессия по мнению LinkedIn 🔵

Недавно LinkedIn опубликовал отчет о самых востребованных специалистах, среди которых первое место занимает инженер в области ИИ. Также в топ вошли инженеры машинного обучения и исследователи ИИ.

Инженер в области искусственного интеллекта был одной из самых востребованных профессий в 15 из 21 страны, таких как Сингапур, Нидерланды, Великобритания и США.

Примечательно, что страны, где высоко ценятся сотрудники в области ИИ, входят в топ стран с высокой развитостью ИИ.

#Cloud.ru: Data инженер
#Офис

➡️ Кому подойдет:
Необходимо будет предложить архитектуру решения реализовать MVP (минимально жизнеспособный продукт).

🚀 Откликнуться | Все вакансии

Файтюнинг моделей за пару уроков 🚀

Для тех, кто давно хочет научиться тонкому ремеслу - настройке LLM, то ловите пару статей:

⭐ Practical Tips for Finetuning LLMs Using LoRA (Low-Rank Adaptation);
⭐ Kaggle Gemma2 9b Unsloth notebook;
⭐ How to Fine-Tune LLMs in 2024 with Hugging Face;
⭐ Fine-tune Llama 3.1 Ultra-Efficiently with Unsloth;
⭐ How to align open LLMs in 2025 with DPO & and synthetic data.

#Мегафон: Стажер Data Engineer
#Офис

➡️ Кому подойдет:
Мегафон занимается анализом большие данные, чтобы лучше понимать каждого своего абонента, поэтому компания нуждается в хорошем Data Engineer.

🚀Откликнуться | Все вакансии

Пост для тех, кто давно хотел стать специалистом в области инженерии данных. Для вас мы нашли репозиторий со всеми необходимыми знаниями в этой области 🔵

🟦 Репозиторий уже собрал свыше 25 тыс. звезд на GitHub. Что же в нем особенного: различные видео-лекции, книги и сообщества с опытными специалистами.

🟦 Если вдруг вы не знаете с чего начать, то новичкам предлагают изучить роудмап, который подскажет, с чего следует начать изучение.

🟦 Чтобы оставаться в курсе событий, на гитхабе вы найдете блоги компаний, занимающихся инжинирингом, а еще вы найдете подсказки о том, как пройти собеседования. Кладезь знаний искать здесь.

➡️ VK Team
Senior Data Scientist в команду LLM-разметки в AI VK
Офис, Гибрид

➡️ Wildberries
CV Engineer в команду Horizontal ML
Удаленно

➡️ Мегафон
Senior Data Scientist (One Factor)
Офис

➡️ Kaspersky
Data Scientist
Офис

➡️ Lamoda
Senior Big Data Engineer
Офис

➡️ Альфа Банк
Data Scientist
Офис, Гибрид

7 советов от гуру CNN - Илона Маска

Илон Маск - известный бизнесмен крупных технических компаний, таких как Tesla или SpaceX, поделился на одном из интервью советами для начинающих специалистов:

➡️ Продолжайте пытаться

Иногда вы окажетесь в ситуации, где выбранное вами решение по каким-то причинам не принимают. Не отказывайтесь от цели и продолжайте усердно работать. Такой настрой приходит с терпением и упорством, поэтому не сдавайтесь.

➡️ Следуйте своим желаниям и наслаждайтесь работой

Ваше желание делать что-то эффективно будет исходить из того, насколько вам нравится это занятие. Выбирайте тот карьерный путь, который вам действительно нравится.

➡️ Игнорируйте советы от кого бы то ни было

Вы будете встречать множество людей, которые будут отзываться о вашей работе либо плохо, либо хорошо. Никогда не говорите другим, как обстоят дела с вашими начинаниями, и всегда сохраняйте позитивный настрой.

➡️ Будьте смелыми - рискуйте

С возрастом обязательства растут, и становится всё сложнее рисковать. Поэтому рискуйте сейчас и помните, что оптимизм растёт только тогда, когда вы прилагаете усилия для достижения своей цели.

➡️ Сделайте все возможное

Если вы хотите выделиться, покажите свой потенциал и способности всем. Вы должны работать над чем-то чрезвычайно важным для себя. Создайте привычку читать, которая позволит получать необходимые знания, чтобы быть готовым ко всему. Даже успешные люди часто читают, когда становятся старше.

➡️ Сосредоточьтесь на процессе, а не на результате

Вы несёте ответственность за путь к цели. Поэтому лучше сосредоточьтесь на небольших шагах, которые вы делаете, чем на достижении их в одночасье. Маск считает, что многие компании концентрируются на различных вопросах, а не на том, как конкретно улучшить продукт.

➡️ Решайте проблемы

Не всегда всё идет по маслу, поэтому помимо плана А у вас должен быть план Б. Ищите причину проблемы, а не её следствие. Маск старается искать сотрудников, которые сталкиваются со сложными проблемами и решают их.