Извините, что так много анонсов в последнее время и мало содержательных постов, обещаю исправиться! 😖
А пока - вот ещё один анонс. 🙈 Позвали выступить на Фенисте (Фестиваль наук, искусств и технологий Института прикладной физики РАН). Кто в Нижнем и есть время вечером, заходите, пообщаемся!
https://vk.com/wall-45512825_1430
А пока - вот ещё один анонс. 🙈 Позвали выступить на Фенисте (Фестиваль наук, искусств и технологий Института прикладной физики РАН). Кто в Нижнем и есть время вечером, заходите, пообщаемся!
https://vk.com/wall-45512825_1430
VK
Фестиваль «Фенист». Пост со стены.
А в очной программе в Институте прикладной физики РАН сегодня лекция про ChatGPT🤖
Наш спикер ... Смотрите полностью ВКонтакте.
Наш спикер ... Смотрите полностью ВКонтакте.
Если вдруг вы, как я, холодным субботним вечером задались вопросом, а можно ли в Питоне построить простую диаграмму Венна, то вот ответ:
Кстати, посмотрите внимательно код, ниже будет мини-квиз)
python
#!pip install matplotlib-venn
from matplotlib import pyplot as plt
from matplotlib_venn import venn3
ai = set(['AI1', 'AI2', 'AI3', 'NLP', 'NLP/ML', 'ML'])
nlp = set(['NLP', 'NLP/ML'])
ml = set(['NLP/ML', 'ML'])
diagram = venn3([ai, nlp, ml], ('AI', 'NLP', 'ML'))
for label in diagram.subset_labels:
if label is not None:
label.set_visible(False)
plt.show(out)
Кстати, посмотрите внимательно код, ниже будет мини-квиз)
А зачем нам во множестве `ai` целых три строки: "AI1", "AI2", "AI3", а не просто "AI"?
Anonymous Quiz
4%
Это ни на что не влияет, ведь эти строки есть только в первом множестве
39%
Чтобы круг AI на диаграмме получился визуально больше
51%
Чтобы у нас получилось всего три круга
6%
Чтобы цвет круга был розовенький
Вам нужно с нуля разобраться в новой для вас ML-задаче, например, named entity linking. Что будете делать в первую очередь? (можно выбрать несколько вариантов)
Anonymous Poll
70%
Просто погуглю по названию задачи
45%
Буду читать научные статьи (Google Scholar, Semantic Scholar, Arxiv Sanity, Papers with Code и т.п.)
43%
Пойду на GitHub искать готовые решения с большим количеством звёзд
22%
Brain storm со своей командой / спрошу у опытных знакомых
12%
Спрошу в специализированных чатах
38%
Спрошу у ChatGPT
11%
Спиритический сеанс
0%
Свой вариант в комментариях
У меня для вас снова вакансии в Центре искусственного интеллекта МТС! На этот раз - AI-тренер и Prompt-инженер. Приходите к нам работать! 😉🤝
Чем занимаются AI-тренеры и prompt-инженеры, в чём разница между ними? Обе эти профессии обычно не предполагают написание кода, но навыки программирования, конечно же, будут плюсом! 🙌 AI-тренеры занимаются созданием качественных обучающих примеров для ИИ. Когда ваша модель учится на различных инструкциях, написанных экспертами, AI-тренеры - это те самые эксперты. Prompt-инженеры - это мастера "общения" с уже обученными моделями. Они умеют правильно задавать нейросети вопросы, чтобы получать более полные и точные ответы. И AI-тренеры, и prompt-инженеры также занимаются оценкой качества ответов ИИ, анализируя сильные и слабые места и предлагая гипотезы по улучшению моделей. 💡
Исследователи и ML-инженеры занимаются обучением моделей и выводом их в продакшн, но без хороших данных и надёжных методов оценки нельзя получить сильную модель. Именно поэтому так важны крутые специалисты по созданию обучающих примеров, идеально подходящих под задачу. А когда сложно или невозможно автоматизировать оценку качества выполнения машиной той или иной задачи, нужны люди, способные объективно и грамотно оценивать ответы модели. 💪🦾
Чем занимаются AI-тренеры и prompt-инженеры, в чём разница между ними? Обе эти профессии обычно не предполагают написание кода, но навыки программирования, конечно же, будут плюсом! 🙌 AI-тренеры занимаются созданием качественных обучающих примеров для ИИ. Когда ваша модель учится на различных инструкциях, написанных экспертами, AI-тренеры - это те самые эксперты. Prompt-инженеры - это мастера "общения" с уже обученными моделями. Они умеют правильно задавать нейросети вопросы, чтобы получать более полные и точные ответы. И AI-тренеры, и prompt-инженеры также занимаются оценкой качества ответов ИИ, анализируя сильные и слабые места и предлагая гипотезы по улучшению моделей. 💡
Исследователи и ML-инженеры занимаются обучением моделей и выводом их в продакшн, но без хороших данных и надёжных методов оценки нельзя получить сильную модель. Именно поэтому так важны крутые специалисты по созданию обучающих примеров, идеально подходящих под задачу. А когда сложно или невозможно автоматизировать оценку качества выполнения машиной той или иной задачи, нужны люди, способные объективно и грамотно оценивать ответы модели. 💪🦾
hh.ru
Вакансия AI-trainer / тренер ИИ в Москве, работа в компании «МТС» (вакансия в архиве c 30 ноября 2023)
Зарплата: не указана. Москва. Требуемый опыт: 1–3 года. Полная занятость. Дата публикации: 31.10.2023.
Недавно наткнулся на статью A Survey of Large Language Models. Это, по сути, введение в область LLM. Здесь чётко и по делу рассказывается о том, откуда взялись большие языковые модели, как они устроены, на чём их обучают и т.д. В статье обобщаются основные достижения последних лет в данной области и даются ссылки на 683 🤯 источника. Но при этом основной текст - меньше 70 страниц. Можно попробовать почитать на выходных, если интересна данная тема. 🧑💻🧠🏋️
Горжусь своей сестрой. Она год назад начала учиться с нуля на Java-разработчика, а сейчас уже приступила к своей первой оплачиваемой работе по этой специальности! 💪
Это было очень непросто, но если есть упорство и правильная мотивация, то обязательно всё получается. 😎
Это было очень непросто, но если есть упорство и правильная мотивация, то обязательно всё получается. 😎
Хотите применить трансформеры к своей задаче, но не знаете, какую модель выбрать? 🤔 Информация о трансформерах для обработки русского языка разбросана по разным уголкам Интернета, поэтому я постарался собрать всё самое важное в своём списке русскоязычных трансформеров. 📃 Для каждой модели есть ссылки на код / статьи, важные архитектурные детали и рекомендации по применению. 🤓 Это первая версия списка, возможно, в нём есть недочёты - буду благодарен за обратную связь. 🙌
Вчера мне написал мой бывший студент, талантливый NLP-разработчик Павел. Он нарисовал суперполезную схему энкодера трансформера, причём более подробную, чем все схемы трансформера, что я видел. Ему удалось в одной диаграмме уместить все важные детали этой ключевой для NLP архитектуры. 👏 Мне кажется, получилось замечательно, поэтому я предложил ему поделиться схемой с сообществом, что он и сделал:
https://github.com/pa-shk/transformer-encoder
Почему это круто? Как известно, трансформеры перевернули мир NLP, их используют почти во всех сложных задачах по автоматической обработке текстов. Не случайно на большинстве собеседований по NLP спрашивают про устройство трансформера. Однако при всём изобилии материалов в Интернете именно такой подробной и информативной схемы мне ещё не попадалось - её можно увлечённо изучать, как карту сокровищ! 🤩 Надеюсь, вам тоже понравится (и тогда не забудьте поставить звёздочку репозиторию Павла).
https://github.com/pa-shk/transformer-encoder
Почему это круто? Как известно, трансформеры перевернули мир NLP, их используют почти во всех сложных задачах по автоматической обработке текстов. Не случайно на большинстве собеседований по NLP спрашивают про устройство трансформера. Однако при всём изобилии материалов в Интернете именно такой подробной и информативной схемы мне ещё не попадалось - её можно увлечённо изучать, как карту сокровищ! 🤩 Надеюсь, вам тоже понравится (и тогда не забудьте поставить звёздочку репозиторию Павла).
GitHub
GitHub - pa-shk/transformer-encoder
Contribute to pa-shk/transformer-encoder development by creating an account on GitHub.
Все же знают про "Дзен Питона"? (Если не знаете, выполните команду
А я вам сегодня принёс "Дзен Плюшевого Питона"!
===
Качественные данные важны не меньше, чем сильная модель.
Избегание ненужной сложности важно не меньше, чем улучшение метрики на 0.2%.
Читаемость кода важна не меньше, чем его эффективность.
Личные качества важны не меньше, чем техническая экспертиза.
Увидеть широкую картину важно не меньше, чем сосредоточиться на ТЗ.
Развиваться важно не меньше, чем закрывать "горящие" задачи.
Понятно объяснять важно не меньше, чем много знать.
===
Можно не воспринимать этот пост слишком серьёзно... Но без шуток, для меня эти принципы действительно много значат. Я стараюсь руководствоваться ими в своей работе. Хотя это, конечно, не исчерпывающий список! 😉
import this в питоновском интерпретаторе.) А я вам сегодня принёс "Дзен Плюшевого Питона"!
===
Качественные данные важны не меньше, чем сильная модель.
Избегание ненужной сложности важно не меньше, чем улучшение метрики на 0.2%.
Читаемость кода важна не меньше, чем его эффективность.
Личные качества важны не меньше, чем техническая экспертиза.
Увидеть широкую картину важно не меньше, чем сосредоточиться на ТЗ.
Развиваться важно не меньше, чем закрывать "горящие" задачи.
Понятно объяснять важно не меньше, чем много знать.
===
Можно не воспринимать этот пост слишком серьёзно... Но без шуток, для меня эти принципы действительно много значат. Я стараюсь руководствоваться ими в своей работе. Хотя это, конечно, не исчерпывающий список! 😉
С чем из этого вы больше всего согласны? (можно выбрать только один вариант ответа)
Anonymous Poll
35%
Качественные данные важны не меньше, чем сильная модель.
3%
Избегание ненужной сложности важно не меньше, чем улучшение метрики на 0.2%.
7%
Читаемость кода важна не меньше, чем его эффективность.
7%
Личные качества важны не меньше, чем техническая экспертиза.
15%
Увидеть широкую картину важно не меньше, чем сосредоточиться на ТЗ.
19%
Развиваться важно не меньше, чем закрывать "горящие" задачи.
13%
Понятно объяснять важно не меньше, чем много знать.
Сегодня делюсь с вами крутым списком ключевых статей по NLP, опубликованных _после_ BERT, по мнению Ильи Гусева. Кто не знает, это один из авторитетнейших экспертов в NLP. Илья составил этот список в ответ на вопрос пользователя в одном из профильных чатов. Не знаю, будет ли где-то ещё публиковать, но я уверен, что этот список точно заслуживает внимания, поэтому решил репостнуть здесь.
- GPT-2, Radford et al., Language Models are Unsupervised Multitask Learners, https://d4mucfpksywv.cloudfront.net/better-language-models/language_models_are_unsupervised_multitask_learners.pdf
- GPT-3, Brown et al, Language Models are Few-Shot Learners, https://arxiv.org/abs/2005.14165
- LaBSE, Feng et al., Language-agnostic BERT Sentence Embedding, https://arxiv.org/abs/2007.01852
- CLIP, Radford et al., Learning Transferable Visual Models From Natural Language Supervision, https://arxiv.org/abs/2103.00020
- RoPE, Su et al., RoFormer: Enhanced Transformer with Rotary Position Embedding, https://arxiv.org/abs/2104.09864
- LoRA, Hu et al., LoRA: Low-Rank Adaptation of Large Language Models, https://arxiv.org/abs/2106.09685
- InstructGPT, Ouyang et al., Training language models to follow instructions with human feedback, https://arxiv.org/abs/2203.02155
- Scaling laws, Hoffmann et al., Training Compute-Optimal Large Language Models, https://arxiv.org/abs/2203.15556
- FlashAttention, Dao et al., FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness, https://arxiv.org/abs/2205.14135
- NLLB, NLLB team, No Language Left Behind: Scaling Human-Centered Machine Translation, https://arxiv.org/abs/2207.04672
- Q8, Dettmers et al., LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale, https://arxiv.org/abs/2208.07339
- Self-instruct, Wang et al., Self-Instruct: Aligning Language Models with Self-Generated Instructions, https://arxiv.org/abs/2212.10560
- Alpaca, Taori et al., Alpaca: A Strong, Replicable Instruction-Following Model, https://crfm.stanford.edu/2023/03/13/alpaca.html
- LLaMA, Touvron, et al., LLaMA: Open and Efficient Foundation Language Models, https://arxiv.org/abs/2302.13971
P.S. Коллеги из того чата также предложили добавить в список статью про Flan-T5, я согласен с этим: https://arxiv.org/abs/2210.11416
- GPT-2, Radford et al., Language Models are Unsupervised Multitask Learners, https://d4mucfpksywv.cloudfront.net/better-language-models/language_models_are_unsupervised_multitask_learners.pdf
- GPT-3, Brown et al, Language Models are Few-Shot Learners, https://arxiv.org/abs/2005.14165
- LaBSE, Feng et al., Language-agnostic BERT Sentence Embedding, https://arxiv.org/abs/2007.01852
- CLIP, Radford et al., Learning Transferable Visual Models From Natural Language Supervision, https://arxiv.org/abs/2103.00020
- RoPE, Su et al., RoFormer: Enhanced Transformer with Rotary Position Embedding, https://arxiv.org/abs/2104.09864
- LoRA, Hu et al., LoRA: Low-Rank Adaptation of Large Language Models, https://arxiv.org/abs/2106.09685
- InstructGPT, Ouyang et al., Training language models to follow instructions with human feedback, https://arxiv.org/abs/2203.02155
- Scaling laws, Hoffmann et al., Training Compute-Optimal Large Language Models, https://arxiv.org/abs/2203.15556
- FlashAttention, Dao et al., FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness, https://arxiv.org/abs/2205.14135
- NLLB, NLLB team, No Language Left Behind: Scaling Human-Centered Machine Translation, https://arxiv.org/abs/2207.04672
- Q8, Dettmers et al., LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale, https://arxiv.org/abs/2208.07339
- Self-instruct, Wang et al., Self-Instruct: Aligning Language Models with Self-Generated Instructions, https://arxiv.org/abs/2212.10560
- Alpaca, Taori et al., Alpaca: A Strong, Replicable Instruction-Following Model, https://crfm.stanford.edu/2023/03/13/alpaca.html
- LLaMA, Touvron, et al., LLaMA: Open and Efficient Foundation Language Models, https://arxiv.org/abs/2302.13971
P.S. Коллеги из того чата также предложили добавить в список статью про Flan-T5, я согласен с этим: https://arxiv.org/abs/2210.11416
На этой неделе у меня произошло важное событие - перешёл на новую работу, ведущим ML-разработчиком в СберДевайсы. Буду помогать делать GigaChat умнее, в частности, техлидить одно из направлений, связанных с alignment. Пока что довольно много стресса, большой поток новой информации. Надеюсь, быстро освоюсь и оправдаю высокие ожидания коллег! 🙏
Для джунов, которые "никому не нужны"
Поделюсь мыслями на одну животрепещущую для многих тему. Есть такой тезис: джуны никому не нужны. Об этом уже не первый год говорят, кстати. Некоторые довольно авторитетные разработчики вообще не советуют новичкам сейчас начинать изучать технологии, потому что потом всё равно не получится найти работу. Без опыта не найти работу. А без работы не приобрести опыт. Тогда и смысла нет учиться. Так? Нет, не так.
Да, согласен, джуны сейчас на рынке, как правило, не востребованы. Джуновских вакансий (или стажёрских) - раз, два и обчёлся. Нужны мидлы. Мидловых вакансий просто море. Мидлов на рынке даже близко не достаточно. Но интересно получается:
- Мидлы нужны?
- Да.
- Их не хватает?
- Да.
- А откуда взяться новым?
- Вырастут из джунов.
- Но джуны же никому не нужны?..
Получается, нужно расти с нуля до мидла. Я понимаю, как это звучит. Но можно ли с нуля дорасти до мидла без работы в компаниях? Я считаю, что можно. Только поймите правильно. Не получая практический опыт решения сложных задач - нет, конечно, нельзя. Но не работая в компаниях или на коммерческих проектах - можно. Это, кстати, путь, которым шёл я сам.
Вы не станете мидлом сразу, минуя этап джуна, это невозможно. Просто расти от джуна до мидла придётся не на (основной, оплачиваемой) работе, а где-то ещё. Нужно будет очень серьёзно поучиться.
Лучше учиться фул-тайм. Но и не фул-тайм тоже можно, только тогда на это надо закладывать несколько лет. Это самое сложное - нужно долго учиться до того момента, когда кто-то захочет платить вам деньги за ваши навыки. Экономически это может быть очень сложно. Но по-другому никак.
Кто-то может себе позволить поучиться около года фул-тайм на платных курсах. Я нормально отношусь к платным курсам. Не аффилиирован с ними, не буду рекламировать какие-то конкретные, но знаю людей, которые устроились на первую работу после подобных курсов.
Можно учиться в вузе - это более долговременное вложение в своё будущее, но важно понимать, что не все программы одинаково хороши. Часто в них много лишнего и устаревшего. Тем не менее, (не только в топовых вузах) многие студенты устраиваются на первую работу на 2-3 курсах бакалавриата. Один мой знакомый уже после второго курса прошёл сразу на сеньорную ML-вакансию, а потом быстро вырос до тимлида.
Формальное образование - на курсах или в вузе - помогает самоорганизоваться. Но можно и самостоятельно изучить всё необходимое, и даже без денежных вложений (правда можно). Просто так сложнее и обычно дольше. Впрочем, без внутренней мотивации ничего не получится ни на курсах, ни в самом топовом вузе. Насильно вас никто ничему не научит.
Таким образом, если хочется с нуля стать разработчиком, сейчас, скорее всего, вам придётся расти не до джуна, а до мидла. Придётся накопить такой опыт, который работодатель просто не сможет игнорировать, даже несмотря на отсутствие формальной работы по специальности в вашем резюме. Но как получить этот самый опыт, если не на оплачиваемой работе по специальности? Пути известны, не скажу тут ничего нового: через пет-проекты, build your own X, изучение опен-сорса и вклад в него, неоплачиваемые стажировки, общение с более опытными людьми, чтение профильных чатов, соревнования и хакатоны.
По сути, вы будете заниматься примерно тем же, что и на "настоящей" работе по специальности: изучать новые инструменты, решать сложные задачи, (в отчаянии) дебажить код и т.д. Если вам это сейчас кажется неинтересным, скучным, слишком сложным, - действительно, тогда не стоит и начинать, наверное. Ваша будущая работа из всякого такого и будет состоять. Но если вас это не пугает и вы готовы испытать себя, то жму вам руку и от всего сердца желаю удачи!
Поделюсь мыслями на одну животрепещущую для многих тему. Есть такой тезис: джуны никому не нужны. Об этом уже не первый год говорят, кстати. Некоторые довольно авторитетные разработчики вообще не советуют новичкам сейчас начинать изучать технологии, потому что потом всё равно не получится найти работу. Без опыта не найти работу. А без работы не приобрести опыт. Тогда и смысла нет учиться. Так? Нет, не так.
Да, согласен, джуны сейчас на рынке, как правило, не востребованы. Джуновских вакансий (или стажёрских) - раз, два и обчёлся. Нужны мидлы. Мидловых вакансий просто море. Мидлов на рынке даже близко не достаточно. Но интересно получается:
- Мидлы нужны?
- Да.
- Их не хватает?
- Да.
- А откуда взяться новым?
- Вырастут из джунов.
- Но джуны же никому не нужны?..
Получается, нужно расти с нуля до мидла. Я понимаю, как это звучит. Но можно ли с нуля дорасти до мидла без работы в компаниях? Я считаю, что можно. Только поймите правильно. Не получая практический опыт решения сложных задач - нет, конечно, нельзя. Но не работая в компаниях или на коммерческих проектах - можно. Это, кстати, путь, которым шёл я сам.
Вы не станете мидлом сразу, минуя этап джуна, это невозможно. Просто расти от джуна до мидла придётся не на (основной, оплачиваемой) работе, а где-то ещё. Нужно будет очень серьёзно поучиться.
Лучше учиться фул-тайм. Но и не фул-тайм тоже можно, только тогда на это надо закладывать несколько лет. Это самое сложное - нужно долго учиться до того момента, когда кто-то захочет платить вам деньги за ваши навыки. Экономически это может быть очень сложно. Но по-другому никак.
Кто-то может себе позволить поучиться около года фул-тайм на платных курсах. Я нормально отношусь к платным курсам. Не аффилиирован с ними, не буду рекламировать какие-то конкретные, но знаю людей, которые устроились на первую работу после подобных курсов.
Можно учиться в вузе - это более долговременное вложение в своё будущее, но важно понимать, что не все программы одинаково хороши. Часто в них много лишнего и устаревшего. Тем не менее, (не только в топовых вузах) многие студенты устраиваются на первую работу на 2-3 курсах бакалавриата. Один мой знакомый уже после второго курса прошёл сразу на сеньорную ML-вакансию, а потом быстро вырос до тимлида.
Формальное образование - на курсах или в вузе - помогает самоорганизоваться. Но можно и самостоятельно изучить всё необходимое, и даже без денежных вложений (правда можно). Просто так сложнее и обычно дольше. Впрочем, без внутренней мотивации ничего не получится ни на курсах, ни в самом топовом вузе. Насильно вас никто ничему не научит.
Таким образом, если хочется с нуля стать разработчиком, сейчас, скорее всего, вам придётся расти не до джуна, а до мидла. Придётся накопить такой опыт, который работодатель просто не сможет игнорировать, даже несмотря на отсутствие формальной работы по специальности в вашем резюме. Но как получить этот самый опыт, если не на оплачиваемой работе по специальности? Пути известны, не скажу тут ничего нового: через пет-проекты, build your own X, изучение опен-сорса и вклад в него, неоплачиваемые стажировки, общение с более опытными людьми, чтение профильных чатов, соревнования и хакатоны.
По сути, вы будете заниматься примерно тем же, что и на "настоящей" работе по специальности: изучать новые инструменты, решать сложные задачи, (в отчаянии) дебажить код и т.д. Если вам это сейчас кажется неинтересным, скучным, слишком сложным, - действительно, тогда не стоит и начинать, наверное. Ваша будущая работа из всякого такого и будет состоять. Но если вас это не пугает и вы готовы испытать себя, то жму вам руку и от всего сердца желаю удачи!
Возможно, некоторые из вас уже видели этот пост Миланы, но я всё равно хочу им поделиться) Тем более, что тоже немного поучаствовал. Она собрала список актуальных и современных вопросов для собесов по NLP. Я тоже несколько штук закинул, которые реально задавал на собесах не раз.
https://www.tgoop.com/grokaem_seby/271
Именно современных списков вопросов по NLP в сети не так много, потому что область ну очень активно развивается. Тем и интересна эта подборка.
Если хотите, могу написать, как бы я ответил / какой ответ бы ожидал на какие-то из этих вопросов. Кидайте в комментарии наиболее интересные для вас. Только не предлагайте отвечать на все 100, это слишком долго 😅
https://www.tgoop.com/grokaem_seby/271
Именно современных списков вопросов по NLP в сети не так много, потому что область ну очень активно развивается. Тем и интересна эта подборка.
Если хотите, могу написать, как бы я ответил / какой ответ бы ожидал на какие-то из этих вопросов. Кидайте в комментарии наиболее интересные для вас. Только не предлагайте отвечать на все 100, это слишком долго 😅
Telegram
grokaem себя
#grokaem_собес #grokaem_nlp
Я собрала 100 вопросов по NLP, которые мне задавали или задавала я. Надеюсь, что они будут полезны, чтобы освежить в памяти важные моменты.
*Notion будет пополняться*
Notion русская версия
В составлении вопросов помогали:…
Я собрала 100 вопросов по NLP, которые мне задавали или задавала я. Надеюсь, что они будут полезны, чтобы освежить в памяти важные моменты.
*Notion будет пополняться*
Notion русская версия
В составлении вопросов помогали:…
Адаптация на новой работе
Сталкивались с таким? Переходите в новую компанию и будто окунаетесь в пучину хаоса. Новые люди, задачи, инструменты, процессы... Как справиться с этим, кажется, неуправляемым потоком новой информации? Да, процесс адаптации может быть болезненным. Хочется быстрее начать приносить пользу команде, перестать чувствовать себя беспомощным. По разным оценкам коллег, на полноценную адаптацию к новой работе может уходить месяц, три месяца, а может быть, и полгода. Сейчас как раз в очередной раз прохожу через это, осваиваюсь на новом месте. Отсюда возникла идея поделиться наработанными лайфхаками про то, как упорядочить хаос адаптации и свести эту боль к минимуму.👨💻
Мой "айтишный" опыт включает работу в 5 разных компаниях, российских и зарубежных. Везде всё было очень по-разному. Практически ничего из стека, процессов и практик не пересекалось между компаниями, приходилось ко всему привыкать заново. С опытом выработался метод для этого, который мне помогает. Тут не будет никакого рокет сайенса, но всё равно надеюсь, что кому-то из вас этот метод пригодится.
Суть подхода. Когда пытаешься удержать всё нужное в голове - это плохо работает. Не стоит недооценивать нашу способность забывать. Впрочем, многие это понимают и пытаются так или иначе упорядочить входящую информацию - через сохранёнки в браузере, сохранёнки в мессенджерах, списки дел, специальный софт (всякие Evernote, Zotero, Obsidian, Notion) и так далее. Лично мне на этапе адаптации (и вообще в работе) очень помогает вести структурированные заметки в едином документе в обратном хронологическом порядке. А теперь чуть подробнее.
Запутанный клубок вроде бы нужной и важной информации превращается в полезное знание во-многом благодаря обработке, структурированию. Но структура должна быть достаточно простой, иначе вы не сможете её поддерживать. Просто копипастить всё подряд в один документ не работает: получается помойка, нет структуры. Делать какие-то сложные графы знаний в специализированных приложениях, имхо, тоже не очень хороший вариант - где найти на это время и силы?🤔
Для меня баланс полезной и поддерживаемой структуры - это обычныйсоветский гугл-док. Первым делом завожу такой на каждой новой работе. Он всегда открыт у меня в одной из вкладок браузера, легко доступен и с телефона. В этот документ с простым названием "Заметки" попадает релевантная для меня информация из множества источников: корпоративная база знаний, мессенджеры, обсуждения на встречах. Структура - множество разделов с понятными названиями, нумерованные списки с вложенностью. Удобно, если информация располагается в обратном хронологическом порядке - то есть более новое сверху.
Сталкивались с таким? Переходите в новую компанию и будто окунаетесь в пучину хаоса. Новые люди, задачи, инструменты, процессы... Как справиться с этим, кажется, неуправляемым потоком новой информации? Да, процесс адаптации может быть болезненным. Хочется быстрее начать приносить пользу команде, перестать чувствовать себя беспомощным. По разным оценкам коллег, на полноценную адаптацию к новой работе может уходить месяц, три месяца, а может быть, и полгода. Сейчас как раз в очередной раз прохожу через это, осваиваюсь на новом месте. Отсюда возникла идея поделиться наработанными лайфхаками про то, как упорядочить хаос адаптации и свести эту боль к минимуму.
Мой "айтишный" опыт включает работу в 5 разных компаниях, российских и зарубежных. Везде всё было очень по-разному. Практически ничего из стека, процессов и практик не пересекалось между компаниями, приходилось ко всему привыкать заново. С опытом выработался метод для этого, который мне помогает. Тут не будет никакого рокет сайенса, но всё равно надеюсь, что кому-то из вас этот метод пригодится.
Суть подхода. Когда пытаешься удержать всё нужное в голове - это плохо работает. Не стоит недооценивать нашу способность забывать. Впрочем, многие это понимают и пытаются так или иначе упорядочить входящую информацию - через сохранёнки в браузере, сохранёнки в мессенджерах, списки дел, специальный софт (всякие Evernote, Zotero, Obsidian, Notion) и так далее. Лично мне на этапе адаптации (и вообще в работе) очень помогает вести структурированные заметки в едином документе в обратном хронологическом порядке. А теперь чуть подробнее.
Запутанный клубок вроде бы нужной и важной информации превращается в полезное знание во-многом благодаря обработке, структурированию. Но структура должна быть достаточно простой, иначе вы не сможете её поддерживать. Просто копипастить всё подряд в один документ не работает: получается помойка, нет структуры. Делать какие-то сложные графы знаний в специализированных приложениях, имхо, тоже не очень хороший вариант - где найти на это время и силы?
Для меня баланс полезной и поддерживаемой структуры - это обычный
Please open Telegram to view this post
VIEW IN TELEGRAM
Что я туда пишу?
* Инструкции самому себе про всякие сложные процессы (такое быстро забывается)
* Ключевые факты и неочевидные моменты про практики в команде и разрабатываемые продукты
*Явки, пароли Где что лежит и к кому обращаться по каким вопросам
* Что надо сделать и что уже сделано - для отчётов, если они есть, и просто для себя
* Свои идеи
Другими словами, всё, что показалось важным и может пригодиться в дальнейшей работе. И реально ведь очень часто пригождается - как мне, так и коллегам. Например, в компании может не быть чётких и понятных инструкций / процессов по каким-то аспектам работы, а у вас они будут появляться просто как побочный эффект от этой практики (и привычки) структурирования важной информации. Это ведёт не только к повышению вашей личной эффективности, но и даёт вам возможность помогать другим людям в команде.
Несколько типичных ситуаций, как это мне помогает:
1. Внезапно пишет руководитель и спрашивает, а что было сделано по проекту X.
2. Коллега спрашивает: "А ты не помнишь, где/кто/как у нас ..."
3. Да просто когда вернулся из отпуска и надо срочно вспоминать, чем ты вообще тут занимаешься.😅
При этом всё важное лежит в одном месте, а не рассеяно в куче сообщений, чатов, вкладок в браузере. Я нахожу нужную мне в данный момент информацию так: либо просто пробегаюсь по оглавлению разделов, если это что-то недавнее, либо использую простой полнотекстовый поиск по ключевым словам. На практике, нужная информация находится гораздо быстрее, чем если (в десятый раз?) спрашивать у коллег или рыскать по чатам, Confluence, Jira и т.д.
Конечно, сначала ведение заметок будет занимать больше времени, чем если их не вести и пытаться всё удержать в голове. Но ваши усилия сполна окупятся уже через пару месяцев. Проверено на опыте. Ведь вы осознаёте себя полноправным владельцем своих рабочих знаний. Ведение таких заметок повышает уверенность, а с ней порой бывают проблемы на новом месте (привет, синдром самозванца). Конечно, это привычка и навык, который нужно развивать. Кстати, повышает вашу самодисциплину.😎
В общем, просто хотел поделиться, не навязываю, но вдруг пригодится. Можете использовать в таком виде, можете придумать что-то своё по аналогии, но главные принципы, на мой взгляд, надо сохранить:
* Структура
* Простота и доступность
* Всё нужное в одном месте
Если дочитали до конца, спасибо за внимание! Делитесь опытом про свою адаптацию в комментариях. Желаю успехов в саморазвитии!
* Инструкции самому себе про всякие сложные процессы (такое быстро забывается)
* Ключевые факты и неочевидные моменты про практики в команде и разрабатываемые продукты
*
* Что надо сделать и что уже сделано - для отчётов, если они есть, и просто для себя
* Свои идеи
Другими словами, всё, что показалось важным и может пригодиться в дальнейшей работе. И реально ведь очень часто пригождается - как мне, так и коллегам. Например, в компании может не быть чётких и понятных инструкций / процессов по каким-то аспектам работы, а у вас они будут появляться просто как побочный эффект от этой практики (и привычки) структурирования важной информации. Это ведёт не только к повышению вашей личной эффективности, но и даёт вам возможность помогать другим людям в команде.
Несколько типичных ситуаций, как это мне помогает:
1. Внезапно пишет руководитель и спрашивает, а что было сделано по проекту X.
2. Коллега спрашивает: "А ты не помнишь, где/кто/как у нас ..."
3. Да просто когда вернулся из отпуска и надо срочно вспоминать, чем ты вообще тут занимаешься.
При этом всё важное лежит в одном месте, а не рассеяно в куче сообщений, чатов, вкладок в браузере. Я нахожу нужную мне в данный момент информацию так: либо просто пробегаюсь по оглавлению разделов, если это что-то недавнее, либо использую простой полнотекстовый поиск по ключевым словам. На практике, нужная информация находится гораздо быстрее, чем если (в десятый раз?) спрашивать у коллег или рыскать по чатам, Confluence, Jira и т.д.
Конечно, сначала ведение заметок будет занимать больше времени, чем если их не вести и пытаться всё удержать в голове. Но ваши усилия сполна окупятся уже через пару месяцев. Проверено на опыте. Ведь вы осознаёте себя полноправным владельцем своих рабочих знаний. Ведение таких заметок повышает уверенность, а с ней порой бывают проблемы на новом месте (привет, синдром самозванца). Конечно, это привычка и навык, который нужно развивать. Кстати, повышает вашу самодисциплину.
В общем, просто хотел поделиться, не навязываю, но вдруг пригодится. Можете использовать в таком виде, можете придумать что-то своё по аналогии, но главные принципы, на мой взгляд, надо сохранить:
* Структура
* Простота и доступность
* Всё нужное в одном месте
Если дочитали до конца, спасибо за внимание! Делитесь опытом про свою адаптацию в комментариях. Желаю успехов в саморазвитии!
Please open Telegram to view this post
VIEW IN TELEGRAM
Я иногда публикую полезные материалы для начинающих, вот и сейчас наткнулся на нечто хорошее, решил поделиться. Знаете 3Blue1Brown? Это популярный канал на YouTube, на котором бывают видео с объяснением сложных математических (и не только) штук простым языком, с крутыми визуализациями. 6 лет назад его автор начал делать курс по нейросетям. Он разобрал введение в глубокое обучение, градиентный спуск, обратное распространение ошибки. Потом новых видео в этом курсе долго не было, но вот буквально на днях автор запилил два новых: визуальное введение в GPT и про механизм внимания в трансформерах. Каждое чуть меньше, чем на полчаса, на английском. Рекомендую посмотреть, и не только новичкам! Качество материалов у 3Blue1Brown всегда было на высоте, а визуализации просто супер. Визуализации вообще очень полезны, т.к. помогают сформировать интуицию о сложных и абстрактных вещах.
YouTube
Neural networks
Learn the basics of neural networks and backpropagation, one of the most important algorithms for the modern world.
Мой друг Никита Соболев, core-разработчик CPython, делает свой бесплатный курс по Питону. Уникальность курса в том, что берётся одна узкая тема и разбирается на трёх уровнях сложности: junior, middle, senior. Так что как начинающие, так и опытные Python-разработчики могут найти для себя что-то новое. Но для совсем новичков курс не подойдёт. Даже junior-часть многим покажется слишком сложной.
Почему этот курс заслуживает внимания? Его автор уже не первый год работает в опенсорсе фултайм. Кроме CPython, он является core-разработчиком mypy и typeshed, членом ассоциаций Python Code Quality Authority, Django Software Foundation и Python Software Foundation. То есть этот человек очень глубоко разбирается в Питоне и может рассказать о нюансах и менее очевидных аспектах языка, чего не найдёшь в обычных курсах и учебниках.
Курс находится в разработке, пока что выпущены два видео:
мета информация: https://www.youtube.com/watch?v=SVBPkrs9UFg
первый выпуск: https://www.youtube.com/watch?v=WBKf2Cw_9Pc
С интересом посмотрел, узнал много нового, жду продолжения.
Почему этот курс заслуживает внимания? Его автор уже не первый год работает в опенсорсе фултайм. Кроме CPython, он является core-разработчиком mypy и typeshed, членом ассоциаций Python Code Quality Authority, Django Software Foundation и Python Software Foundation. То есть этот человек очень глубоко разбирается в Питоне и может рассказать о нюансах и менее очевидных аспектах языка, чего не найдёшь в обычных курсах и учебниках.
Курс находится в разработке, пока что выпущены два видео:
мета информация: https://www.youtube.com/watch?v=SVBPkrs9UFg
первый выпуск: https://www.youtube.com/watch?v=WBKf2Cw_9Pc
С интересом посмотрел, узнал много нового, жду продолжения.
YouTube
Лучший курс по Python 0: Мета информация
Лучший курс по питону: 0
Общая информация о курсе.
Полезные ссылки:
- Материалы: https://github.com/sobolevn/the-best-python-course
- Мой GitHub: https://github.com/sobolevn
- Мой телеграм канал: https://www.tgoop.com/opensource_findings
- Поддержать: https://bo…
Общая информация о курсе.
Полезные ссылки:
- Материалы: https://github.com/sobolevn/the-best-python-course
- Мой GitHub: https://github.com/sobolevn
- Мой телеграм канал: https://www.tgoop.com/opensource_findings
- Поддержать: https://bo…
Побывал на Yandex Generative Summit в Белграде, только вчера вернулся домой, а сегодня решил написать небольшой пост про этот опыт. Всё было классно организовано, осталась масса положительных впечатлений. Польза точно была - узнал много нового, познакомился с интересными людьми. На саммите были полезнейшие доклады, но много времени уделялось и нетворкингу...
И вот как раз по поводу нетворкинга хотел написать - дело в том, что у меня не всегда хорошо получается знакомиться и общаться с новыми людьми. Как интроверт, я довольно быстро устаю от такого, потому что теряю при этом много энергии. Причём дело не в том, что мне не нравится общаться с новыми людьми. Наоборот, часто очень даже нравится, особенно с такими классными, как на том саммите. Но вот какой-то "коммуникативной выносливости" не хватает. А ещё есть застенчивость, чувство неловкости, да и старый добрый синдром самозванца. Поэтому первый час-два я ещё бодр и готов знакомиться/общаться, но потом быстро сдуваюсь и ничего так не хочу, как посидеть в тихом уголочке с телефоном. Не знаю, можно ли с этим что-то поделать.
(И нужно ли)
А как у вас с "живым" нетворкингом на всяких конференциях и митапах? Всё легко получается, чувствуете себя как рыба в воде, вас обступают и слушают, затаив дыхание? Или всё же бывают трудности?
И вот как раз по поводу нетворкинга хотел написать - дело в том, что у меня не всегда хорошо получается знакомиться и общаться с новыми людьми. Как интроверт, я довольно быстро устаю от такого, потому что теряю при этом много энергии. Причём дело не в том, что мне не нравится общаться с новыми людьми. Наоборот, часто очень даже нравится, особенно с такими классными, как на том саммите. Но вот какой-то "коммуникативной выносливости" не хватает. А ещё есть застенчивость, чувство неловкости, да и старый добрый синдром самозванца. Поэтому первый час-два я ещё бодр и готов знакомиться/общаться, но потом быстро сдуваюсь и ничего так не хочу, как посидеть в тихом уголочке с телефоном. Не знаю, можно ли с этим что-то поделать.
(И нужно ли)
А как у вас с "живым" нетворкингом на всяких конференциях и митапах? Всё легко получается, чувствуете себя как рыба в воде, вас обступают и слушают, затаив дыхание? Или всё же бывают трудности?