Вся суть классического CV:
1. Посчитаем локальные градиенты вокруг каких-нибудь точек
2. Построим вокруг них лес из костылей для решения задачи
Примеры костылей: руками подобранные трешхолды, “на этом этапе хорошо работает еще раз пройтись Gaussian kernel с такой сигмой”, “здесь нормализуем эти вектора такой нормой, хрен знает почему, но это побило соту”
1. Посчитаем локальные градиенты вокруг каких-нибудь точек
2. Построим вокруг них лес из костылей для решения задачи
Примеры костылей: руками подобранные трешхолды, “на этом этапе хорошо работает еще раз пройтись Gaussian kernel с такой сигмой”, “здесь нормализуем эти вектора такой нормой, хрен знает почему, но это побило соту”
👍17❤1🤔1😱1
#лабораторный_журнал
Только что закончил писать дизайн-документ для Data Architecture компании.
Как это часто бывает все хотят “дата дривен десижн мейкинг.” Данных много, но они плохо организованы, непонятно как найти то, что тебе нужно, и получить к этому доступ. За все кусочки отвечают разные люди. Но мы практически в самом начале задумались о том, что с этим делать. Есть хороший шанс сразу сделать хорошо, чтобы потом не переделывать.
Вместо того, чтобы выбирать какой базворд нам больше нравится, Data Warehouse, Data Mesh или еще что-нибудь Data, мы подошли со стороны принципов.
Определяем, что мы называем данными, а что просто информацией. Какие цели преследует весь этот дата движ. Как представляем себе структуру команд в ближайшем будущем. Выделяем сценарии: как данные будут производиться и как использоваться. Рассматриваем ограничения. Например по найму. Было бы круто нанять в каждую команду своих аналитиков и дата инженеров. Все бы сами хранили, поддерживали и предоставляли свои данные. Не было бы бутылочного горлышка в виде центральной дата команды, прямо по канонам Data Mesh подхода. Но что-то я не вижу в планах найма трех специалистов по данным в каждую команду.
Почти все вопросы организационные, а не технические. Какие необходимо добавить роли? Как определяется ответственность за данные? Кто распределяет права доступа? Как работать с тем, что в организации данные это источник влияния? Всем выгодно, чтобы от них зависели другие, а они ни от кого. Как мотивировать людей помогать остальным работать с их данными? Нужна система стимулов и мотивации.
Пример сложного кейса: ML команде нужны данные сейлзов для прогнозирования спроса. Сейлзам от этого прогнозирования никакого толку, потому что оно нужно маркетологам. Сейлзы продают то, что сейчас лежит. Предположим худшее: сейлзы ведут записи в Excel (конкретно у сейлзов обычно есть нормальный софт, но всегда найдется сидящая на excel команда, так что для примера подходит). Для них собирать и тем более поддерживать какие-то там данные это лишняя работа. Что делать? Сделать новый инструмент и заставить им пользоваться? ML команде самим отвечать за данные, в которых они ничего не понимают, меняя пайплайн сбора каждый раз, когда сейлзы что-то поменяли в своей работе? Нанять дата аналитика в команду сейлзов или может быть "коммандировать" его из центральной дата команды?
В итоге, собрав все это вместе, формируем корневые принципы. Например, некоторые из них чисто гипотетически (друг расказал) могли бы быть такие:
1. Data Policy определяется целями бизнеса.
2. Data Infrastructure определяется тем, как данные используются, а не наоборот.
3. Создавать и поддерживать данные это часть рабочих обязанностей.
После нескольких итераций, внешних консультаций и конечно же уймы встреч будет написана подробная штука под названием Data Policy (кажется обычно это называют Data Governance). Там будет про то, что, как и зачем. Лишь после всего этого настанет время технологий.
Только что закончил писать дизайн-документ для Data Architecture компании.
Как это часто бывает все хотят “дата дривен десижн мейкинг.” Данных много, но они плохо организованы, непонятно как найти то, что тебе нужно, и получить к этому доступ. За все кусочки отвечают разные люди. Но мы практически в самом начале задумались о том, что с этим делать. Есть хороший шанс сразу сделать хорошо, чтобы потом не переделывать.
Вместо того, чтобы выбирать какой базворд нам больше нравится, Data Warehouse, Data Mesh или еще что-нибудь Data, мы подошли со стороны принципов.
Определяем, что мы называем данными, а что просто информацией. Какие цели преследует весь этот дата движ. Как представляем себе структуру команд в ближайшем будущем. Выделяем сценарии: как данные будут производиться и как использоваться. Рассматриваем ограничения. Например по найму. Было бы круто нанять в каждую команду своих аналитиков и дата инженеров. Все бы сами хранили, поддерживали и предоставляли свои данные. Не было бы бутылочного горлышка в виде центральной дата команды, прямо по канонам Data Mesh подхода. Но что-то я не вижу в планах найма трех специалистов по данным в каждую команду.
Почти все вопросы организационные, а не технические. Какие необходимо добавить роли? Как определяется ответственность за данные? Кто распределяет права доступа? Как работать с тем, что в организации данные это источник влияния? Всем выгодно, чтобы от них зависели другие, а они ни от кого. Как мотивировать людей помогать остальным работать с их данными? Нужна система стимулов и мотивации.
Пример сложного кейса: ML команде нужны данные сейлзов для прогнозирования спроса. Сейлзам от этого прогнозирования никакого толку, потому что оно нужно маркетологам. Сейлзы продают то, что сейчас лежит. Предположим худшее: сейлзы ведут записи в Excel (конкретно у сейлзов обычно есть нормальный софт, но всегда найдется сидящая на excel команда, так что для примера подходит). Для них собирать и тем более поддерживать какие-то там данные это лишняя работа. Что делать? Сделать новый инструмент и заставить им пользоваться? ML команде самим отвечать за данные, в которых они ничего не понимают, меняя пайплайн сбора каждый раз, когда сейлзы что-то поменяли в своей работе? Нанять дата аналитика в команду сейлзов или может быть "коммандировать" его из центральной дата команды?
В итоге, собрав все это вместе, формируем корневые принципы. Например, некоторые из них чисто гипотетически (друг расказал) могли бы быть такие:
1. Data Policy определяется целями бизнеса.
2. Data Infrastructure определяется тем, как данные используются, а не наоборот.
3. Создавать и поддерживать данные это часть рабочих обязанностей.
После нескольких итераций, внешних консультаций и конечно же уймы встреч будет написана подробная штука под названием Data Policy (кажется обычно это называют Data Governance). Там будет про то, что, как и зачем. Лишь после всего этого настанет время технологий.
🔥18👍3
Выпустили PubmedGPT, языковую модель затюненую на медицинских статьях. Нейросети-доктора откладываются на неопределенный срок
https://huggingface.co/stanford-crfm/pubmedgpt
https://huggingface.co/stanford-crfm/pubmedgpt
😁32
Скотт Александр делает контест по прогнозированию, можно выигрывать деньги
https://astralcodexten.substack.com/p/2023-prediction-contest?utm_source=post-email-title&publication_id=89120&post_id=91004605&isFreemail=true&utm_medium=email
https://astralcodexten.substack.com/p/2023-prediction-contest?utm_source=post-email-title&publication_id=89120&post_id=91004605&isFreemail=true&utm_medium=email
Astral Codex Ten
2023 Prediction Contest
...
🔥5
#лабораторный_журнал
Мой джун задеплоил свою первую фичу в прод. Раньше я писал, что у меня с ним некоторые проблемы, но теперь они фактически решены.
Что помогло:
* Регулярные встречи 1 на 1. В основном болтаем там за жизнь и разговоры получаются очень интересные. На одной из таких встреч я дал обратную связь по его работе и предложил откалибровать ожидания. Я опасался, что парень просто занимается на работе чем-то посторонним, но это оказалось совсем неверным. Мотивации хоть отбавляй. Я никогда не видел, чтобы кто-то так глубоко и дотошно разбирался. Как выяснилось, мои ожидания о его навыках были сильно завышены. Теперь, когда я понимаю, чего ожидать, все нормально. Парень растет на глазах.
* Подробно разбирать проблемы, парно программировать. Здесь мне есть чему поучиться: слишком сильно раздражаюсь от глупых вопросов. Но глупые вопросы самые важные! Во-первых стараюсь расти над собой, а во-вторых постоянно говорю, что он молодец, а я неопытный менеджер, и чтобы не принимал на личное если что. И что ему надо перестать делать коммиты в воскресенье, блин. Джун сказал мне в ответ, что я круче 35-летних синьоров (помидоров), которых он видел, и что я не должен сбавлять своих ожиданий.
* При планировании задач садиться вместе и подробно разбирать, что надо сделать, примерно где и что менять в коде, что учесть. Казалось бы банальная идея, но раньше я скидывал ему супер-подробно расписанный тикет и думал: “ну что еще надо!” Что лишний раз показывает, какой я неопытный менеджер.
* Точно так же с Merge Request. Садиться вместе и проговаривать: что поменялось и почему, что это значит для других задач, что надо проверить после деплоя.
Кажется я могу стать неужасным тимлидом. Точно учусь большему, чем он.
Мой джун задеплоил свою первую фичу в прод. Раньше я писал, что у меня с ним некоторые проблемы, но теперь они фактически решены.
Что помогло:
* Регулярные встречи 1 на 1. В основном болтаем там за жизнь и разговоры получаются очень интересные. На одной из таких встреч я дал обратную связь по его работе и предложил откалибровать ожидания. Я опасался, что парень просто занимается на работе чем-то посторонним, но это оказалось совсем неверным. Мотивации хоть отбавляй. Я никогда не видел, чтобы кто-то так глубоко и дотошно разбирался. Как выяснилось, мои ожидания о его навыках были сильно завышены. Теперь, когда я понимаю, чего ожидать, все нормально. Парень растет на глазах.
* Подробно разбирать проблемы, парно программировать. Здесь мне есть чему поучиться: слишком сильно раздражаюсь от глупых вопросов. Но глупые вопросы самые важные! Во-первых стараюсь расти над собой, а во-вторых постоянно говорю, что он молодец, а я неопытный менеджер, и чтобы не принимал на личное если что. И что ему надо перестать делать коммиты в воскресенье, блин. Джун сказал мне в ответ, что я круче 35-летних синьоров (помидоров), которых он видел, и что я не должен сбавлять своих ожиданий.
* При планировании задач садиться вместе и подробно разбирать, что надо сделать, примерно где и что менять в коде, что учесть. Казалось бы банальная идея, но раньше я скидывал ему супер-подробно расписанный тикет и думал: “ну что еще надо!” Что лишний раз показывает, какой я неопытный менеджер.
* Точно так же с Merge Request. Садиться вместе и проговаривать: что поменялось и почему, что это значит для других задач, что надо проверить после деплоя.
Кажется я могу стать неужасным тимлидом. Точно учусь большему, чем он.
👍63❤22👎1
Forwarded from partially unsupervised
Досталась мне на работе система, за которую до недавних пор отвечал умный, но неопытный PhD. Задача по сути сводится к text classification, внутри некий трансформер и все по классике: много кастомного, вычурный оптимайзер, дубликаты в данных и так далее. И, конечно, все надо улучшать - от точности до скорости.
В комплекте с системой полагался въедливый коллега, который с радостью согласился пойти разгребать авгиевы конюшни датасетов. А я взялся за инженерную часть. Кое-какая инфраструктура уже была: тесты, CI, обучение в докере - до этого мы с другим коллегой занимались переносом этого хозяйства из jupyter ноутбуков во что-то воспроизводимое. Так что надо можно было более или менее смело лезть в сам training pipeline.
Обучение занимало ~10-11 часов на одной A100, что в целом приемлемо, но, судя по низкой нагрузке и CPU, и GPU, можно было сделать лучше. Перенес часть препроцессинга из
Основная модель весила больше гигабайта. Я посмотрел на граф и обнаружил, что больше половины весов - это жирная мультиязычная embedding матрица инпута. Пошел в Athena и добыл неразмеченный датасет вида
Кстати, раз у нас есть большой неразмеченный датасет, это звучит как повод устроить pretraining. Адаптировал masked language pretraining пайплайн с huggingface 🤗, и оставил новую, уже уменьшенную модель учиться на недельку. И, наконец, заменил дефолтные веса в основном пайплайне на результат претрейна на этом неразмеченном датасете. Это не только улучшило точность (на разных тестовых датасетах от 10% до 20%) и вторичные метрики вроде калибровки, но и ускорило сходимость, т.е. можно безболезненно уменьшить количество эпох еще на треть.
Итого: за пару недель работы обучение ускорено, потребление памяти упало, точность выросла. Важно подчеркнуть, что ничего из перечисленного не содержало никаких сложных алгоритмов. Если ты не OpenAI, то просто нормально делай - нормально будет.
В комплекте с системой полагался въедливый коллега, который с радостью согласился пойти разгребать авгиевы конюшни датасетов. А я взялся за инженерную часть. Кое-какая инфраструктура уже была: тесты, CI, обучение в докере - до этого мы с другим коллегой занимались переносом этого хозяйства из jupyter ноутбуков во что-то воспроизводимое. Так что надо можно было более или менее смело лезть в сам training pipeline.
Обучение занимало ~10-11 часов на одной A100, что в целом приемлемо, но, судя по низкой нагрузке и CPU, и GPU, можно было сделать лучше. Перенес часть препроцессинга из
__getitem__ в __init__, избавился от pandas, выкинул лишние данные из памяти, что-то закэшировал, увеличил количество воркеров для датасетов, увеличил батчи - и GPU стала загружаться на ~95-98%, а обучение стало втрое быстрее. С такими скоростями уже можно быстро итерироваться.Основная модель весила больше гигабайта. Я посмотрел на граф и обнаружил, что больше половины весов - это жирная мультиязычная embedding матрица инпута. Пошел в Athena и добыл неразмеченный датасет вида
SELECT * FROM DATA WHERE THINGS ARE NOT LIKE FULL GARBAGE LIMIT OVERDOHOOYA, прогнал его через токенайзер, подтвердил гипотезу, что реально используется <50% токенов. Значит, можно переучить токенайзер и заменить эмбеддинг слой на значительно меньший, предварительно скопировав предобученные веса полезных токенов. Это уменьшает размер модели примерно до 60% от оригинального (правда, без заметного эффекта на скорости инференса). Потребление памяти важно для рантайма, ведь можно держать в памяти одного инстанса больше моделей, там как раз был боттлнек. Кстати, раз у нас есть большой неразмеченный датасет, это звучит как повод устроить pretraining. Адаптировал masked language pretraining пайплайн с huggingface 🤗, и оставил новую, уже уменьшенную модель учиться на недельку. И, наконец, заменил дефолтные веса в основном пайплайне на результат претрейна на этом неразмеченном датасете. Это не только улучшило точность (на разных тестовых датасетах от 10% до 20%) и вторичные метрики вроде калибровки, но и ускорило сходимость, т.е. можно безболезненно уменьшить количество эпох еще на треть.
Итого: за пару недель работы обучение ускорено, потребление памяти упало, точность выросла. Важно подчеркнуть, что ничего из перечисленного не содержало никаких сложных алгоритмов. Если ты не OpenAI, то просто нормально делай - нормально будет.
🔥46👍6❤2
На днях друг попросил помочь поторговаться за зарплату. Вот что получилось.
Дано:
* Оффер на Аналитика, 150к руб, большой Телеком.
* Оффер на ML инженера, 150к руб, небольшая техкомпания в мутной сфере, назовем ее Смолтех.
* Назревающий оффер на ML инженера в Бигтех, куда больше всего хочется.
Наблюдения:
* Никто не хочет идти работать в Телеком, но они довольно богатые , поэтому определенно готовы заплатить много денег, чтобы заманить специалиста.
* Смолтех работает в мутной и почти маргинальной сфере с огромной маржой. К ним скорее всего не выстраиваются очереди желающих. Они просто обязаны платить выше рынка, чтобы компенсировать риски мутности.
* В Бигтехе, напротив, люди готовы работать за еду и строчку в резюме.
Предложил такую стратегию:
1. Собираем свои причины торговаться. Определяем для себя зачем нам деньги. Например: надо переезжать, кризис, нужны вложения. Встаем в положение “у меня нет выбора, кроме как принять решение в пользу лучшего предложения”.
2. Относим оффер Смолтеха в Телеком и говорим: у Смолтеха интереснее работа, а деньги такие же, но я хочу к вам, потому что у них мутный сектор, и, если вы поднимете оффер, то это станет решающим.
3. Телеком скорее всего поднимет оффер примерно до 170к.
4. Берем новый оффер от Телекома и несем в Смолтех. Говорим: Телеком предлагает больше денег, и сектор не такой мутный, но у вас интереснее работа и в целом больше хочется к вам.
5. Они скорее всего поднимут еще выше.
6. При любых обновлениях офферов сразу скидываем их в Бигтех: апдейт по ситуации.
7. Когда офер в Бигтехе дозреет, он скорее всего будет выше обоих. Конечно же говорим, что больше всего хотим к ним.
8. Повторяем действия до тех пор, пока все не скажут “нет”.
Как все обернулось:
1. Телеком поднялся до 165к увидев оффер от Смолтеха.
2. Смолтех поднялся до 180к.
3. Бигтех поднялся до 187к после налогов, плюс все корпоративные бонусы, которые можно оценить еще в примерно 10к.
4. Телеком и Смолтех отказались поднимать выше.
В итоге подъем почти на 25%!
Дано:
* Оффер на Аналитика, 150к руб, большой Телеком.
* Оффер на ML инженера, 150к руб, небольшая техкомпания в мутной сфере, назовем ее Смолтех.
* Назревающий оффер на ML инженера в Бигтех, куда больше всего хочется.
Наблюдения:
* Никто не хочет идти работать в Телеком, но они довольно богатые , поэтому определенно готовы заплатить много денег, чтобы заманить специалиста.
* Смолтех работает в мутной и почти маргинальной сфере с огромной маржой. К ним скорее всего не выстраиваются очереди желающих. Они просто обязаны платить выше рынка, чтобы компенсировать риски мутности.
* В Бигтехе, напротив, люди готовы работать за еду и строчку в резюме.
Предложил такую стратегию:
1. Собираем свои причины торговаться. Определяем для себя зачем нам деньги. Например: надо переезжать, кризис, нужны вложения. Встаем в положение “у меня нет выбора, кроме как принять решение в пользу лучшего предложения”.
2. Относим оффер Смолтеха в Телеком и говорим: у Смолтеха интереснее работа, а деньги такие же, но я хочу к вам, потому что у них мутный сектор, и, если вы поднимете оффер, то это станет решающим.
3. Телеком скорее всего поднимет оффер примерно до 170к.
4. Берем новый оффер от Телекома и несем в Смолтех. Говорим: Телеком предлагает больше денег, и сектор не такой мутный, но у вас интереснее работа и в целом больше хочется к вам.
5. Они скорее всего поднимут еще выше.
6. При любых обновлениях офферов сразу скидываем их в Бигтех: апдейт по ситуации.
7. Когда офер в Бигтехе дозреет, он скорее всего будет выше обоих. Конечно же говорим, что больше всего хотим к ним.
8. Повторяем действия до тех пор, пока все не скажут “нет”.
Как все обернулось:
1. Телеком поднялся до 165к увидев оффер от Смолтеха.
2. Смолтех поднялся до 180к.
3. Бигтех поднялся до 187к после налогов, плюс все корпоративные бонусы, которые можно оценить еще в примерно 10к.
4. Телеком и Смолтех отказались поднимать выше.
В итоге подъем почти на 25%!
👍79🔥23😁8❤5👎2
Forwarded from Fless (Victor Rogulenko | fless.pro)
Побеседовал с Борисом Цейтлиным - ML Инженером, сумевшим в этом году пройти собесы и устроиться в стартап в Португалии.
При подготовке к интервью я так зачитался его телеграмом, что попросил перенести звонок на 2 часа. Там чего только нет - истории по переговорам, вертикальные фермы, театр импровизации, даже годные sci-fi рассказы на английском за авторством Бориса
А вот инсайты ближе к нашим баранам:
- Искать вакансии лучше на HackerNews, а не LinkedIn
- Отказывайтесь вежливо делать тестовые задания
- Подавайтесь много
- АНКИ карточки помогают ботать
- Prediction markets предвидели войну в Украине
Смотрите
https://youtu.be/_hh26ZIm1Fw
При подготовке к интервью я так зачитался его телеграмом, что попросил перенести звонок на 2 часа. Там чего только нет - истории по переговорам, вертикальные фермы, театр импровизации, даже годные sci-fi рассказы на английском за авторством Бориса
А вот инсайты ближе к нашим баранам:
- Искать вакансии лучше на HackerNews, а не LinkedIn
- Отказывайтесь вежливо делать тестовые задания
- Подавайтесь много
- АНКИ карточки помогают ботать
- Prediction markets предвидели войну в Украине
Смотрите
https://youtu.be/_hh26ZIm1Fw
YouTube
Boris Tseytlin, ML Engineer: Job Search, Interview Prep with ANKI, Prediction Markets
Consulting Careers Community: https://discord.gg/W5m5HVdSVm
Boris Tseytlin, an ex-Yandex ML Engineer (Computer Vision), shares insights from his successful job search in Europe:
- LinkedIn does not work, but HackerNews does
- Need to make 100+ applications…
Boris Tseytlin, an ex-Yandex ML Engineer (Computer Vision), shares insights from his successful job search in Europe:
- LinkedIn does not work, but HackerNews does
- Need to make 100+ applications…
🔥45👍5❤1🤔1
Обещанный первый в истории видео формат меня. Было очень круто, когда Витя позвал на интервью: это не была какая-то договоренность о репостах или запланироанная акция.
Внутри про поиск работы (опять и снова), учебу, рынки предсказаний и импровизационный театр.
Ловите таймкоды:
00:00 Intro
00:30 Boris's background, experience, and education
02:55 Job search: where and how
11:30 How to skip assessments
13:39 How to pass assessments
15:09 Interview failures: Cool stories
21:11 Takeaways from the interview process
23:13 How to negotiate job offers
35:02 Study tips: ANKI et al
40:59 Prediction markets: Crowds predicting catastrophic events
44:54 How to embrace predictions and change: Improv
53:53 Outro
Внутри про поиск работы (опять и снова), учебу, рынки предсказаний и импровизационный театр.
Ловите таймкоды:
00:00 Intro
00:30 Boris's background, experience, and education
02:55 Job search: where and how
11:30 How to skip assessments
13:39 How to pass assessments
15:09 Interview failures: Cool stories
21:11 Takeaways from the interview process
23:13 How to negotiate job offers
35:02 Study tips: ANKI et al
40:59 Prediction markets: Crowds predicting catastrophic events
44:54 How to embrace predictions and change: Improv
53:53 Outro
🔥26👍3
Проверка эффективности видеоконтента в этом канале
Anonymous Poll
14%
Я смотрел и мне понравилось
3%
Я смотрел и мне не понравилось
62%
Я не смотрел и мне понравилось
22%
Я не смотрел и мне не понравилось
😁24🐳8
Forwarded from Earth&Climate Tech
Машинное и статистическое обучение от профессора Техасского Унивесритета в Остине Майкла Перча (Michael Pyrcz)
Я когда-то писал, но не лишне напомнить еще раз. У Майкла огромный опыт в статистическом и машинном обучении и их применении в геонауках. Он как раз делает упор на статистику и машинное обучение в геопроцессах. Он выкладывает все свои лекции вместе с презентациями и примерами кода бесплатно на своем гитхабе. Там можно найти кучу хорошо задокументированных рабочих процессов в Питоне, включая практические упражнения и демонстрации всех его лекций, которыми он свободно делится на своем ютуб канале. Вот, например, все его лекции его курса по машинному обучению.
Если хотели "войти" в программирование, статистику и машинное обучение находясь в геоиндустрии - самое оно.
Дисклеймер: его лекции не включают Глубокое Обучение.
P.S. Длинноволосый рокер - Майкл, чувак с глупой улыбкой - я.
Я когда-то писал, но не лишне напомнить еще раз. У Майкла огромный опыт в статистическом и машинном обучении и их применении в геонауках. Он как раз делает упор на статистику и машинное обучение в геопроцессах. Он выкладывает все свои лекции вместе с презентациями и примерами кода бесплатно на своем гитхабе. Там можно найти кучу хорошо задокументированных рабочих процессов в Питоне, включая практические упражнения и демонстрации всех его лекций, которыми он свободно делится на своем ютуб канале. Вот, например, все его лекции его курса по машинному обучению.
Если хотели "войти" в программирование, статистику и машинное обучение находясь в геоиндустрии - самое оно.
Дисклеймер: его лекции не включают Глубокое Обучение.
P.S. Длинноволосый рокер - Майкл, чувак с глупой улыбкой - я.
👍20🔥6
# Новый год 2023 настает
В связи с новым годом хочется сказать вам спасибо. Мне приятно каждый раз, когда я вижу, что мои тексты вам интересны или полезны. За год канал сильно вырос и стал еще более прикольной частью моей жизни. Люди активно комментируют, пишут в личку свои мысли, иногда просят совета и даже несколько раз сами предлагали и брали платные консультации. Предложили собрать встречу подписчиков и она состоялась. Канал будто бы живёт своей жизнью и развивается сам.
Многие пришли сюда на серию постов про поиск работы. Но это не все! Вот подборка другого интересного контента за год:
• Письмо как маньячья супер-сила и не только - мой опыт журналирования.
• I wish I knew where I was going to die - Чарли Мангер про риски. Чрезвычайно пророческий пост.
• ГАЙД ПО ПРОКАЧКЕ ЛУЧШИЙ PVE БИЛД - как стоило бы проходить жизнь, если бы в ней был New Game+.
• Серия постов про рынки предсказаний
• И как эти рынки прогнозировали войну - лучше нас с вами.
• Enderal: Forgotten Stories - рецензия на мод для Skyrim, который сильно лучше Skyrim.
• Путь к рациональности - недописанная серия про формирование у меня рационального мышления. Самое личное за год.
• Экономическая судьба - почему все не так уж плохо даже если вы не родились гением.
• Ты больше, чем биохимический робот - дофамин это не все.
Самый популярный материал за год это конечно серия про поиск работы.
В связи с новым годом хочется сказать вам спасибо. Мне приятно каждый раз, когда я вижу, что мои тексты вам интересны или полезны. За год канал сильно вырос и стал еще более прикольной частью моей жизни. Люди активно комментируют, пишут в личку свои мысли, иногда просят совета и даже несколько раз сами предлагали и брали платные консультации. Предложили собрать встречу подписчиков и она состоялась. Канал будто бы живёт своей жизнью и развивается сам.
Многие пришли сюда на серию постов про поиск работы. Но это не все! Вот подборка другого интересного контента за год:
• Письмо как маньячья супер-сила и не только - мой опыт журналирования.
• I wish I knew where I was going to die - Чарли Мангер про риски. Чрезвычайно пророческий пост.
• ГАЙД ПО ПРОКАЧКЕ ЛУЧШИЙ PVE БИЛД - как стоило бы проходить жизнь, если бы в ней был New Game+.
• Серия постов про рынки предсказаний
• И как эти рынки прогнозировали войну - лучше нас с вами.
• Enderal: Forgotten Stories - рецензия на мод для Skyrim, который сильно лучше Skyrim.
• Путь к рациональности - недописанная серия про формирование у меня рационального мышления. Самое личное за год.
• Экономическая судьба - почему все не так уж плохо даже если вы не родились гением.
• Ты больше, чем биохимический робот - дофамин это не все.
Самый популярный материал за год это конечно серия про поиск работы.
🔥32👍3❤2
Прикольно: substack с переписками из tech компаний.
Productivity hack от Сергея Брина: не используй большие буквы, чтобы экономить в день по двух минут на нажатии shift!
https://www.techemails.com/p/sergey-brin-irate-call-from-steve-jobs
Productivity hack от Сергея Брина: не используй большие буквы, чтобы экономить в день по двух минут на нажатии shift!
https://www.techemails.com/p/sergey-brin-irate-call-from-steve-jobs
Techemails
Sergey Brin: "Irate call from Steve Jobs"
so i got a call from steve jobs today who was very agitated.
🔥2😁1
# Как поженить интересы сотрудника и стартапа
Читаю “Zero to one” Питера Тиля, известного венчурного капиталиста. Наглядно вижу конфликт интересов работодателя и работника. В этом случае конкретно про стартапы.
Стартапу важно, чтобы люди создавали будущую компанию. Поэтому им в первую очередь выгодно платить людям стоками, то есть долей в компании. Далее в иерархии идут бонусы. Последней, самой нежелательной для стартапа, идет зарплата зарплата, потому что кеш мотивирует делать как раньше делалось и сохранять текущий статус-кво.
Эта иерархия — полная инверсия приоритетов сотрудника, которую я описывал в постах про поиск работы. Для работника лучше всего зарплата, затем бонусы, затем стоки.
Стартапу выгодно скрывать от людей зарплаты и распределение долей в компании, потому что невозможно соблюсти справедливость. Например: секретарь, нанятный в начале становления Paypal, получил в 10 раз больше денег, чем нанятный позже критически важный инженер, благодаря тому. Секретарь пришел в начале и получил много стоков, потому что на раннем этапе компания вынуждена давать много стоков, чтобы компенсировать риски сотрудников. Инженер же пришел позже, получил сильно меньше стоков и больше денег. Работнику же выгодно знать компенсацию всех остальных, чтобы иметь более сильную переговорную позицию. Начиная с банального “почему Вася тупее меня, а платят ему в два раза больше”?
Стартапу выгодно, чтобы люди работали ради миссии и желания работать с другими людьми в компании. Питер Тиль даже говорит, что стартап должен быть близок к культу: люди должны быть “obsessed”, не замечать часов работы и едва ли не забивать на свои семьи. Работнику выгодно иметь жизнь за пределами офиса и строить свое будущее, а не будущее компании.
Выигрышный для обоих сторон исход возможен. Он возникает когда работник подходит стартапу, а стартап работнику. Это когда вы пообщались с компанией и понимаете, что компания делает важную для вас вещь. Вы уверены, что она не загнется, экспоненциально вырастет и совершит успешный экзит. И вам очень хочется работать с этими людьми годами, быть близкими с ними как с семьей. То есть вы нашли зародыш будущего Google, который еще и подходит лично вам, и готовы погрузиться в него с головой. Тогда вы берете в качестве зарплаты ровно столько, сколько нужно для выживания, и вагон стоков.
Пункт про то, что компания экспоненциально вырастет, самый важный. Если вы работаете просто за миссию, то вы не работаете, а волонтерствуете. Если вы работаете в стартапе, который делает что-то очень важное, но не имеет шансов на экспоненциальный рост и успех в текущей экономике, то вы все еще волонтерствуете, потому что денег вы не получите. Обычно говоря о работе в стартапах на первое место ставят миссию, но на самом деле на первом месте должен быть бизнес.
Если обычная работа это бизнес, где вы сдаете в аренду свой мозг, то работа в стартапе это другой бизнес. Называется “сам себе венчурный фонд”. Вы — венчурный фонд, с портфелем из одной компании. Вы инвестируете своим временем. Чтобы инвестиции окупились вам надо провести аналитическую работу фонда. Понять: может ли бизнес-модель стартапа работать на масштабе? Доведут ли фаундеры дело до конца? Достаточно ли большой рынок? Нужно ли делать этот стартап именно сейчас? Это невероятно сложно. Но хуже того, как правило этого никто не делает.
Я слышал о такой стратегии: с 20 до 30 лет работаем одним из первых сотрудников в разных стартапах seed стадии по два-три года. Получаем до пяти крупных ставок. Одна из пяти может выстрелить и окупить все остальные. Таким образом аналогия с фондом становится полной: еще и хеджируемся как настощий фонд. После 30 основываем свой используя набитые шишки.
Читаю “Zero to one” Питера Тиля, известного венчурного капиталиста. Наглядно вижу конфликт интересов работодателя и работника. В этом случае конкретно про стартапы.
Стартапу важно, чтобы люди создавали будущую компанию. Поэтому им в первую очередь выгодно платить людям стоками, то есть долей в компании. Далее в иерархии идут бонусы. Последней, самой нежелательной для стартапа, идет зарплата зарплата, потому что кеш мотивирует делать как раньше делалось и сохранять текущий статус-кво.
Эта иерархия — полная инверсия приоритетов сотрудника, которую я описывал в постах про поиск работы. Для работника лучше всего зарплата, затем бонусы, затем стоки.
Стартапу выгодно скрывать от людей зарплаты и распределение долей в компании, потому что невозможно соблюсти справедливость. Например: секретарь, нанятный в начале становления Paypal, получил в 10 раз больше денег, чем нанятный позже критически важный инженер, благодаря тому. Секретарь пришел в начале и получил много стоков, потому что на раннем этапе компания вынуждена давать много стоков, чтобы компенсировать риски сотрудников. Инженер же пришел позже, получил сильно меньше стоков и больше денег. Работнику же выгодно знать компенсацию всех остальных, чтобы иметь более сильную переговорную позицию. Начиная с банального “почему Вася тупее меня, а платят ему в два раза больше”?
Стартапу выгодно, чтобы люди работали ради миссии и желания работать с другими людьми в компании. Питер Тиль даже говорит, что стартап должен быть близок к культу: люди должны быть “obsessed”, не замечать часов работы и едва ли не забивать на свои семьи. Работнику выгодно иметь жизнь за пределами офиса и строить свое будущее, а не будущее компании.
Выигрышный для обоих сторон исход возможен. Он возникает когда работник подходит стартапу, а стартап работнику. Это когда вы пообщались с компанией и понимаете, что компания делает важную для вас вещь. Вы уверены, что она не загнется, экспоненциально вырастет и совершит успешный экзит. И вам очень хочется работать с этими людьми годами, быть близкими с ними как с семьей. То есть вы нашли зародыш будущего Google, который еще и подходит лично вам, и готовы погрузиться в него с головой. Тогда вы берете в качестве зарплаты ровно столько, сколько нужно для выживания, и вагон стоков.
Пункт про то, что компания экспоненциально вырастет, самый важный. Если вы работаете просто за миссию, то вы не работаете, а волонтерствуете. Если вы работаете в стартапе, который делает что-то очень важное, но не имеет шансов на экспоненциальный рост и успех в текущей экономике, то вы все еще волонтерствуете, потому что денег вы не получите. Обычно говоря о работе в стартапах на первое место ставят миссию, но на самом деле на первом месте должен быть бизнес.
Если обычная работа это бизнес, где вы сдаете в аренду свой мозг, то работа в стартапе это другой бизнес. Называется “сам себе венчурный фонд”. Вы — венчурный фонд, с портфелем из одной компании. Вы инвестируете своим временем. Чтобы инвестиции окупились вам надо провести аналитическую работу фонда. Понять: может ли бизнес-модель стартапа работать на масштабе? Доведут ли фаундеры дело до конца? Достаточно ли большой рынок? Нужно ли делать этот стартап именно сейчас? Это невероятно сложно. Но хуже того, как правило этого никто не делает.
Я слышал о такой стратегии: с 20 до 30 лет работаем одним из первых сотрудников в разных стартапах seed стадии по два-три года. Получаем до пяти крупных ставок. Одна из пяти может выстрелить и окупить все остальные. Таким образом аналогия с фондом становится полной: еще и хеджируемся как настощий фонд. После 30 основываем свой используя набитые шишки.
👍23🔥1