Модель для сборки
2.51K subscribers
123 photos
3 videos
2 files
108 links
Not an MLEngineer anymore

Хочется что-то спросить? Тебе сюда: @yk4r2
Download Telegram
#future_plans
#longread

Сидел тут, значится, и вдруг понял: наверняка я что-то делаю не так, жизнь катится под откос, а вдобавок ещё и пофантазировать захотелось. Стена текста сама собой накаталась, не обессудьте.

Давайте по пунктам.

1. Как алчный и жадный дядя, я ставлю себе "великие" цели. Как мне кажется, цель должна быть такой, чтобы по достижению можно было сказать своему отражению: "Ну какой же я молодец...". Такой целью пока видится зарабатывать неприлично много, а точнее около 240к долларов в год, да желательно чистыми. Накопленной с этой зарплаты суммы, на мой взгляд, достаточно, чтобы обеспечить себе за 5 лет нечто вроде относительно безбедного существования, если внести её куда-нибудь и забирать около 3500 долларов в месяц. При этом желательно не скатиться в деланье_унылого_говна и одинаковые, неинтересные таски. Американская мечта, ёпвашумать.

2. Очевидны пути достижения такого запредельного для РФ уровня заработка. А ещё понятно, что не все из них опосредованно коррелируют с тем, что я делаю. Я пытаюсь расти сразу в трёх направлениях: что-то связанное с машинным обучением, что-то связанное с научной работой и что-то связанное с управлением людьми.
Кратко по каждому пункту:

⁃ Машинное обучение: эксклюзивность. Если продолжить идти чисто по этому пути, я должен стать эксклюзивным спецом. Сделать это, вероятно, возможно, задрочив горы матана и сделав пару-тройку прогремевших на весь мир опенсорсных разработок, которые потом принесут мне много_деняк. Ещё вариант пойти в FAANG и жить припеваючи, что в целом видится мне вполне реалистичным вариантом, только для него я пока ничего не делаю.
Плюсы подхода:
Мне пока это всё нравится и нравится в этом вариться,
Вокруг по мере селф-апгрейда будут всё большие нерды, а такая среда мне комфортна,
Можно считерить через большие корпорации.
Минусы:
Явный потолок, после которого надо быть даже большим задротом, чем я есть сейчас или идти в FAANG,
Есть немаленькая вероятность того, что в какой-то момент мне это всё осточертеет настолько, что я положу огромный болт,
Time-consuming,
Пока что мне влом готовиться основательно к FAANGу, выделив на это около полугода, задрочив leetcode и Kaggle.

⁃ Научная работа: основная загвоздка в том, что никто из европейских учёных столько не зарабатывает. Таски там бывают и посложней, чем в бизнесе, а гешефт получается не в зелёных американских единицах, а в ментально-коммунистических. Если вдруг я и решу избрать этот путь, то путь разве что в американские ВУЗы и помогать стартаперам с патентами и инвестициями. Только вот стоят американские ВУЗы непомерно много.
Плюсы подхода:
Кажется, что это довольно интересная штука.
Минусы подхода:
Придётся ОЧЕНЬ ебаться с поступлением в топовый соединительный ВУЗ Америки или ебаться поменьше с поступлением в топовый европейский институт,
Придётся накопить немаленький стартовый капитал для ВУЗа, для чего нужно будет стать небольшим, но всё же джедаем ML и управления людьми.

⁃ Управление людьми: подход приколен тем, что в сочетании с ML даёт довольно неплохой выхлоп, но, судя по всему, без сочетания с ML, но с большей ответственностью, даёт выхлоп ещё больше, поэтому можно идти либо через задротство в машинке, либо отдельно от него. Кроме того, этот скилл призван помочь в двух других подходах, а ещё у меня есть прикольный бонус в виде отца, который может помочь на первых порах освоения. Правда в том, что освоить в итоге всё равно придётся, поэтому хочется начать осваивать как можно раньше.
Плюсы:
В целом мне нравится этот подход,
Есть у кого поучиться на первых порах,
В итоге всё равно придётся освоить.
Минусы:
Придётся сильно пересмотреть систему поведения и общения с людьми,
Сложно попасть на руководящую должность,
Сложно померять твою степень крутости, дабы правильно оценить себя на рынке.
#longread

Удивительная статья 2008 года об эксперименте, в котором людям показывали 2500 изображений, ждали 5 с половиной часов и тестировали на картинках, которые отличаются в общем-то только деталями. В статье есть примеры тестовых изображений и того, насколько малы различия.
В итоге испытуемые вспомнили изображения с точностью около 90%.