Безумные зарплаты в Data Sсince, а есть ли они?

[@kseniiaterekhova1098]

Имея относительно долгий опыт в разработке, могу сказать, что "просто программисты" сталкиваются со всеми теми же проблемами. И заваливание дурацкой работой на начальных этапах (желательно 24/7, чтобы реальные пацанчики могли от интересных челенджей не отвлекаться), и осложненный доступ к "высоким технологиям" (к которым приходится пробиваться самостоятельно), и необходимость учить постоянно обновляющиеся инструменты, и новые фреймворки/либы/методологии на каждом новом проекте, и необходимость business mindset и прочих soft skills с определенного этапа. И самое плохое, что да, языки и платформы отмирают, и список ушедших в прошлое значительно шире, чем один флэш. Возможно, это один из ответов на вопрос "а где ты был раньше?". DS, как минимум, явно is here to stay, и наличие вакансий с невысокими зарплатами - один из показателей того, что работодатели готовы вкладываться в обучение специалистов начального уровня. Развенчивать иллюзии, на которых пытаются заработать нечистые на руку создатели хайповых курсов - нужно, но не за счет создания иллюзий, что где-то рядом всё проще, стабильнее и с более высокой зарплатой.

[@dazzling_R136a1]

Хороший пост. Да и к тому же, а если человеку просто нравится то или иное направление. При чем тут зарплаты? Они единственные на удовлетворение от работы играют что ли?

[@user-cv-ai]

Сам в данной области более 15 лет (CV, AI, статистки и разработка). Года два-три назад примеро начался тренд на данную тему и все ринулись за "золотыми горами и фантазиями". Было много примеров от моих коллег когда амбиции перевешивали компетенции и в итоге наступало большое разочарование. Причина: узкая дальновидность и отсутствие понимание предмета ("вся сложность в мелочах"). Спасибо за видео., в нем есть то, что всегда стараюсь доносить до людей встающих на данный путь самореализации и собственного развития в текущем профессиональном направление.

[@АлексейКолегаев-у8и]

Спасибо, очень ценное видео. Рекламных роликов хватает, а вот неторопливый разбор ситуации нашёл лишь у вас. Насколько я понимаю, вы сами, скорее всего, углублялись в эту тему, поэтому рассказ столь обстоятельный.

[@vswuk-p2v]

Углублялись )

[@Александр-л8з3э]

3:00 "... и ваша зарплата будет расти линейно". К сожалению такого не будет. Нет зависимости зарплаты программиста от его квалификации. В разных компаниях ЗП может отличатся в разы у людей, занимающихся одной и той же работой.

[@vrabosh]

Да надо заниматься тем, что нравиться, от чего тащишься.

[@tandavme]

Самое главное что в DS задачи интересные. Ну не прям всегда но почти. То есть можешь весь день кодить и оно не надоедает, каждый день открываешь какие-то алгоритмы / фишки /статьи и не просто по фану - а оно реально нужно для практических задач. А когда вспоминаю времена когда пилил фронтенды на реакте и crud-ы на джаве / json-мешалки всякий plumbing - сразу такая пичалько накрывает - это такая скукота.Там тоже куча своих сложностей - но оно все такое слишком "приземленное". Прям ощущаешь себя винтиком-роботом) Это все должно уже быть заменено роботами (скоро, ждем когда GPT-3 уже по настоящему выкатят 😀)

[@AntonMaltsev]

Нуу... Очень часто в DS творческая работа - первые пару месяцев по задаче - а потом начинается такая же тянучка и муть. Обойти все корнеркейсы, настроить автоматическое переобучение/контроль моделей, портировать на какие-то вычислители, и.т.д. Хотя, если фирма большая - то этим часто датаинженеры занимаются. Но сколько таких фирм на Россию:)

[@peachok3564]

Задач в ДС прям сильно меньше чем в коммерческой разработке и чем дальше, тем больше из них обзаводятся коробочными решением, не? Ах да и почему вы думаете, что нейросети могут заменить программистов, но не могут заменить дата сайтистов?

[@Poliwater]

Все видео на телеграмм сворачивался, лайк за интерактив

[@altastagione]

Как раз думаю куда всё-таки пойти data science или software engineer. одновременно изучать и то и то просто невозможно, надо определяться

[@24wowlive]

Ну честн сказать за 3 работы которые я сменил везде были люди которые тоже позиционирование себя как мл спецы (как и я), но замечал как плохой уровень кругозора (не читали статьи и не копали) так и низкий уровень понимания что вообще происходит внутри моделек и как там все правильно интерпретировать. С автором видео согласен, но лишь от части, то что вакансии за 100-120 закрываются, на них процентов 70 людей “ну так" по качеству экспертизы, для самых упорных как по мне потолка нет, разве что тут ещё надо себя продать и постоянно рассказывать как твоя работа нужна и что такого нового ты там на исследовал, что не свойственно многим людям it имеющим замкнутый психотип и некую зажаьость.

[@AntonMaltsev]

Не-не. Что потолка нет - я согласен. Просто по условиям России выйти за 300к сможет не более 5% тех кто серьёзно решит изучать какие-нибудь курсы и погружаться в специальность. А за 500к - не более 1%. И чтобы туда выйти, а тем более дальше - надо развивать в себе какие-то уникальные навыки, которые помогают что-то делать сильно лучше чем все остальные. И это только самообразование, самокопание и анализ происходящего. В отличие от специалистов по c++/Java и прочих языков. Где дорога хоть и сложная, но весьма детерминированная.

[@24wowlive]

@@AntonMaltsev Ну весомый плюс дс, если есть навыки рассказа, это ты можешь всегда рассказать что то супер интересное, все же если ты просто программируешь, то к сожалению таких интересных рассказов для любой аудитории сложно придумать как по мне. :)

[@24wowlive]

@@AntonMaltsev Насчёт изучения всего заного это как по мне не совсем так. Просто надо всегда следить за статьями и в нужный момент начинать трогать технологию. А так всем кто в дс рекомендую потихоньку уходить все больше и больше в деплой - различные оптимизации, квантизаций прунинги и тп. Замечаю что всегда с этим большие траблы. Думаю это те скилы с которых вообще надо начинать, если хочешь побыстрее попасть на хорошую зп

[@kalkalichklitarchuk]

@@AntonMaltsev все зависит от того какого уровня DS, специалист. У нас есть хороший друг семьи, который закончил мат стат, работает DSером на предприятиях. Оптимизирует сборки, конвейры и тд. И на удивление у него зарплата не 300к, а 3 млн в месяц. Но и каждая решенная задача у него выглядит как научная работа :)

[@ЯрославПятницкий-к5с]

смотрел на скорости 1,25. Спасибо за предостережение насчет тяжелого будущего датасаентиста. А какая у вас зарплата, если не секрет? и какая должна быть зарплата у джуниоров, мидлов и сениоров в DS по вашему мнению?

[@AntonMaltsev]

Зарплаты очень зависят от места/фирмы/адекватности. Я бы сказал что аналоги джунов могут в фирмах на территории России до 150 зарабатывать (снизу я бы тут не ограничивал). Мидлы 130-250, Сениоры - с 200 до 500, тимлиды до 700 (тут и для синьеров я бы скорее учитывал полную зарплату, с акциями и бонусами). Но если выгодно устроиться работать на заграничную компанию (опция открывается скорее с уверенного мидла), то там можно +100-150 к тому что выше писал. При этом: 1) я намеряно оставлял большую вилку. Большинство получает зарплату близкую к середине вилки, многие в нижней половине, верхняя половина скорее редка и надо попадать хорошо в стек места куда идешь (например детекция, GAN, и.т.д.) Без этого попадания максимум не предлагают. А это очень ограничивает выбор мест работы. 2) за последние полтора года (с момента видео) - зарплаты подросли. Возможно тенденция продолжиться У меня получается что-то в районе хорошего сеньера/нормального тимлида. Но из-за проектного характера разработки - все очень нерегулярно/нестабильно и с выбросами большими. Плюс периодически реинвестируем в стартап/какие-то штуки которыми занимаюсь (железки и.т.д.).

[@boltering6803]

@@AntonMaltsev Сейчас ваша позиция та же? Новичкам лучше идти в разработку? У меня нормальные вузовские знания и понимание математики (звезд с неба не хватаю), умею в питон, научные либы, уже знаю основы статистики, машоба. Data Science мне намного интереснее, чем разработка (по крайней мере с позиции учащегося), но довольно часто встречаю мнения схожие с вашим и после этого появляется желание бросить и просто пойти учить в тупую джанго или фласк, а может даже Джаву.

[@AntonMaltsev]

@@boltering6803 глобально да. Пока нет сформированного рынка. Каждый пилит много разного => мало экспертов. Вероянтность найти эксперта именно в свою область мала.

[@ПавелЛюбимов-щ6е]

Спасибо, нужное видео..

[@vrabosh]

Можешь сделать видео, какие ты можешь порекомендовать книги для изучения ИИ вцелом и по категориях..

[@AntonMaltsev]

Боюсь что тут порекомендовать ничего не смогу. Когда яврубался в тему ComputerVision - литература была другая. Про классические алгоритмы обработки. А после этого я рос за счёт того что читал новые статьи/смотрел новые работы/как что сделано. Понятно, что это сильно неоптимальный путь сейчас. В целом есть много таких подборок, из адекватных, как мне кажется (знаю авторов), можно это посмотреть - spark-in.me/post/learn-data-science

[@vrabosh]

@@AntonMaltsev хотелось бы от человека который соображает в этой теме как практик.. хотябы в стиле, пройтись тебе по книжным магазинам, вкранце полистать книги и порекомендовать какие стоит читать. Такие видео набирают хороший охват и полезные...

[@АлексейСвищев-н7к]

Знания в data science ценят. Но они очень быстро протухают (фреймворки, архитектуры, подходы, сто миллионов фишек и приемов, которые почему-то работают на этой задаче). Быстрее, чем в любой другой области IT. Программистом - намного более надежный вариант. Может так получиться, что работаешь на проектом пару лет, все хорошо, вроде бы ты на острие, а потом оказывается, что ты уже устарел безнадежно во всех других областях. Большие деньги в data science платить нужно. Это плата за риск остаться с неактуальными знаниями после проекта. Нужна просто чудовищная любознательность и очень хорошая база, чтобы длительное время оставаться в этой области. И чем дальше, тем жестче. При этом парадокс - порог вхождения в область постоянно снижается.

[@АлексейСвищев-н7к]

@@walkrunman а можно поинтересоваться, где сейчас линейная регрессия или бустинг применяется? И вообще, какой смысл в специалисте по бустингу и линейной регрессии? В моей области (синтез речи) за последние 3 года сменилось несколько поколений моделей и архитектур. Аналогично в NLP области (второй специализации). Какие 5 знаков и конкурсы? Вы реальные задачи сложные решали? Как только кажется, что задача решена, появляется еще 10 новых направлений в ней, который сводят к нулю достигнутый успех. ML (и DL) это часть направления ИИ. Задачи стоят дичайшие и их количество только растет.

[@АлексейСвищев-н7к]

@@walkrunman согласен на 100% и не вижу смысла в человеке, который умеет только git clone делать или model.fit model.predict В моей команде ребята архитектуры разрабатывают или модифицируют под задачи. Много работы по оптимизации производительности. Много работы с байесовскими сетями, вариационными автокодировщиками, инверсными авторегрессионными потоками. Половины этих методов в поле зрения исследователей еще не было года назад. А что будет через два года, мало кто может сказать. В CV насколько я знаю, идет большая работа по антиспуфингу. Про линейную регрессию спрашивать человека на собезе даже думать никто не станет.

[@АлексейСвищев-н7к]

@@walkrunman в CV вроде бы как прорыв этим летом с визуальными эмбеддингами произошел. Скачок большой в топ 1 на Imagenet. Там постоянно что-то новое происходит. Коллеги из CV подразделения научно исследовательского департамента зашиваются. Объем новых значимых научных работ, которые можно и нужно внедрять не по плечу десятку исследователей.

[@АлексейСвищев-н7к]

@@walkrunman там не только читать надо, но и разбираться, а потом имплементировать в своей системе (если это помогает что-то улучшить или решить проблему). Нужно это для того, чтобы сохранять технологическое лидерство в своей области. Читать все невозможно, но топовые работы нужно. К тому же есть свои наработки. Публиковаться тоже надо. Есть много не типовых задач под которые архитектуру надо проектировать.

[@АлексейСвищев-н7к]

@@walkrunman в смысле где? Ребята из нашего научно исследовательского департамента уже лет 8 в топе мировом по ряду направлений (голосовая биометрия, антиспуфинг, распознавание речи). Технологии применяются много где. Из последних мест, куда внедряли - протоколирование судебных заседаний, голосовое заполнение медицинских протоколов. Все это внедрено или постепенно внедряется. И это только несколько узких направлений. А дальше будет больше. Сфера все больше в индастриал сваливается (терабайтные датасеты и целые датацентры для обучения и эксплуатации моделей). По технологиям все только усложняется. Порог снижается, т.к. "старые рабочие методы" применяются и внедряются одной кнопкой. Но новые методы все сложнее и разнообразнее, т.к. денег и людей в сфере становится больше, а задачи сложнее. В то же NLP уже мало классифицировать тексты и сущности размечать. Одна только GPT-3 чего стоит (пик индастриал технологий ИИ текущий). GPT-4 скорее всего бдует графовой сетью на графовых базах знаний. Вы про такой стек что-нибудь слышали? Был он в курсах по DL (топовых) хотя бы год назад? А уже во всю прощупывается область.

[@dazzling_R136a1]

Автор, судя по инфе о тебе: а в чем проблема тебе обучиться на обычного программиста и грести бабки лопатой как ты говоришь?

[@tandavme]

Надо было в ODS._jobs вакансии чекать) 😀

[@3100500]

С языка снял.

[@ch-un7ys]

стоит ли уходить из Embedded(fpga) совсем или лучше уйти в Embedded на уровень выше?

[@AntonMaltsev]

Мне кажется что всегда лучше знать две темы на 80%, чем одну на 100%. Это повышает понимание окружения и стоимость как специалиста. По крайней мере сильно интереснее задачи могут встречаться. Но, наверное, это личное решение для каждого.

[@ВладимирЯворский-г9н]

судя по сорту вагонки на стенах, автор за ЗП не гонится )))

[@alexeynepochatov9169]

Стиль повествования просто удручающий, слушать невыносимо

[@geghamdanghyan1114]

как жу скучно и монотонно

[@CantPickTheNameIwant]

зри в корень - там по существу