Data Secrets | Карьера

Новое исследование от Anthropic показывает, что разработчики, которые используют ИИ для изучения программирования, показывают худшие результаты на тестах. Исследователи набрали джунов, которые работали с Python как минимум год, но не работали с библиотекой Trio. Участников разделили на две группы: у одной был доступ к GPT-4o, а у второй группы была только документация. Затем все участники прошли тест на знание концепций. Как итог, группа с доступом к ИИ набрала на 17% меньше баллов, чем вторая. При этом использование ИИ почти не экономило время разработчиков.

Подборка открытых вакансий 🔵 Стажер Data Engineer в МТС Офис в Москве Middle Data Scientist в 2GIS Удаленно / Гибрид / Офис в Москве, Санкт-Петербурге, Новосибирске Аналитик данных в IVI Senior Data Scientist в Yadro Гибрид / Офис в Москве, Нижнем Новгороде AI Engineer в Just AI Удаленно / Гибрид / Офис в Санкт-Петербурге Data Analyst в Gravity Field Гибрид / Офис в Москве Senior Data Engineer в Яндекс Гибрид / Офис в Москве, Санкт-Петербурге Senior Data Analyst в Garage Eight Гибрид / Офис Middle Data Scientist в Мегафон Гибрид / Офис в Москве

Чтобы работать с BigData, нужно думать как BigData

Советы от рекрутера по составлению резюме Ключевой блок в описании вакансии — требования. Именно по ним фильтры будут искать совпадения и определять релевантность. Карьерные сайты вроде hhru ищут совпадения по ключевым словам. Это означает, что если в описании вакансии в требованиях указаны: SQL, ML, Python, а в вашем резюме нет упоминания этих скилов, то фильтр просто не найдет их. И это касается не только откликов, но и «холодного поиска», когда рекрутер сам ищет кандидатов по базе. Обычные фильтры не понимают контекст, они реагируют только на совпадение слов, поэтому используйте те названия инструментов, которые чаще всего встречаются в вакансиях: — Упомяните технологии прямо в тексте; — Используйте общепринятые термины; — Следите за структурой. Раздел «Опыт работы» — главный источник информации для рекрутера. Этот раздел чаще указывают в настройках поиска. Так что тщательно обдумайте, что написать в этом разделе. Но некоторые компании используют ИИ для поиска кандидатов. Например, используют особый промт:

Критерий: Опыт работы с SQL. Правила оценки: Ищи подтверждение опыта работы с SQL только в разделах «Опыт работы», «Навыки», «Дополнительное образование» или «Сертификаты». Подтверждением считается явное указание на работу с SQL в описании обязанностей, задач, достижений, навыков, пройденных курсов или сертификатов. Если найдено явное подтверждение опыта работы с SQL в одном из указанных разделов, выставь 1 балл. Если подтверждение отсутствует или информация указана неявно, либо не позволяет однозначно сделать вывод о наличии опыта, выставь 0 баллов. Формат ответа: Опыт работы с БД: [найдено/не найдено] — [+1/0 баллов]; Обоснование: [раздел резюме и пояснение].

То есть, если ИИ не нашел подтвержденный опыт использования навыка, он ставит 0 баллов и объясняет почему поставил столько баллов. Отличие от фильтра в том, что если в разделе «Опыт работы» нет ни одного упоминания Python или SQL, даже при наличии этих слов в списке «Навыки», резюме получит ноль баллов. Для ИИ важно, чтобы навык был применен в контексте: в каком проекте использовался, какие задачи решались, какие инструменты применялись. После автоматической проверки наступает главный этап - проверка резюме человеком. Все мы знаем, что некоторые хитрые соискатели указывают скрытые промты, чтоб поднять свое резюме в поиске, поэтому рекрутеры проверяют резюме в ручном режиме. Здесь уже HR самостоятельно принимает решение о том, рассматривать ли вашу кандидатуру дальше. Типичные ошибки при составлении резюме:

⭐️Пустой раздел «Опыт работы» Часто начинающие специалисты оставляют этот блок пустым, считая, что без коммерческого опыта писать нечего. Но именно этот раздел — главный источник данных для ИИ и рекрутера. Добавляйте учебные или pet-проекты: указывайте, что они некоммерческие, но опишите задачи, технологии и роль. ⭐️Нет ключевых слов в вакансии Рекрутер и ИИ ищут не абстрактные формулировки, а конкретные технологии из описания вакансии. Если они не встречаются в резюме, оно не попадет в выборку. ⭐️Ссылка или QR-код вместо анкеты Некоторые кандидаты делают красивое резюме и прикладывают ссылку, не заполняя профиль на сайте. Но фильтры/ИИ не переходят по внешним адресам — они работают только с текстом внутри карьерного сайта. ⭐️Проектный опыт в разделе «Обо мне» Иногда кандидаты подробно описывают проекты, но не там, где нужно. ИИ/фильтры оценивают прежде всего раздел «Опыт работы». ⭐️Нет структуры Сплошной текст без подзаголовков и пунктов сложно читать. Фильтры найдут нужные слова и без форматирования, но ИИ и рекрутеру важно видеть контекст — где описаны задачи, а где технологии. Разделите опыт на структурированные блоки: Обязанности, Достижения, Стек. Используйте заголовки, короткие предложения и списки — это упрощает восприятие и повышает рейтинг резюме. ⭐️Лишние подробности Описание проекта нужно, но только со стороны вашей роли. Кратко обозначьте, что за продукт и для кого, — этого достаточно, чтобы дать контекст. Оптимально — одно предложение о проекте и три-четыре предложения о собственном вкладе.

Analyst / Удаленно Предстоит: Работа с данными: найти, проверить на ошибки, правильно обработать; Анализ логов, мониторинг корректности прода; Помощь в точечных исследовательских задачах; Разработка вспомогательных инструментов на python.… Узнать подробнее 🔵

Разбор вопроса с интервью на позицию Research Scientist в Meta Наткнулись на разбор вопроса с собеседования в Meta, сам вопрос: "Как бы вы реализовали speculative decoding для ускорения инференса? В чём фундаментальный компромисс?" Типичный ответ: "Я буду использовать меньшую модель, чтобы предсказывать токены вперёд". Такой ответ может показаться рекрутеру поверхностным, ведь он упускает важные детали. Не говорите: «маленькая модель предсказывает, большая проверяет» или «это параллельная генерация токенов». Суть в другом: проблема speculative decoding — резкое падение эффективности при низком acceptance rate. Speculative decoding работает только если вспомогательная модель удерживает acceptance rate выше ~60%. Ниже этого уровня вы будете медленнее, чем при обычном инференсе. Почему наивная реализация не работает: 1️⃣ Малая вспомогательная модель генерирует K токенов, большая проверяет их, и если все приняты, ожидаем ускорение в K раз. 2️⃣На практике вероятность принять весь префикс токенов быстро падает с ростом K: - Токены 1–2: 80% принятия - Токены 3–4: 50% принятия - Токены 5+: 20% принятия Ожидаемое ускорение = (K × acceptance_rate) − издержки на проверку. Примеры: - K = 5, acceptance_rate = 40% → ускорение ≈ 2× - K = 10, acceptance_rate = 15% → ускорение ≈ 0.5× (медленнее базового варианта) Даже одно отклонение может сломать предсказанный префикс, то придётся начинать заново. Невидимые проблемы: - Вспомогательная модель обучена на другом распределении данных. - Целевая модель обновилась, вспомогательная устарела. - Acceptance rate падает с 65% до 35% за ночь — «оптимизация» начинает тормозить. Плохой подход: - Любая маленькая модель - Фиксированные K = 10 - Молимся на лучшее - Acceptance rate = 20% → медленнее базового инференса Хороший подход: - Вспомогательная модель дистиллирована из целевой модели (одно распределение). - Адаптивное K: прекращаем генерацию, когда падает уверенность (по энтропии logits или margin). - Целевой acceptance rate >70%. - Проверка нескольких веток предсказанного префикса (деревовидная верификация). - Результат: стабильное ускорение 2–3× Вывод: ключевое — совпадение распределений моделей, а не размер вспомогательной модели.

Подборка открытых вакансий 🔵 Стажер Data Engineer в Сбер До 80.000₽ Офис в Москве Junior/Middle Математик в Wildberries Удаленно / Гибрид / Офис Middle Data Scientist в X5 Tech Middlle/Senior Data Analyst в Ozon Гибрид / Офис в Москве Middle/Senior Data Scientist в Beeline Удаленно Senior Data Engineer в 2GIS Удаленно

Хочешь увидеть, как из обычной LLM рождается настоящий AI-агент? 30 января в 19:00 (мск) проводим открытый воркшоп «Построй AI-агента за 60 минут: от простой LLM к reasoning-системе». За один вечер пройдем путь от базовой языковой модели до умного агента, способного рассуждать, планировать и использовать инструменты. И поймем, как заставить LLM не просто генерировать текст, а целенаправленно решать задачи. Воркшоп проходит в рамках запуска курса «LLM-инженер» — программы, где ML-инженеры и разработчики учатся создавать и внедрять промышленные AI-системы на основе LLM, работать с RAG, агентами, LangChain, LangGraph и инфраструктурой продакшена. На воркшопе ты: ➡️превратишь обычный чат-бот в мыслящего агента, который планирует действия и использует внешние инструменты; ➡️научишь LLM искать информацию в интернете и данных, чтобы давать актуальные ответы; ➡️заставишь модель разбивать задачу на шаги, рассуждать и принимать решения, как это делают современные AI-системы; ➡️создашь основу для своего первого AI-агента — готовый код, который можно развивать дальше в любом направлении. ▪️Спикер — Кристина Желтова, директор по разработке моделей, Газпромбанк. ▪️Подготовь ноут — все делаем руками. ▪️Участие бесплатное, места ограничены. Если давно хотелось перейти от «пощупал модель» к «понимаю, как это устроено» — самое время. Регистрируйся и забирай место

Ведомости: спрос на AI-специалистов растет Спрос на специалистов за год вырос примерно в два раза. Количество вакансий ML-инженеров увеличилось со 135 в 2024 г. до 396 в 2025 г. Для AI-инженеров со 164 до 290. Даже спрос на промпт-инженеров увеличился со 129 до 277. Средний диапазон зарплат для ML-инженеров варьируется с 184.000 до 345.000 рублей, для AI-инженеров медианная зарплата составляет 220.000, а вот промт-инженеры в среднем получает 100.000 рублей.