Трудоустройства в Microsoft: история одного ML. Спойлер – рекрутеры вели себя не очень вежливо

Наткнулись на историю одного инженера, который пытался устроиться в компанию, но все вышло не так гладко, как хотелось бы:

Инженеру пришлось связаться практически с каждой командой, которая набирала сотрудников и лично отправить своё резюме.

"Наконец, после двухнедельной эпопеи, я волшебным образом получаю звонок о том, что Microsoft хочет устроит собеседование на должность "Principal Machine Learning Engineer", в то время как я, имея более 9 лет опыта, в основном подаюсь на позиции Senior Software Engineer в области Data и Backend."

Тестирование
🟦 По словам инженера, он внезапно получает письмо со ссылкой на онлайн-тест, где дается 90-120 минут. Было настолько сложно, что приходилось искать ответ в интернете. Как итог, кандидат написал ответ на языке, на котором никогда не работал, но его все равно взяли дальше.

Структуры данных и алгоритмы
🟦 Рекрутер назначает первый раунд, заявляя, что это будет решение задач по структурам данных и алгоритмам. Среди вопросов:
Отсортировать список кортежей по значению, а затем по ключу.
Использовать два указателя, чтобы найти, равняется ли сумма двух элементов в массиве целевому значению + некоторые вариации этого же вопроса.

Системный дизайн
🟦 Рекрутер попросил спроектировать что-то вроде Google Drive. Здесь кандидат упоминал о функциональных и нефункциональных требованиях, приблизительных расчётах, предположениях, но всё, что хотел услышать интервьюер, — это разбиение большого файла на части (чанки) и хранение этих чанков в блочном сервере с метаданными.

На следующем этапе интервьюер попросил интегрировать AutoML, приэтом все допущения, функции — были на усмотрение кандидата. В общем, полная свобода действий.

Финальный раунд
🟦 Тут начинается веселье. Через час после раунда с AutoML кандидат получил звонок от рекрутер с вопросом "как прошли его собеседования". Затем были заданы еще пару вопросов:
"Как вы отлаживаете ошибки/утечки памяти?". И на любой ответ кандидата рекрутер говорил: "Это скучно, неинтересно". Напомним, что инженер устраивался в Microsoft.

После этого, рекрутер захотел, чтобы инженер спроектировал что-то вроде Elasticsearch. После предложенного решения кандидат получил ответ "Если честно, мне не нравится эта идея..."

2 недели спустя кандидат все ждал решения от компании, но только через несколько попыток связаться с HR, те все же ответили и сказали, что инженер не подходит даже на должности чуть пониже 😐

Подборка открытых вакансий 🔵

Middle+ Data Scientist в Сбер
Гибрид / Офис в Москве

Senior VLM Engineer в Wildberries
Удаленно / Гибрид / Офис в Москве

Middle Data analyst в X5 Tech

Senior/middle ML researcher в VK Team
Гибрид / Офис в Москве

Middle/Senior Data Scientist в Точка
До 500.000₽
Удаленно

Data Engineer в Ozon

Middle Data Scientist в Яндекс
Офис в Москве, Санкт-Петербурге

Интервью с инженером-роботехником Amazon

❓Как выглядит ваш рабочий день?
По словам ведущего инженера, когда она только пришла в команду, её задачей было изучить системы управления: она проводила испытания «на полу» и внедряла быстрые решения для самых острых проблем. В условиях лёгкого хаоса приходилось собирать прототипы из разрозненных библиотек и прикручивать ноутбуки к задней части роботов. Такой хаос был характерен для начала работы.

Сейчас у инженера больше времени на проектирование, определение будущего направления развития и техническое наставничество для других членов команды.

❓Какой совет вы бы дали тем, кто только начинает свой путь в роботехнике?
Для начинающий специлистов инженер посоветовала документировать свою работу: это помогает убедиться, что вы с командой на одной волне и это создает "бумажный след", который будет полезен для продвижения по карьерной лестнице.

Как готовят AI-специалистов в разных странах

J’son & Partners Consulting сравнила национальные программы подготовки ИИ-специалистов по трем странам: США, Китай и Россия и показала, как по-разному выстроены роли государства, бизнеса и университетов в процессе формирования будущих специалистов.

➡️ Подготовка ИИ-кадров в России строится по BigTech-центричной модели. То есть ключевая роль отводится бизнесу в кооперации с университетами, а государство выступает посредником. Сильные стороны такого подхода– доступность образования и мощная фундаментальная, прежде всего математическая база. Но есть и свой минус, как слабая вовлеченность вузов в НИОКР для коммерческого сектора, что сдерживает развитие академических ИИ-кадров.

➡️ В центре системы США находятся университеты с высокой автономией, а взаимодействие с бизнесом идет через исследовательские проекты с активным участием студентов. Подобная модель подготовки ориентирована на глобальный рынок талантов: компании привлекают специалистов со всего мира. При этом дефицит кадров связан не с количеством выпускников, а с несоответствием их компетенций текущим запросам рынка.

➡️ Китай. Подготовка ИИ-специалистов основана на ведущей роли государства, которое задает приоритеты и единые стандарты на всех уровнях образования. Сильной стороной является масштаб и развитие междисциплинарных программ (ИИ + медицина, биология, робототехника). Самым большим риском в такой модели является избыточная стандартизация, ограничивающая подготовку уникальных специалистов.

Middle ML Engineer в ЦИАН
Офис / Гибрид в Москве

Предстоит: Решение задач прогноза охвата, кликов; Построение модели CTR для новой линейки performance VAS компании, моделей оценки, модели мэтчинга объявлений; Взаимодействие с бизнес заказчиками и смежными командами… Узнать подробнее 🔵

Сэм Альтман пересматривает найм сотрудников

На недавнем интервью Альтман рассказал, что планирует пересмотреть темпы найма новых сотрудников:

«Мы планируем резко замедлить скорость, с которой мы растем, потому что думаем, что сможем сделать гораздо больше с меньшим количеством людей», - сказал Альтман в ответ участнику, который спросил, изменил ли ИИ процесс собеседования OpenAI с потенциальными кандидатами.

Глава OpenAi рассказал, что перестал агрессивно нанимать сотрудников, и надеется, что другие компании поступят также.

Слова, конечно, интересные, но стоит учесть, что все это сказано на фоне того, что у OpenAi заканчивается финансирование. Может Сэми просто не хочет, чтоб у него забирали хороших сотрудников, которым уже не предложишь зп побольше? 🥰

AI архитектор в Raft Digital Solutions
Удаленно (Вне РФ/РБ)

Предстоит: Пресейлы с потенциальными клиентами; Подготовка эстимейтов и пропоузалов на скоуп работ; Прохождение клиентских интервью для старта проектов; Ведение технической части в проектах: помощь разработчикам в построении изначального решения… Узнать подробнее 🔵

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

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.

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 🔵

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.

Джуны, простите, но для вас плохие новости 😢

В России замечено усиление конкуренции среди начинающих IT-специалистов.

Тут стоит сказать, что ситуация на рынке двоякая: число вакансий во всем сегменте сократилось (что собственно и привело к росту конкуренции), но при этом компании отмечают нехватку инженеров и программистов, особенно в сфере ИИ и безопасности.

Не стоит отчаиваться. Эксперты говорят, что компании хотят нанимать сотрудников поопытнее, поэтому джунам рекомендуют быстрее накапливать опыт и выбирать более узкие прикладные специальности и прикладные направления, где спрос со стороны работодателей остается устойчивым.

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

Стажер Data Science в Сбер
Офис в Новосибирске

Предстоит: анализировать код и проводить идентификацию ИТ-составляющей модельного риска; проводить проверку качества данных… Узнать подробнее 🔵