Курс по Visual GenAI от Yandex Research и ШАД

Авторы CV Time не только пишут обзоры статей о компьютерном зрении, но и создают обучающие курсы.

Сегодня делимся курсом ШАДа «Генеративные модели в компьютерном зрении», который ведёт Дмитрий Баранчук, руководитель группы GenAI в Yandex Research, вместе с праймовой командой исследователей в этой области.

Будет полезно тем, у кого есть базовые знания по генеративкам и желание разобраться глубже:

• в теории диффузионных моделей, эффективных методах их обучения и семплирования;
• в новых гибридных моделях на основе диффузии для генерации изображений, видео и 3D.

У курса есть открытый GitHub-репозиторий, где можно найти слайды, записи лекций и семинаров, а также домашние задания.

CV Time

Спасибо подписчику за находку – book-to-skill

Если вы закидываете техническую книгу или документацию целиком в контекст, чтобы агент по ней отвечал, вы платите за это заново на каждой сессии, что не очень экономично. При этом в большом контексте агент может пропускать нужные детали или даже галлюцинировать.

Как раз для этого случая есть такой удобный инструмент: он один раз разбирает книгу (PDF, EPUB, DOCX и т.д.) и превращает ее в структурированный набор фреймворков, правил и паттернов, который агент подгружает точечно, когда нужно, а не перечитывает всю книгу каждый раз.

Экономия – 24–51× по токенам. Разовая конвертация книги стоит около доллара, дальше этот скилл можно использовать повторно без повторной обработки всей книги. Работает с Claude Code и GitHub Copilot CLI. Лицензия MIT.

Еще не успел трудоустроиться, как уже выгорел

Специалисты выделяют новый способ выгорания – думджоббинг. Это привычка, при которой кандидат бесконечно просматривает и откликается на вакансии, даже если вакансия ему не подходит.

По данным аналитиков, треть соискателей (!) тратит на изучение вакансии меньше минуты, а половина отправляет резюме, даже не дочитав описание.

Некоторые компании жалуются, что таким образом найти релевантных кандидатов стало сложнее: доля нерелевантных откликов может составлять от 50 до 90%.

Может показаться, что думджоббинг – безобидная вещь. Но психологи утверждают, что механика похожа на своего рода казино. После 100 откликов без приглашения на собеседование у вас может возникнуть желание «отыграться», а значит, появляется желание посидеть и поискать еще.

Ситуацию может усиливать страх упущенной возможности: пропущенное объявление может оказаться тем самым шансом на карьеру.

Если вы попали в такую ловушку, то эксперты советуют отправлять резюме точечно, уделяя поиску фиксированное время, а также разделять отказы и самоощущение. Взгляните на цифры: кандидаты, которые отправляют по 10 откликов в неделю, получают ответ от работодателей в 15–25% случаев. А у тех, кто спамит более 25 заявками, показатель снижается до 2–3%.

Что проверяют в TikTok на роль MLE?

Основной акцент в работе MLE в TikTok на рекомендациях в FYP, но также включают ранжирование рекламы, прогнозирование CTR и конверсии, поиск, детекция нарушающего правила контента, TikTok Shop и Live commerce, и генеративные эффекты и CapCut.

В общем, довольно много направлений на выбор. Стоит также учесть, что это больше прикладная роль, чем исследовательская.

Что касается зарплаты, то по данным Levels.fyi для ByteDance (родительской компании TikTok) медианная компенсация составляет около $358 тыс. в год, включая базовую зп, бонусы и акции.

Весь процесс найма обычно занимает 4–8 недель и проходит дистанционно. Он включает скрининг резюме, разговор с рекрутером, 1–2 технических телефонных скрининга, 3–5 раундов основного технического интервью и поведенческое.

На онлайн-тестировании проверяют навыки программирования и базовые знания компьютерных наук. В тесте есть несколько задач на алгоритмы и структуры данных, а также вопросы по базам данных, операционным системам и другим фундаментальным темам.

Следующий этап технического собеса: созвон с командой, где основное внимание уделяется опыту кандидата и его предыдущим проектам. Также проверяют знания машинного обучения и способность решать задачи по программированию в условиях ограниченного времени. Задачи дают как правило в стиле LeetCode.

На финальных технических интервью оценивают более глубокое понимание машинного обучения и способность проектировать масштабируемые решения для таких ML-систем, как рекомендации, ранжирование рекламы и поиск.

Учиться 4 года – слишком много, по крайней мере так думает Альтман

По мнению главы OpenAI, оптимальным количеством времени на обучение должно быть всего 2 года, а тратить 4 года в современном мире на вуз уже не нужно, ведь жить лучше самостоятельно и работать над собственными проектами.

Универ все?