Безумные зарплаты в Data Sсince, а есть ли они?
HTML-код
- Опубликовано: 1 окт 2024
- Немножко общих слов о том сколько можно поднять на DS
Больше моих статей можно найти тут - cvml_team
Дублирую сюда - t.me/CVML_team
И не забывайте подписываться на LinkedIn! - / anton-maltsev-037a5684
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.
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?
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.
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.
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.
Углублялись )
Да надо заниматься тем, что нравиться, от чего тащишься.
Все видео на телеграмм сворачивался, лайк за интерактив
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.
@@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.
@@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.
@@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.
@@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.
@@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.
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.
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.
@@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. :)
@@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
@@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 :)
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 😀)
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:)
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?
Автор, судя по инфе о тебе: а в чем проблема тебе обучиться на обычного программиста и грести бабки лопатой как ты говоришь?
Как раз думаю куда всё-таки пойти data science или software engineer. одновременно изучать и то и то просто невозможно, надо определяться
Надо было в ODS._jobs вакансии чекать) 😀
С языка снял.
Спасибо, нужное видео..
стоит ли уходить из Embedded(fpga) совсем или лучше уйти в Embedded на уровень выше?
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.
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?
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.).
@@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.
@@boltering6803 глобально да. Пока нет сформированного рынка. Каждый пилит много разного => мало экспертов. Вероянтность найти эксперта именно в свою область мала.
Можешь сделать видео, какие ты можешь порекомендовать книги для изучения ИИ вцелом и по категориях..
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
@@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...
судя по сорту вагонки на стенах, автор за ЗП не гонится )))
Стиль повествования просто удручающий, слушать невыносимо
как жу скучно и монотонно
зри в корень - там по существу