TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1083 · 8.04

Ух, очень продуктивная была поездка. Наши взяли золото, причём, в этом году организаторы решили наградить в том числе экспертов по подготовке, чьи команды выиграли. Не надеялся я, что когда-нибудь ещё раз (после победы в 2022) поднимусь на эту сцену и получу медаль, а оно вот как сложилось. Наверное, по эмоциям от AtomSkills один из самых сильных эффектов. С ним соперничают, разве что, мой первый хакатон VK Hack 2018, и крупнейший в мире хакатон «Цифровой Прорыв», сильно изменивший мою последующую жизнь. В любом случае, каждый год AtomSkills это очень масштабное и классно срежиссированное мероприятие с большим количеством впечатлений, интереса, опыта. А сейчас вот был юбилейный чемпионат — десятый, и такой подгон. Два года не брали медалей, и никогда раньше в нашей компетенции не награждали тех, кто привёз команды. Видимо, мои хакатонные боги-покровители решили, что я засиделся. В задание тоже удалось привнести некоторую новизну. В целом схема такая: эксперты совместно делают задание, придумывают шкалу оценки и критерии. Но при проверке решений каждую команду смотрят только те, кто к этой команде не имеет отношения. При этом критерии оценки это в большинстве своём объективные предикаты, на которые решение проверяется. Например, в критериях может быть фраза «Система позволяет создать нового пользователя: да (3 очка) / нет (0 очков)». Де-факто споров почти не возникает, коллегия экспертов почти всегда сразу видит и понимает, засчитывается тот или иной критерий или нет. Субъективные части в оценке тоже есть, но их влияние на результат в разы меньше, чем в обычных хакатонах. И да, важнейшее ключевое отличие: на AtomSkills решение каждой команды обязательно разворачивается независимо на пустом компьютере и прогоняется через бизнес-сценарии. Нельзя наврать в презентации, будто бы ты что-то сделал, чего нет. Нельзя сделать решение на моках или фейковое. Нельзя вытащить только на харизме и софт-скиллах. В этом году мы, как авторы задания, к обычной энтерпрайз-части добавили алгоритмическую задачу. Стандартно командам предлагается сделать мини-CRM или нечто подобное в заданном домене, что увеличивает влияние заготовок. Если принести с собой слишком много подготовленных форм, CRUD'ов, конфигов и так далее, это экономит тебе много времени, и ты в итоге просто выигрываешь из-за форы. Сейчас же в мини-CRM была специальная функция: написать алгоритм оптимизации расписания работ. Детали задачи я расскажу завтра, но в целом никакие заготовки не помогали решить это эффективно, если не знать задачу заранее (а она до конкурса скрыта, и разглашение карается дисквалификацией). В итоге лично на мой взгляд итоговый балл получился очень взвешенным: — Если команда сделала хороший алгоритм и не провалилась при этом по обычной не-алгоритмической части, она набирала много баллов (как наши) — Если команда сделала неэффективный, но работоспособный алгоритм, у неё был шанс вывезти за счёт супер идеального вылизанного исполнения не-алгоритмической работы (такие получили серебро и бронзу) — Если алгоритм у команды не заработал вообще, то даже при супер идеальном остальном решении в тройку она не попала — Если алгоритм у команды был хороший, но имелся сильный провал во всём остальном — она вообще оказывалась ниже середины В общем, не знаю, попаду ли в следующий раз, но воспоминания и опыт невероятные. #dev

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #datasolutionsarchitect

当前筛选 #datasolutionsarchitect清除筛选
Data Science Jobs

@datasciencejobs · Post #2689 · 22.04.2025 г., 09:31

#DataSolutionsArchitect#AISolutionsArchitect#MLops#ml Компания JTI (Japan Tobacco International) находится в поиске Архитектора информационных решений Формат работы: гибрид, Москва Сити, полная занятость Чем Вы будете заниматься: - Разрабатывать и внедрять архитектуру Data и AI и обеспечивать создание инфраструктуры. - ⁠Обеспечивать надлежащее управление и поддержку любого компонента в экосистеме; - Обеспечивать производительность ML-моделей (обновление данных, запуск моделей, получение и передача результатов любым получателям); - Обеспечивать интеграцию и доступность данных для любых проектов Data и ML - ⁠Источники данных -> DWH - ⁠DWH -> ML-проекты - ⁠Результаты ML-модели -> DWH - Обеспечивать хорошую производительность любой опубликованной ML-модели; - Внедрять DevOps, MLOps, DataOps в рамках соответствующих инициатив; - Обеспечивать техническое управление в соответствии с глобальными политиками и процедурами. Мы ожидаем от Вас: - 6+ лет опыта работы в области ИТ с фокусом на разработку и развитие платформ данных, ML, AI; - Опыт ведения проектов по внедрению платформ данных с фокусом на крупные компоненты хранения данных, расположенные в облачной и локальной инфраструктуре; - Опыт ведения проектов генеративного ИИ/традиционных решений ML и обладание знаниями сетевой/облачной архитектуры; - Опыт работы с такими языками программирования, как Python или Javascript; - Знание принципов DevOps и MLOps; - Владение уверенным уровнем английского языка. Контакты для отклика и отправки резюме: [email protected], @KaterinaJTI