0: Моё всеобщее почтение. Дело в том, что я когда-то работал стриптизёром гробовщиком, но я решил изменить свою жизнь. Начал изучать программирование фронтенд, разработку получил оффера на 200000, на 300000 в итоге

1: Устроился на работу на 180, но я решил снова почувствовать себя полным дебилом и изучать машинное обучение. Подробные родмап есть на канале. Я уже сам лично по ним прошёл, по матема.

2: Математической статистики по теории вероятности, в ходе обучения у меня возникла идея сделать что-то полезное, применить навык математической статистики меня и многих других волновал вопрос а что с рынком машинного?

3: И как?

4: Математической статистики по теории вероятности, и в ходе обучения у меня возникла идея сделать что-то полезное, применить навык математической статистики меня, как и многих других, волновал вопрос а что с рынком машинного?

5: Обучение, если мой подписчик, ты видел анализ рынка фронтенда, фактически рынка фронтенда? Нет, он стух и логичный вопрос а не пойдут ли все перекатываться в машинное обучение вообще сколько?

6: Там вакансий.

7: Какие там есть предложения, какая там конкуренция? Нужно ли там высшее образование, кто мои конкуренты? Смогу ли я получить оффер вообще? Как мне выделиться, может среди других кандидатов на все эти вопросы?

8: Там вакансий, какие там есть предложения, какая там конкуренция? Нужно ли там высшее образование, кто мои конкуренты? Смогу ли я получить оффер вообще, как мне выделиться может среди других кандидатов на все эти вопросы?

9: Мне пришлось ответить в ходе личного статистического машинного обучения в 2020 году, ну и без лишней лирики давай перейдём и посмотрим, что у нас получилось.

10: Моего анализа рынка 6.

11: Мне пришлось ответить в ходе моего личного статистического анализа рынка машинного обучения в 2026 году, ну и без лишней лирики давай перейдём и посмотрим, что у нас получилось.

12: Ну что ж, как устроен рынок машинного обучения в России в марте 2026? Большой статистический анализ. Почему вообще он большой? Потому что было много проделано работы и в итоге

13: В том числе много статистических выводов удалось получить. Мы их все подробно будем разбирать, дойдём до них. Вот, например, сразу так, чтобы 1 глазком посмотреть, рассмотрим демографию. Работодатели какие вообще бывают.

14: Например, такой интересный факт. Посмотрим о том, что Сбер это 15% рынка, оказывается даже не 15 со всеми группами, учитывая 17%, а в энэлпи.

15: Набирающим рост под домене машинного обучения. Там вообще 20%. Будем продвигаться по слоям в начале описательная статистика. То есть 1 вопрос у нас будет. Это кто вообще такой типичный кандидат в

16: Машинном обучении и среди доменов, и, в общем, кто он по карьере, по образованию, навыки, зарплата, демографические признаки его. И, с другой стороны, посмотрим 2 исследовательский вопрос. Это работодатели какие?

17: Не бывают отклики, баланс, ну и все тому прочее. В чем смысл здесь? Это в том, что, переходя от слоя ниже, мы смотрим все более на какие-то сложные отношения, на глубинные, например, 2 слой это динамика. Мы уже

18: Смотрим не на просто какое-то описание, а пытаемся посмотреть, кто куда переходит. Возможно даже период полураспада жизни в том или Ином домеене, потому что он разный. Вот, например, как ты видишь,

19: В диплернинг ресерч самый низкий период жизни, например, да, а в самом низу разберём даже скоринг и формулу отклика. То есть бывает ли так, что у поддомена

20: Больше откликов, от чего это зависит. То есть есть все отклики, которые получает вакансия, и как вот решить это уравнение на самом деле, да, и в машинном обучении, если ты изучаешь машинное обучение или статистику,

21: Есть регрессии, которые пытаются решить это уравнение. И вот мы тоже здесь порешаем, даже посмотрим, от чего зависит видимость твоя. Тоже очень интересный раздел, но прежде всего, но перед этим посмо

22: Как собираются данные, посмотрим. Очень интересный раздел о скорингах платформы. Такое открытие для меня было. Да, и для тебя тоже, оказывается, там не 1 скоринг большой, там 3 разных, которые можно так или иначе.

23: Анализировать. Ну и потом даже мы поймём, что есть определённый пул кандидатов, который сходится, посмотрим на данные вообще, на так называемую анализа данных, как подготов.

24: Стадию.

25: Анализировать. Ну и потом даже мы поймём, что есть определённый пул кандидатов, который сходится, посмотрим на данные вообще, на так называемую стадию анализа данных как подготов.

26: Экстракция, какие-то пайплайны интересные, сложные. То есть как вообще датасет собирается перед анализом статистическим? Это на случай, если тебе интересно, ты тоже изучаешь машинное обучение, анализ данных, как

27: Собираются данные, а не только ты пришёл посмотреть результаты. Если результаты, то перематывай по тайм коду. Смотри сразу разбор результатов вообще, кстати говоря, где мы сейчас находимся, это моё

28: Абсолютно бесплатное приложение на решка точка ру, которое я разрабатывал уже больше года, оно для обучения в данном случае, наверное, если ты ткнул на это видео, то по машинному обучению. Я сам по нему сейчас обучаю.

29: Потому что нигде платформы лучше я не нашёл. Мне пришлось самому сделать, и это не прогрев, потому что оно абсолютно бесплатное. Даже ни Доната, ни рубля, ничего не надо. Заходи и учись. Я сам сижу, учусь. Вот, допустим, я прошу.

30: По роадмапе, условная вероятность, то есть и задачи, практика, формулы, все есть распределение. Вот как раз тут у нас математическая статистика, ну и дальше там уже методы оптимизации. Вот если

31: Ты не знаком. Есть общая роадмапа для машинного обучения. Математическая роадмапа есть. Ну а там уже дальше разберёшься. Ну и вот будет у нас несколько фаз. Начнём мы вообще с того, как

32: Собираются эти данные. Первичную подготовку стоит упомянуть, поэтому у нас есть воронки, резюме и воронки вакансий, потому что, чтобы провести анализ, нам нужны обе стороны, да.

33: Нам нужны люди, спрос и предложения. Ну то есть предложения, люди, спрос, вакансии, работодатель. 380 работодателей, 654 вакансии, 873 человека с

34: 944 резюме это итоговые, да? Ну и платформа между ними, о чем мы и говорим о скорингах. Поэтому, получается, нам нужно собрать с 3 сторон в идеале, вакансии, резюме.

35: Цифры и какие-то.

36: 944 резюме это итоговые цифры, да? Ну и платформа между ними, о чем мы и говорим о скорингах. Поэтому, получается, нам нужно собрать с 3 сторон в идеале вакансии, резюме и какие-то

37: Производные платформы, то есть скоринги. Ну давай посмотрим. Воронка, резюме и воронка. Вот воронка. Резюме изначально делается 10 запросов доменных. Эмэль, инженер, дата сайнтист эмэль опс. Вот это

38: Вакансий.

39: Производные платформы, то есть скоринги. Ну давай посмотрим. Воронка резюме и воронка вакансий. Вот воронка. Резюме изначально делается 10 запросов доменных. Эмэль, инженер, дата сайнтист эмэль опс. Вот это

40: Вот все получается. Огромная пачка мусора, из которой нам нужно будет делать какой-то качественный срез, к которому мы хотим прийти теоретически. Ну благо на платформе есть скоринги, которые

41: Были обнаружены, которые очень удобно помогают отрезать мусор нерелевантный, и эмпирическим путём было найдено, что порог 0 25 скоринга вот этого скоринга, машинного обучения, который есть на фронт.

42: Стенде платформы можно сразу отрезать весь мусор, который идёт ниже, и это порог был оптимальным, потому что вроде как хорошие кандидаты остаются, которых там можно оставить, и мусор тоже есть.

43: Но в общем и целом 90% сразу срезается нерелевантного, и это только 1 этап на самом деле, потому что потом ряд очисток идёт удалить без ключевых слов в заголовке.

44: То есть есть разработчики пайтона бэкэнда джава фуллстак, которые как-то потом есть чистые дата. Давай поближе. Есть чистые дата, инженеры.

45: Попали.

46: То есть есть разработчики пайтона бэкэнда джава фуллстак, которые как-то попали, потом есть чистые дата, давай поближе. Есть чистые дата, инженеры.

47: В общем то, дата инженера это немного другое. Это уже промышленные, там разработка данных все-таки к машинному обучению ближе дата сайнс, как мы потом увидим, Чистых аналитиков я тоже убрал. В общем, было 5 проходов.

48: На этом этапе, в том числе какие-то промт, инженеры, понятное дело, это все не релевант, если они откликнутся на вакансию, их все равно заблокируют, отбросит, отсеет атс, атс, фильтр.

49: Кстати говоря, тут ты вот понимаешь, на этом этапе, зачем они все нужны, вот эти атс фильтры, потому что, ну, ты не можешь просто по запросу, мл, инженер, да, сантис получить релевант, да, при этом, ну, тебе откликнется много народу.

50: Кто хочет. И вот, грубо говоря, вся вот эта автоматизированная фигня, которую я сам делал так или иначе вручную, но её тоже можно автоматизировать и без атс. Просто атс это уже, понятное дело, там фишки.

51: Всякие тоже, как, как, например, сохранять историю о кандидате, анально зондировать его потом, чтобы ты потом мучился, удалял свои персональные данные, ну, ну или перепродавать персональные данные. Все так.

52: Такое, да, вот вручную вот удалил я.

53: Это уже Чернуха, но если берём момент положительный, то вся эта тема в ттс автоматизируется, но я делал свитчеров, при том, что свитчеры эти были не

54: Такое, это уже Чернуха, да, но если берём момент положительный, то вот вся эта тема в ттс автоматизируется, но я делал вручную. Вот удалил я свитчеров, при том, что свитчеры эти были не

55: Конкурентоспособные, они закончили курсы какие-то свои, поставили там заголовок себе и все якобы, ну вайко еры тоже такой интересный паттерн, вайб код разработчик. Ну он тоже.

56: Конечно, он был удалён, потом ещё чуть почистил, почистил и в итоге дошёл до того, что конкурентноспособное ядро кандидатов у меня вышло 944 человека, всего лишь посмотри, какая разница 97.

57: Процентов было отсеяно в ходе вот этих всех очисток. Поэтому тоже будь внимателен, когда ты видишь всяких исследованиях выборку, которую они рассматривают. Вообще, какие критерии у них отбора кандидатов в этой

58: Выборки, они говорят, там, ну, повысилось там, допустим, форбс какой-нибудь, да, повысилось в 10 раз, они смотрят количество кандидатов, там, посмотрели, и все. Но что за кандидаты, релевантные ли они конкурентоспособные?

59: В своём исследовании я хотел оставить те, что останутся после атс отсева, и, в общем то, те, которые додумались поработать над своим резюме, если они додумались математику.

60: Выучить там все, что нужно в машинном обучении, что, конечно, очень много и высшее образование они получили, то, конечно, они должны додуматься резюме написать и пройти вот эти все фильтры, в итоге дойти до чистого ядра.

61: Вот я хотел иметь в своём исследовании чистое ядро, а не мусор, чтобы впаривать тебе мусор, какой-то кал. Как там во многих исследованиях других число просто из ниоткуда взято. И что за выборка у них непонятно. Вот за этим я и для себя.

62: И для тебя задокументировал, как выборка моя, почему я ей сам в итоге доверяю и цифра анализу, на основе которого я потом что-то провожу вообще, но это только резюме было.

63: Отбиралась, но есть.

64: И для тебя задокументировал, как выборка моя отбиралась, почему я ей сам в итоге доверяю и цифра анализу, на основе которого я потом что-то провожу вообще, но это только резюме было, но есть.

65: Ещё вакансии вакансий тоже, с 1 стороны, много. 1275. Да, это как по реакту, если ты смотрел там 1700 вакансий, но в итоге по тому же реакту, если ты отсеешь говножуев,

66: Вот этих Ботов, спамеров вакансии, пылесосов, вакансий, зомби, нерелевант, джунов, сиэсэс. Этим я могу продолжать и продолжать. В итоге там остаётся 300, но в машинном обучении, полу

67: Потому что, не знаю, может быть, работодатели ещё там не такие отчаянные, да, и в целом сфера специфическая. Тем не менее, 50% почти было отсеяно. Тоже можешь прочитать параметры, по которым я отбирал, но в итоге я до

68: Шёл до 654 чистого ядра от изначального количества и 380 работодателей. Тут, заметь, 25 закрылись до обогащения. Ну это потому что

69: Было несколько способов, как я собирал данные с 1 источника, с 1 источника все не собрать, поэтому их было несколько какой с какого-то эндпоинта до собиралось, но в итоге какая-то часть закрылась тоже.

70: Как бы издержки анализа, ну хотя бы там всего лишь 25 закрылись, ну и фиг с ним. Так, и что в итоге то у нас получается, что 944 резюме на 654.

71: Кажется, очень хорошо уже идёт, уже даже не проводя никакой анализ, кажется, что уже очень хорошо идёт рынок машинного обучения, довольно свежий, если мы сравним с тем же реакт инжене.

72: React макакой веб чистильщиком, то там цифры обескураживающие опять же, если ты смотрел, ты видел, что там 4000 откликов вот представь, 300 хороших и

73: Вакансий, да.

74: React макакой веб чистильщиком, то там цифры обескураживающие опять же, если ты смотрел, ты видел, что там 4000 откликов, вот представь, 300 вакансий, да, хороших и

75: Кандидатов там, я не знаю, сколько, сколько тогда я говорил, 25000, да, если все фильтры провести, там, ну, может, тысяч 8, 10 останется, но все равно, посчитай соотношение, а тут оно получается уже полтора, но в этом есть загвоздки, потому что

76: Что машинное обучение, оно имеет в себе поддомены чистый нлпи, чистый агентский рак, что-то на границе в этом либо тебе нужно

77: Нлпи ллм сиви.

78: Что машинное обучение оно имеет в себе поддомены нлпи ллм сиви, чистый нлпи, чистый агентский рак, что-то на границе в этом либо тебе нужно

79: Там и нлпи владеть, и rock, и то, и се, что мы потом увидим потом есть рекомендательные системы, некоторая часть рынка, в общем, все неравномерно распределяется, но, в принципе хотя бы полтора уже получаем.

80: Вот кто говорит, что машинное обучение стухнет, но пока этого вообще не видно. И по косвенным признакам, да, и по прямым по соотношению можно понять, что все довольно живо. Почему? Да потому что что

81: Устроиться на машинное обучение тебе нужно в 2 раза больше учить информации, и она в 2 раза сложнее, чем фронтент. Математическая статистика, теория вероятности тоже. Вот если мы посмотрим по роадмапу, что у нас тут полу

82: Получается 1 математика. Ты посмотри, сколько здесь, в 1 математике. Вот 1 раздел, сколько здесь тем. И это только 1 большой. Вот сколько тем по математике, и это только начало.

83: Раздел там ещё sql.

84: Получается 1 математика ты посмотри сколько здесь, в 1 математике, вот 1 раздел, сколько здесь тем и это только 1 раздел большой, вот сколько тем по математике и это только начало, там ещё sql.

85: Базы данных, питон, фастапи, диплой метрики по продакшену. Ты должен понимать, что да, как вот именно поэтому, так и получается, что народ не прёт сюда между

86: Математика чисто вот даже уже на математике люди сливаются, потому что они просто думают, что это очень сложно, но оно так и есть, но там, где, как говорится, их мир заканчивается, наш начинается

87: Мир вкатунов в машинное, но это только 1 аспект сбора анализа данных. Как раз-таки у нас идёт теперь скоринги очень интересная, и смысл в том на платформе.

88: Обучение тема, что есть 3 скоринга.

89: Мир вкатунов в машинное обучение, но это только 1 аспект сбора анализа данных. Как раз-таки у нас идёт теперь скоринги. Очень интересная тема, и смысл в том, что на платформе есть 3 скоринга.

90: Это рекомендательная нейросеть, специальная, которая под каждую вакансию подбирает определённых кандидатов, и это логично, потому что на нлпи ллм не подойдёт кандидат, у которого опыт.

91: В рекомендательных системах или только в поэтому и нужна рекомендательная. Данные с неё были любезно собраны, было собрано почти 27000 пар. Это значит, что

92: Cv такая нейросеть.

93: В рекомендательных системах или только в cv, поэтому и нужна такая рекомендательная нейросеть, данные с неё были любезно собраны, было собрано почти 27000 пар. Это значит, что.

94: Мои 944 кандидата. Если ты 944 умножишь на 654845, то есть каждого кандидата моего, так или иначе я оценил по всем вакансиям, которые есть в пуле для

95: Ты получишь.

96: Мои 944 кандидата. Если ты 944 умножишь на 654, ты получишь 1845, то есть каждого кандидата моего так или иначе я оценил по всем вакансиям, которые есть в пуле для

97: Чего это надо? Ну, само по себе это может уже о чем-то говорить. Кто, например, ранжируется часто в топ 10 стоит сказать, что я в топ 100 отбирал. По всем 3 скорингам можно было, конечно.

98: Топ 1000 сделать, но опять же для чего мне это мне хотелось уже, собственно ядро собирать я и так его собрал, но ещё больше pool уменьшить, потому что, понятное дело.

99: Hr не отбирает. Среди 1000 кандидатов он отбирает те, что в выдаче ему попадутся ну там 100, он же не будет сидеть и высматривать и у тебя должен быть максимально высокий шанс на платформе, чтобы ты попался в

100: Да.

101: Hr не отбирает. Среди 1000 кандидатов он отбирает те, что в выдаче ему попадутся ну там 100, он же не будет сидеть и высматривать да и у тебя должен быть максимально высокий шанс на платформе, чтобы ты попался в

102: Эти во все системы, поэтому все-таки я выбрал топ 100. Это был только 1 скоринг, потому что есть ещё текстовая релевантность. Это когда ты вводишь просто запрос в поиск, просто запрос там

103: Допустим, реакт, инженер, мел, инженер и так далее поисковую выдачу с ним есть у нас логит определённый. Почитай, что такое логит. По сути, это просто, ну, значение, которое выдаёт тебе алгоритм машинного обучения.

104: На фронт отдаётся и выдаётся за выдаётся нам пул кандидатов, у которых есть ранг, как они в выдаче стоят, сам скоринг этот, и опять же по топ 100 я его сделал, чтобы не распыляться вообще.

105: Там до 1000 результатов удаётся, но у меня было топ 100 и тут уже интересно начинается. То есть ещё 1 и есть ещё 1 скоринг. Куда же не хватает 2. Ещё 1 нужен. На самом деле, я думаю, что

106: Что?

107: Там до 1000 результатов удаётся, но у меня было топ 100. И тут уже интересно начинается то, что есть ещё 1 и есть ещё 1 скоринг. Куда же не хватает 2. Ещё 1 нужен на самом деле, я думаю, что

108: По сути, это какой-то франкенштейн из из вакансии мл скоринга, но только там дополнительные параметры по типу, ну фотография, как мы потом увидим, вот этого конкретного, потому что он

109: Интересный, он всегда даёт топ 3 на определённую вакансию и поверх него, видимо есть какие-то параметры, что ты должен быть в активном поиске. У тебя должна быть фотография. Вот про фотографию мы отдельно поговорим, там тоже прям все.

110: Очень запутанно, но интересно, в итоге в итоге по этим по 654 вакансии собраны топ 3 с вот так называемого сьюта. Ты спросишь, а как в этом разобраться? То есть как мне понять? Мне понять?

111: Понять, как связаны они, то есть коррелируют ли все вот эти 3 скоринга сразу, да, можно забежать вперёд, они не коррелируют, в общем, но на подмножестве они все начинают вдруг быть согласны.

112: То есть есть у меня в пуле моём, как мы видим, здесь на диаграмме так называемой виенна, то есть пересечение вот этих 3 скорингов мы имеем, только мы имеем в центре.

113: 3 вот этих скорингов 168 человек, которые были оценены 3 скорингами всеми и попали в топ 100 выдачи. Ещё раз давай зафиксируем 944 человека. Мы

114: Мы оценили 3 скорингами по 654 вакансии, в том числе и по текстовому, и по сютл, и по как раз-таки рекомендательной нейросети, и почти 15% из этого нашего общего пула.

115: Были оценены в топ 100 всеми, и с помощью этого мы можем потом, позже понять, почему попали именно они, что в них такого и что интересно, о чем я уже говорил. Все 3.

116: Скоринга платформы вдруг начинают быть согласны? Ну, наверное, потому что логично. У всех у них 3, 3 есть вот эти скоринги, и они попали в топ 100. Поэтому это больше похоже.

117: На сигнал, что эти кандидаты сильные, что тебе нужно писать резюме, как они писать опыт, как они ставить такие-то конти Фай, результаты так называемые, да, вот эти со всеми процентами.

118: Цифрами. Ну и потом мы тоже это рассчитаем. Так что это отдельная большая тема. Работа всех вот этих рекомендательных скорингов платформы и разгадка того, как они работают. Но это только 1 аспект теперь

119: Переходим к самим данным. Данные пайплайн, экстракция экстракшн, расчёты. Вот поближе рассмотрим вообще, что за данные то у нас получились в итоге и как устроен наш

120: Лм. И сделаем.

121: Переходим к самим данным. Данные пайплайн, экстракция лм экстракшн и расчёты вот поближе сделаем. Рассмотрим вообще, что за данные то у нас получились в итоге и как устроен наш

122: Перед самим анализом, то есть чем мы. Опять же, это будет интересно тем, кто собирается подобные анализы проводить или каким-то неким датасайнсом заниматься. Но в любом случае получилось так, что да.

123: По предложению, по людям, по кандидатам у меня состоят из 3 слоёв. Это 1, это база, это сухие данные. По сути, те, которые я получаю. Это возраст, пол, город, навыки, статус поиска. Ну,

124: Ну и так далее, там скоринги получаю по ним следующий, это отдельно, это образование и карьера. Очень важный момент. То есть где работал человек и какое у него образование.

125: Потом это очень пригодится нам в простройке карьер, в простройке тех, у кого есть образование, какое образование, год окончания образования из этого будет, можно вытащить много потом полезной информации, ну и

126: Это описание обязанностей самое ценное, что очень пригодится, когда мы прогоним это все через лм обработку, это свободное описание, что делал человек. Вот как ты пишешь в резюме.

127: Да там свои.

128: Quantify результаты чего ты добился это очень интересно и prego, чтобы все это работало. У нас есть определённые контракты. Если ну вот как?

129: Да, там quantify результаты свои. Чего ты добился? Это очень интересно и prego, чтобы все это работало. У нас есть определённые контракты. Если. Ну вот как?

130: Тайпскрипте, да, то есть пидантик это по сути тайпскрипт для питона и по ходу пайплайна данные часто ты те или иные поля перемешиваешь, переиспользуешь.

131: Потом, например, из них билд собирать свой мастер файл, так называемый, и чтобы ничего не потерялось, существуют строгие контракты, которые постоянно валидируют на каждом этапе, не пропало ли у тебя поле не изменилось.

132: Ли оно. Ну и давай посмотрим спрос быстренько, чтобы уж больше тут особо времени не тратить. Можешь потом все прочитать сам ещё раз. Карта будет доступна вся, вот эта, весь, все исследование.

133: На мл.

134: Ли оно. Ну и давай посмотрим спрос быстренько, чтобы уж больше тут особо времени не тратить. Можешь потом все прочитать сам ещё раз. Карта будет доступна вся, вот эта, весь, все исследование на мл.

135: Research на решка точка ру эмал ресерч. Ну и что, интересно, по вакансиям у вакансии есть работодатели, при этом есть корпоративные группы, например, у Сбера, допустим, айдишник его определённый, под которым он регистрирует

136: Какие-то свои деятельности. При этом у него ещё есть много дочерних организаций, которые так или иначе можно определить либо через интернет поиск, например, то, что 1 группа, которая там

137: Купил, на самом деле относится к нему. Для чего это важно? Потому что, во первых, анализ самого рынка есть ли монополия, есть ли гегемоны в рынке, и другой момент, что если ты не прошёл на вакансии,

138: Например, энэлпи, ллм, в Сбер, если ты прям обосрался жёстко, то тебя пометили как фуфлогона в их системе. У них, помимо, там, своего атс, обработчика есть ещё и там сберработа и так далее.

139: То есть все вакансии для тебя станут закрытыми, потому что ты будешь помечен. Особенно сейчас такое время, что они все проверяют трудовые, у них там много накрутчиков попадалось, потому что они много собесят, они не только

140: В машинном обучении, вообще в рынке занимают много пространства. По любому они гайки закрутили. Ну, себе это прочувствовал несколько раз я получал, туда, меня находили, разворачивали обратно, хотя оффера Сочи

141: Там и я сам на оффера и и

142: В машинном обучении, вообще в рынке занимают много пространства по любому они гайки там закрутили. Ну и я сам на себе это прочувствовал. Несколько раз я получал туда оффера, и меня находили и разворачивали обратно, хотя оффера Сочи

143: Были на 330. Ну и вот кроме этого, что интересно, можно увидеть, кто использует там какие-то премиум тарифы на платформе, у кого есть там автопродление, какие-то такие интересные поля можно

144: Заметить, которые так или иначе могут коррелировать, например, с количеством откликов вакансию. Ну и последняя стадия у нас из получения данных наших этом экстра.

145: Это те самые описания позиций, описание позиций человека, что он делал, мы, по сути, превращаем в структурированный джейсон с результатами, что делал инструмент.

146: Задача домен, ну и так далее. Расспрашиваем все это. Я использовал джемини джемини gemini 3 фаст, который или как он там называется. Ну и тут тоже интересно, что в начале у меня

147: Полное говно, то есть тупо промт я посылал, он был очень большой, неоптимизированный, вроде как структурированный аутпут. Я даже пытался приделать, но все равно это очень вяло получалось, но в итоге я нашёл нормальную

148: Литу для структурированного аутпута и автовалидации ответов. То есть если ответ приходит не с разрешёнными параметрами, либо что-то не то делается. Автоматический ретрай, в общем, уже

149: Больше что-то похожее на нормальную дата инженерию стало похоже, отдельный момент был у меня то, что статистическая проверка точности мне нужна была, потому что, например, я натыкался на то, что джимин ай он

150: Что-то породил несуразное. Ответ какой-то плохой. А сколько таких плохих ответов? Я же не могу все проверить. Вот, допустим там 3500 позиций у меня было, я не могу их все проверить. Сколько мне нужно проверить, как мне там диапазон.

151: Точность выявить. И тут у нас приходит на помощь математическая статистика. Есть определённые формулы и манёвры, с помощью которых все это делается. Формула кохрена, с помощью которой ты измеряешь. А сколько тебе нужно проверить, чтобы

152: Строить определённый диапазон, доверительный, чтобы ты был уверен. Ага, диапазон точности в целом, вот такой, с таким-то, с такой-то такой то погрешностью и на случайной выборке.

153: Вот я взял для такого стандартного показателя 95 уверенности 200 и + 87. Я вручную проверил все окей, построил доверительный интервал и получил, что в целом

154: Все ок, довольно хорошо. Я могу доверять экстракции. То есть я проверил, что он мне не испоганил данные, что у меня все готово, почти все готово. Вот как раз-таки, чтобы все было готово. Мы

155: Собираем мастер файлы из всех наших датасетов, не датасетов. Мы собираем из наших агрегатов, из наших разрозненных кусочков, которые пропарсили где-то

156: А мы?

157: Собираем мастер файлы из всех наших датасетов, не датасетов, а мы собираем из наших агрегатов, из наших разрозненных кусочков, которые мы пропарсили где-то

158: Экстракции сделали, где-то обогатили, есть определённый скрипт build, там тоже множество проверок предохранителей, чтобы все поля использовались, чтобы id

159: Все были правильно смерджены, все поля смерджены вычисляются, плюс нормализуются определённые поля, например, steam для образования, которая нам потом пригодится. И, короче,

160: Классификация.

161: Все были правильно смерджены, все поля смерджены вычисляются, плюс нормализуются определённые поля, например, steam классификация для образования, которая нам потом пригодится. И, короче,

162: Говоря в итоге мы кандидат, мастер и вакансии, мастер с таким-то размером, с таким-то количеством полей, и по нему мы уже проводим расчёты 13 к строк питона. То есть там у меня получи.

163: Получаем.

164: Говоря, в итоге мы получаем кандидат, мастер и вакансии, мастер с таким-то размером, с таким-то количеством полей, и по нему мы уже проводим расчёты 13 к строк питона. То есть там у меня получи.

165: Что есть определённый скрипт в нём используются инструменты скайпай стат моделс sklearn классический, ну и ещё там для каких-то моделей, для расчётов среднего медианы и все эти расчёты

166: Отчёты не формируются, получаются отчёты по ним ничего я руками не пишу, ничего у меня не захардкожено. И в конечном итоге вот весь этот, когда пайплайн я проделал изначально,

167: Моя идея была безумная это сделать вообще такую автоматизированную аналитическую систему. И там уже до ума её можно доводить. Немного осталось, чтобы все вот эти расчёты автоматически проводились.

168: И для чего? Ну, каждый месяц ты можешь смотреть, что реально происходит на рынке, какие кандидаты, куда идёт рынок, какие-то прогнозы делать. В общем, такие. И это по любому домену, это не конкретно к машинному обуче.

169: Допустим, ты по бэкэнду хочешь посмотреть? Или по, по кибербезопасности? Оп собрал, рассчитал и сделал это там полгода, каждый месяц. И у тебя уже своя аналитика, которую ты можешь

170: Можешь доверять, который ты знаешь каждую миллиметр, ну и обучаться тоже математической статистике на реальном исследовании, по моему, неплохо, но это была вводная часть. Давай уже наконец перейдём.

171: К результатам.

172: Можешь доверять, который ты знаешь каждую миллиметр, ну и обучаться тоже математической статистике на реальном исследовании, по моему, неплохо, но это была вводная часть. Давай уже, наконец, перейдём к результатам.

173: Которые получились. Так, ну и начнём с демографии. Расчёты показывают, что медиана, специалиста по машинному обучению среди всех доменов это 26 лет. Разница.

174: Если мы построим интервал, так называемый, то есть, если ты изучал уже математическую статистику, есть определённый манёвр, так называемый бутстрап, когда ты из своей выборки ограниченной пытаешься

175: Построить. Пересобираешь много маленьких выборок и смотришь, насколько разнится медиана твоя. При этом дублироваться могут значения. То есть не так, что ты достал 1 значение из выборки по возрасту, и оно больше не вошло в этом.

176: Смысл тоже этого метода, поэтому у меня получилось 26 27. Если быть точным, среднее получилось чуть больше, потому что, потому что утягивает среднее хвост. Если тебе интересно поподробнее про это.

177: Прочитать чувствительность среднего. Мы можем тут посмотреть, можем посмотреть как раз-таки, как ведёт себя вот этот гэп между медианой и средним вообще. Зачем это надо? Почему мы, ну просто не 1 среднее оставили? Ну как раз-таки

178: Потому что вот если по перцентилем возраста мы посмотрим, мы увидим, что немногочисленная подвыборы кандидатов с перцентилем 75 и 90 имеет огромные возраста. Во

179: Т. 31, 37, 31, 37 и единичные кандидаты, которые ещё больше этого возраста, они тянут нашу среднее. И чтобы понять, действительно, какое у нас число.

180: Посередине мы должны взять медиану, то есть 50 квартиль. И это будет тем значением, которое говорит нам о том, кто такой типичный кандидат. Вот если ты прям в середину вставишь, допустим, палку, то

181: Будет число 26, но, как мы потом увидим, между доменом, это ещё меньше, допустим, в нлпи ллм, там вообще 24 рекордно низкое число 24 года типичному кандидату на пятидеся.

182: Получилось.

183: Будет число 26, но, как мы потом увидим, между доменом, это ещё меньше, допустим, в нлпи ллм, там вообще 24 рекордно низкое число получилось 24 года типичному кандидату на пятидеся.

184: 5 квартале по нлпи лм, то есть очень молодая сфера, как и в целом, машинное обучение. 25, 26 лет. Ну, это тоже очень как бы, такой молодой возраст при этом. Зачем мы вообще

185: Опять же, проводим этот анализ, да, потому что распределение по возрасту тоже очень интересно. Получается, что упакованы почти половина кандидатов в возрасте 21 25. То есть, если мы применим определённую дедукцию, мы

186: И поймём, что все эти люди начали в 1 время 21, 25, например, по параметру Такому интересному по моде. То есть мода это тот показатель, который чаще всего встречается в твоей

187: Выборки, он у нас 25, он у нас 25, при этом почти половина кандидатов упакована в 21 25. Мы поймём, что все эти кандидаты, большинство из них они начали в 1 время, то есть

188: Был какой-то бум. Действительно, в 2022, 23, 21. В этом диапазоне 21, 23, когда все начали переть в машинное обучение и

189: И почитав историю, да, и в целом, как бы далеко ходить не надо, становится понятно, что мало того, в России, мл, молодая сфера, так, при этом ещё и она, считай, началась с 2020 года, то есть кандида.

190: Датам, которые сейчас мидлы сеньоры, они в сфере всего лишь 6 лет, и пришли они в этот бум трансформеров, когда google и там все компании open ai начали выпускать свои исследования про транс.

191: Формер о том, что он полезен бизнесу, начали корпорации, в том числе российские, вливать бабки в это тогда ещё хайп пошёл, конечно же, даже я его помню по data science мол, становись дата сайнтистом.

192: Постоянно вот эти рекламы были у блогеров, мол устраивайся на гикбрейнс, будешь дата сайнтистом, да только 1 загвоздка в том, что если фронтент разработчик это ну что-то с разработкой, то data science.

193: Все-таки в слове data science есть слово science ты должен хоть каким-то since обладать, и это очень непросто, но в любом случае все эти кандидаты, как понятно, они пришли в этот период они, видимо, учились на 2 на 3 курсе.

194: Допустим, там технического университета, как мы потом увидим в образовании, и они попёрли в машинное обучение. И в 2024, 25 они закончили, и вот сейчас они на рынке конкурируют в этом

195: 2 900 кандидатов, при этом все остальные, они разбросаны, там уже идут старички старожилы уже там очень неплотно. Поэтому, собственно, и среднее растянуто до 28. Но это

196: Опять же, общее это не междоменный какой-то, который потом будет при этом дальше становится ещё интересней, когда начинаем смотреть по подвыборкам. Общее это, конечно, хорошо, но весь

197: Анализ тоже мы.

198: Опять же, общее это не междоменный какой-то анализ, который потом будет тоже при этом дальше становится ещё интересней, когда мы начинаем смотреть по подвыборкам общее это, конечно, хорошо, но весь

199: Смак открывается у нас в подвыборке. Мы, значит, определяем карьерный путь человека, опять же, по опыту, по тому, где он работал, определяем, чистый ли у него путь, студент ли он или он вот только недавно перекатился.

200: И мы.

201: Смак открывается у нас в подвыборке. Мы, значит, определяем карьерный путь человека, опять же, по опыту, по тому, где он работал, определяем, чистый ли у него путь, студент ли он или он вот только недавно перекатился, и мы

202: Видим, что те, кто перекатился 29, средний возраст их, то есть почти под тридцатник тем, кто занимался чем-то другим и мл. И не мл. Вперемешку, может, исследованиями какими т.

203: Или там java и те, кто перекатился из бэкэнда с аналитики, им все под тридцатник, при этом чистый мл. То есть те, кто вкатывается сейчас в катуны, либо те, кто вкатились, их возраст, он прям.

204: На 3 года меньше. И это тоже раскрывает нам уже более такие интересные подробности о том, что чистый мальчик, который вкатывается сейчас, естественно, будет моложе 3 на 4 года тех,

205: Он на.

206: На 3 года меньше. И это тоже раскрывает нам уже более такие интересные подробности о том, что чистый мальчик, который вкатывается сейчас, он, естественно, будет моложе на 3, на 4 года тех,

207: Кто перекатывается или чем-то другим занимается, и это проливает свет нам на то, кто тянет вверх среднее, кто заключён в этих перцентиля 75 90, ну и выше.

208: 26 как раз-таки перекатчик, чистые мльщики, они могут быть даже ещё меньше 25. И о чем я уже говорил. Особенно лм. Нлпи, который вообще 24 года. Ну и что ещё интересного из этого?

209: Можно уяснить о том, что 232 человека скрывают возраст. И тут у меня, в общем то, возник такой вопрос а кто и зачем скрывает возраст? Я тоже люблю поскрывать возраст, потому что все знают, что существуют.

210: Фильтры определённые на платформах, когда тебя фильтруют, если тебе меньше 25, например, да, причём, что интересно, ты когда проводишь такие анализы, понимаешь, почему вот фильтры такие делают не меньше 25.

211: Не меньше 26, 27. Короче, они берут, проще говоря, не с потолка. Это у них есть тоже какие-то показатели, которые им кто-то передаёт о том, что из себя представляет популяция программистов и

212: И в целом они имеют соображения, поэтому они отрезают 25, 27. Вот в реакте это прям добрый путь. Если в банк ты идёшь, и там прям будет фильтр на медла уже.

213: Не меньше 25 могут делать. Ну а на senior не меньше 27 вообще вот такие дела они таким образом хотят сразу срезать. В общем то, вот этих вот скрывальщиков при этом

214: Вкатунов и

215: Не меньше 25 могут делать. Ну а на senior не меньше 27 вообще вот такие дела. Они таким образом хотят сразу срезать вкатунов и, в общем то, вот этих вот скрывальщиков при этом.

216: Да, есть тоже показатель. Отдельные те, кто не пишет возраст, их тоже сразу все отказ. Но в мл трудно так сделать, и они так не сделают. Это прям исключительные будут безумцы, которые

217: Решат отрезать 50% сочных кандидатов, которые учатся, у которых уже опыт, поэтому пока можно не страшиться того, что будет какой-то в мл фильтр по возрасту эйджи.

218: Вот этот, который присутствует в других сферах, в реакте, например, да, потому что там выборка уже распределение уже другое. Кандидатов. При этом, что интересно, возвращаемся к тому, кто скрывает возраст опытным путём и с помощью вот 5 ме,

219: Другая.

220: Вот этот, который присутствует в других сферах, в реакте, например, да, потому что там выборка уже другая, распределение уже другое. Кандидатов. При этом, что интересно, возвращаемся к тому, кто скрывает возраст опытным путём и с помощью вот 5 ме,

221: Ты можешь почитать, что это за методы формула старта? Карьера, перевзвешивание, стресс, тест границы мански. Мы, так сказать, восстановили тех, кто скрыл возраст. Примерно опять же никто не может.

222: Точно сказать, но давай прямо посмотрим, как бы трезво у нас 70% раскрыли возраст, а мы не знаем. 30 no. Неужели мы не сможем так здраво восстановить по больши?

223: Тех, кто скрывает тем, по логике известно, что те, кто скрывает, они молодые, ну, действительно так. И тех, кто скрывают это 80%. Молодые москвичи, чистый мел, скорее всего, энэлпи.

224: Более это есть.

225: Тех, кто скрывает, тем более, по логике известно, что те, кто скрывает, это, они молодые. Ну, действительно так и есть. Тех, кто скрывают это 80%. Молодые москвичи, чистый мел, скорее всего, энэлпи.

226: Они боятся фильтр слишком юный, но для тех вот, кто скрывает, вам нечего, потому что вас очень много, если вас всех отрезать.

227: Бояться половина.

228: Они боятся фильтр слишком юный, но для тех вот, кто скрывает, вам нечего бояться, потому что вас очень много, если вас всех отрезать, половина.

229: Сочных кандидатов отрежется, кого тогда нанимать? Ну и сеньоры тоже скрывают доктора наук, которые присутствуют тоже 8%. Как мы потом увидим, это доктора наук. Они боятся, что он слишком стар. Что интересно?

230: Мельком было замечено тоже, что те, кто у тех, у кого слишком большой возраст, они уже деградируют по скорингу на самой платформе, и при этом очень такие неприятные фильтры.

231: Со стороны hr стоят на этих кандидатов допустим там не больше 35, не больше 40. При этом, если ты сторожил сферы, начал до хайпа всего этого, ну наверное у тебя уже связи есть, да, и тебе не нужно как-то

232: Со всеми этими эйчарами воронки проходить. Ну вот так вот оно и есть, как бы есть и такой паттерн. Ну и по географии, понятное дело, Москва всегда лидирует и в вакансиях, EVKNDDATAH57% это

233: Москва. Ну и феминистки тут, конечно, они недовольны тем, что всего лишь 100 женщин на почти 700 Быков у нас в машинном обучении. Ну вот феминисткам советую все-таки.

234: Начать устраиваться машинное обучение, повысить все-таки популяцию. Вот, а то что-то мало всего лишь сколько? 10% нет даже, ну даже чуть побольше. Получается 11, почти что 12 в машинном обуче.

235: Чтобы да.

236: Начать устраиваться машинное обучение, чтобы повысить все-таки популяцию. Вот, а то что-то мало, всего лишь сколько? 10%? Нет даже, ну даже чуть побольше, да, получается 11, почти что 12 в машинном обуче.

237: Ну и что интересно, тут ещё есть это то, что какой-то процент кандидатов, он переехал в в Беларусь, в Узбекистан, да, из за движухи, и начинает оттуда откликаться и тоже конкурировать при этом, что сле,

238: Казахстан

239: Ну и что интересно, тут ещё есть это то, что какой-то процент кандидатов, он переехал в Казахстан, в Беларусь, в Узбекистан, да, из за движухи. И начинает оттуда откликаться и тоже конкурировать при этом, что сле,

240: Следует понять, это работает как в 1 сторону, так и в другую. Ты можешь быть молодым, тебе там 21 22, твоим конкурентам тоже столько. То есть ты конкурентно способен, вас нанимают при этом.

241: Ты можешь быть немного постарше. Вот, например, быть в диапазоне 70, 75, 90. Ну, хотя, не, блять, это слишком дохуя тебе может быть 27 20.

242: Ты можешь перекатываться откуда, например, вот отсюда, где тут у нас было? Вот, как мы видим, медиана перекатчиков, это 28 29, что, в принципе, немного постарше.

243: Действительно так и есть. Поэтому, если ты в этом возрасте, то не думаю, что ты не можешь перекатиться. Если ты работал аналитиком бэкэндером, либо просто там, там на самом деле из разных сфер перекатываются, кто-то там.

244: Информатикой вообще занимался и чем-то таким. Поэтому вот так за этим и делаются эти. Но это было только демография впереди ещё очень интересного, что нам предстоит разобрать следующее это образование.

245: Анализы много.

246: Информатикой вообще занимался и чем-то таким. Поэтому вот так за этим и делаются эти анализы. Но это было только демография. Впереди ещё очень много интересного, что нам предстоит разобрать следующее это образование.

247: И тут немного поразительные результаты. Сначала, конечно, н проговорим это 873 мы брали, кстати, все какие-то такие моменты, чем я оперирую в своём анализе.

248: Это можно почитать в методологии вопрос переменные, которые я брал единицу. Единица анализа. Почему, например, я брал и медиану, и среднее, и какой свет это проливает на

249: Наши данные перцентили, как бы, как другие делают, допустим, бенчмарки я брал, кто как делает вообще, правильно ли я Иду, ну и так далее. Ну и вот здесь результаты получились такие, что сразу

250: Подчеркну, что есть высшее бакалавриат, магистратура, высшее образование. Почему оно отдельно стоит? Потому что, во первых, так на платформе ты можешь получить высшее. Это может быть специалитет. Либо ты просто указал высшее. Ты не указал, что ты закончил.

251: Бакалавриат и но все вместе эти 3 ступени, что по сути является стандартом. Сейчас это не будет стандартом в что интересно, такие интересные перемены надо эксперименты над боярами.

252: Магистратуру будущем.

253: Бакалавриат и магистратуру, но все вместе эти 3 ступени, что по сути, является стандартом. Сейчас это не будет стандартом в будущем. Что интересно, такие интересные перемены, надо эксперименты над боярами.

254: Такие интересные эксперименты бояре делают над холопами, они убирают там эту систему болонскую, но все равно выборка у нас состоит из неё, поэтому так получается, что 83 имеет высшее бакалавр и магистр.

255: То есть?

256: Поразительное число 80% с высшим образованием, в конкурентоспособном ядре кандидатов по машинному обучению. Говорит ли это о том, что ты не устроишься, если у тебя нет высшего образования?

257: То есть поразительное число 80% с высшим образованием, в конкурентоспособном ядре кандидатов по машинному обучению говорит ли это о том, что ты не устроишься, если у тебя нет высшего образования?

258: У меня нету данных по поводу корреляции офферов. У меня есть данные о том, что по о том, что на фронтенд разработчика могут спросить, там высшее образование, кто-то ставит вот эти рамки, потому что в

259: Много, но в машинном обучении так и получается, что есть. То есть при этом мало того, что все они имеют высшее образование 80%, да, и 34 магистратуры 34.

260: Процента магистратуры, что неплохо. Очень 8% целых имеют кандидата наук. То есть они идут в аспирантуру, защищаются, они постоянно учатся. Мы видим, какой портрет складывается конкурентоспособном ядре. Это люди, которые

261: Постоянно учатся, они постоянно что-то заканчивают. Ну и сфера такая, то, что все время выходят новые модели. Тебе нужно постоянно учить что-то, да, вообще в целом в программировании. Поэтому будь готов, что сфера очень такая.

262: Академичная, да, и 90% закончили из этих 80% с высшим образованием, 90% закончили по специальности стем. Это не step конфета, это значит, что

263: Грубо говоря, инженерное образование, что-то связанное с инженерным, либо это там биоинформатика, какая-то, механика, физика. Ну вот мы здесь давай посмотрим. Топ, 20 специальностей, конечно же прикладная матема.

264: Матика, информатика, информатика и вт. Наверное, это вычислительная техника, программная инженерия. В общем, все, что связано с этим, дата сайнс, даже экономика есть, но экономику там не экономист, не думай, потому что, когда я приводил

265: Все к нормализации и вычислял разрешённый список специальностей, делал, так сказать, блэк лист специальностей, то там экономисты и прочие гуманитарии, которые работают в макдональдсе.

266: Не было, поэтому там экономика такая больше связанная с дата сайнсом и с математикой. При этом топ вузов это удивительно для меня.

267: Может быть, неудивительно для тебя, если ты в 1 из них топ 4 вуза это 25% от всех высшая школа экономики итмо, мфти, мгу, ну и дальше закрывают уже действительно вузы 2 пошиба.

268: Хотя явно 1 тиру, но тем не менее.

269: Определённые специальности в бауманке тоже можно считать высшим пошибом, но вот вот эти вузы, ну это уже не ровня вот этому.

270: Хотя определённые специальности в бауманке тоже можно считать высшим пошибом, но вот, вот эти вузы, ну это уже явно не ровня вот этому 1 тиру, но тем не менее,

271: Все известные вузы сложные, и логично, что из них много эмэль иков выходит, они смотрят куда, куда бы мне пойти, не пойти же мне на react инженера, и они идут их там сразу, может, со стажировки.

272: Забрать, либо они сами уже начинают работать на 2, на 3 курсе, что опять же складывается в общую картину понимания хронологическую. Когда эти люди работали там, они ещё не работали, они учились на на 2, 3.

273: Курсе в 22, 23 году, в 21, когда пошёл этот хайп, они сразу ринулись. Все. Плюс, опять же, курс, дата сайнса. Вот очень. Поэтому и имеем, что академичная выборка, ну и

274: Это вот все.

275: Курсе в 22, 23 году, в 21, когда пошёл этот хайп, они сразу ринулись. Все. Плюс, опять же, курс, дата сайнса, вот это вот все очень. Поэтому и имеем, что академичная выборка, ну и

276: Внизу ещё можешь посмотреть распределение вузы по доменам. Особо разницы тут нет. Скорее это как бы доказательство того, что нет определённого какого-то перекоса. Люди идут как в классик, так и

277: В нлпи, в cvv, в ml ops ну вот по образованию что интересно, небольшой паттерн проглядывается это то, что по грейду, что кандидаты наук попадают в Лиды вдвое.

278: Чаще меня.

279: Почти не знаю, с чем это связано, но просто такие цифры есть у, и они получились, но при этом глава подразделения, он может быть просто с высшим образованием это никак не коррелирует.

280: Чаще почти не знаю, с чем это связано, но просто такие цифры есть у меня, и они получились, но при этом глава подразделения, он может быть просто с высшим образованием это никак не коррелирует.

281: Получил ли ты доктор наук, кандидат наук, опять же поправка на мою, скорее всего, заметная часть хедов вот этих она просто не ищет. На платформах у них уже сложились рекомендации, по которыми они

282: Выборку свои.

283: Получил ли ты доктор наук, кандидат наук, опять же поправка на мою выборку? Скорее всего, заметная часть хедов вот этих она просто не ищет. На платформах у них уже сложились свои рекомендации, по которыми они

284: Они просто переходят по работе тоже это имей ввиду следующее. Это опыт. Тут есть 2 разделения, общий опыт, потому что напомню, очень много перекатчиков и тех, кто не работал в машинном.

285: Работал по другой it специальности, либо был исследователем, и он перешёл в машинное обучение. Здесь мы можем построить медиану стажа, она будет у нас являться число 51 месяц, при этом мл. Стаж медиа.

286: На чистый, на 10 месяцев меньше. То есть это если мы переведём года, то получается, что где-то у нас тут было вот 4 и 3 года стаж, но мл, это у нас

287: В общий.

288: На чистый, на 10 месяцев меньше. То есть это если мы переведём в года, то получается, что где-то у нас тут было вот 4 и 3 года общий стаж, но мл, это у нас

289: 3 и 3. Поэтому, если ты задавался вопросом, сколько опыта тебе крутить? Ну вот имей ввиду, что 3 с половиной, 3 года опыта в самый раз ты попадёшь в середину, не будешь выглядеть слишком.

290: Каким-то неопытным или пере оверквалифайд, так называемый. Ну и компании при этом 2 ставь, 3 уже. Да, ты там можешь запутаться, придумывать опыт на 3. Ну, 2 ставь тоже не

291: Гадаешь 1 тоже очень мало будет. Вот золотая Середина, 2. И ещё интересно, есть радар, профиль по доменам. Давай выключим и посмотрим. Вот, например, сначала энэлпи элэм, о чем я и говорил здесь.

292: У меня цифра указана 25, ну, это с перекатчик ми, у тех кандидатов, у которых чистая карьера, это энэлпи лм, они сразу тех 24, при этом Чистых.

293: Медиана

294: У меня цифра указана 25, ну, это с перекатчик ми, у тех кандидатов, у которых чистая карьера, это энэлпи лм. Они сразу тех 24 медиана, при этом Чистых.

295: Перекатчиков, про которых я говорю, их всего лишь 60%. Почему так? Потому что позже по карьерным переходным, по карьерной матрице мы увидим, что энэлпи ллм это Чёрная дыра, которая пересасывает кадров.

296: Со всех поддоменов других, и она не только их пересасывает, они там остаются. Самый высокий показатель ретеншена у энэлпи ллм. Ну, ml классик больше по возрасту сразу мы видим. Ну, кстати, похоже на

297: Daughter. Когда играешь фармишь, там тоже гпм, вот эти есть сколько нафармил? Крипстат, ну у нас серьёзное обучение, поэтому у нас радар под доменов машинного обучения, возраст.

298: 28. Ну так быстренько, давай не будем долго задерживаться. Вот что тут ещё выделяется сильно. А вот эмэл опс тоже много Разговоров про ml ops. Стоит ли в него идти? Ну, медиана, 28 лет.

299: Мл. Опс. Ну, выборка у меня небольшая, хотя и вакансий тоже не очень много, как мы потом увидим. Ну вот в аналитику явно тут сколько. Ну, в общем, ничего интересного, можешь сам потом потыкать, посмотреть, идём дальше, по навыкам много.

300: Такому интересно к навыкам, какие навыки ставить, какие навыки нужны вообще? Ну тут у нас такой механизм, что 20000 упоминаний, навыков всего среди всех 944 резюме в датасете.

301: При этом уникальных из них после нормализации 1500 всего лишь сразу давай посмотрим все 109 переключатель, 109 навыков, не зря выбрано число 109, потому что они покрывают 80%.

302: Вот эти пула все.

303: При этом уникальных из них после нормализации 1500 всего лишь сразу. Давай посмотрим все 109 переключатель, 109 навыков. Вот эти. Не зря выбрано число 109, потому что они покрывают 80% пула. Все.

304: Тех упоминаний, вот снизу вверх. Поэтому если ты задаёшься вопросом, какие там 15 навыков тебе поставить, вот прям бери вот эти, ты не прогадаешь. Ну так вскользь можно посмотреть, что вообще за навыки здесь

305: Питон нампай питорч энэлпи. Вот плот лип по доменам, они могут различаться, но все-таки я б ставил между доменами. Тоже удобно, чтобы побольше в ранжирование попадать. Машинное обучение.

306: Буст вот мат. Статистику 243 раза упоминают, что очень линнекс почти 40% наряду самой сутью с дл с мл тоже показатель.

307: Неплохо самой, но как-то.

308: Буст вот мат. Статистику 243 раза упоминают, что очень неплохо линнекс почти 40% наряду самой самой сутью с дл с мл тоже показатель, но как-то.

309: Так, идём дальше. Зарплата самая интересная, казалось бы. Но выборка самая, считай, гнусная. И так чисто описательно я здесь это все привожу, потому что доля раскрывших всего лишь

310: 17% и со стороны кандидатов 17% раскрыли зарплату. То есть указали, что они хотят и со стороны работодателей тоже, кстати говоря, что интересно по моей выборке получилось.

311: Что эти?

312: 17% и со стороны кандидатов 17% раскрыли зарплату. То есть указали, что они хотят и со стороны работодателей тоже, кстати говоря, что интересно, по моей выборке получилось, что эти

313: Цифры сколько?

314: Почти почти точь в точь идентичны, не раскрывают кандидатов доля столько не раскрывают, и поэтому обе стороны, они в неизвестности, можно сказать, и именно поэтому.

315: Цифры почти почти точь в точь идентичны сколько не раскрывают кандидатов, доля столько не раскрывают, и поэтому обе стороны, они в неизвестности, можно сказать, и именно поэтому.

316: У тебя спрашивают твои зарплатные ожидания, потому что, во первых, ты их не раскрыл. Во вторых, они сами как бы не знают, им нужно калибровать. Как ты не знаешь настоящую зарплату вакансий, так и они хотят меньше пла.

317: Калибровать все ниже и ниже. За этим тоже, кстати, собираются персональные данные. Все вот эти формы зарплатные, сколько хотите google формы и советую их тебе не заполнять. Вот как-то так, но

318: Тем не менее, по убогой выборке, которая у нас есть, мы можем судить, что 250 300 диапазон, что я бы сказал, на 100 150000 меньше, чем это есть на самом деле в закрытых источниках.

319: Сколько реально предлагают. Вот теперь и сам как бы суди, что все, что пишут вакансии в зарплатных ожиданиях своих, это все либо это приманка, либо они очень мало предлагают.

320: На 100 150000 меньше, чем могут предложить, а то и на 200, чем могут предложить на эту вакансию. На самом деле я это не с потолка беру. У меня есть определённый пул данных настоящими вилками, которые нигде не пишут, они прям так, причём строго.

321: Пишут вилку не пишем своим сотрудникам, эйчарам не пишем вилку ни в коем случае, ну а если и напишут, то, естественно это занижено будет какой рожон им писать настоящую зарплату.

322: Поэтому никогда на это не ведись. Ну и тут идёт углубление в карьерный профиль, что интересно, 30% перекатчик, они занимались чем-то другим и перекатились. При этом есть ещё вот такой интересный

323: Это.

324: Поэтому никогда на это не ведись. Ну и тут идёт углубление в карьерный профиль. Что интересно, 30% это перекатчик, они занимались чем-то другим и перекатились. При этом есть ещё вот такой интересный

325: График, который показывает нам то, что если раньше, если раньше переход в сферу совершался через конверсию из другой сферы машинное обучение, оно не было так консолидировано, то

326: Вот сейчас почти в 2 раза этот показатель больше действительно сфера устоялась и я уверен огромное количество из этого это рагги нлпи ллм, хотя и classic тоже нельзя упускать ведь.

327: Классик это тоже 30%. 35 различия всего лишь 5% среди специализации, но мы ещё не перешли. Но опять же помню о том, что большинство кандидатов переходит из 1 домена.

328: В другой почти половина побывали в разных доменах, либо там в нлпи лм, либо в классике, что мы потом увидим. Ну, тут больше ничего особо интересного. Это был портрет типичного кандидата. Выводы можешь какие хочешь сам.

329: Зафиксировать. Из этого. Опять же, ты можешь зайти все посмотреть. Ну а мы переходим к посмотрим на работодателей на вакансии. У нас получилось так, что компании 95%, но среди этого числа есть кадровые агентства, при этом кадровые агентства.

330: Что я заметил, они довольно хитрые и скользкие, они чаще раскрывают, ну, пишут зарплату желаемую, чтобы больше людей откликалось, как бы мы посмотрим потом на откликах, на предикторах.

331: Огромный предиктор, это если ты поставил на remote зарплату. Ну так вот, действительно, вот они чаще раскрывают в целом, что тут интересного есть? Это то, что 15 компаний, топ 15 работо.

332: И на указанную.

333: Огромный предиктор, это если ты поставил на remote и на зарплату указанную. Ну так вот, действительно, вот они чаще раскрывают в целом, что тут интересного есть? Это то, что 15 компаний, топ 15 работо.

334: Датели это 30% всех, всех вакансий. Но спасибо, что не 80% всех вакансий это значит рынок есть, он хорошо так дифференцирован между работодателями.

335: Что? Но что?

336: Датели это 30% всех, всех вакансий. Но спасибо, что не 80% всех вакансий. Это значит, что рынок есть, он хорошо так дифференцирован между работодателями, но что

337: Печалит картину. Это то, что топ 15 работодателей, всех это бигтех, анальное зондирование, все вот эти атс, все пробивы опыта, все вот это там будет, если ты не прошёл на 1 их

338: Вакансию ты там всегда будешь зафиксирован, поэтому не испытывай дважды готовься к собеседованиям и устраивайся с 1 раза, иначе повторишь мои ошибки и не получишь, что особенно выделяется здесь.

339: Это то, что Сбер, 83 вакансии, 2 по численности работодатель по мл, это озон. У него рекомендательная система, ещё что-то, да, в 5 раз меньше. 2 место, чем 1 место показывает.

340: Разрыв и все-таки эффект вот этой корпорации и есть огромное количество суббрендов. Ты можешь их здесь прочитать, но есть такой график, кто доминирует в каждом домене. Мы тут видим, что энэлпи ллм печально как есть круп.

341: Но.

342: Разрыв и все-таки эффект вот этой корпорации и есть огромное количество суббрендов. Ты можешь их здесь прочитать, но есть такой график, кто доминирует в каждом домене. Мы тут видим, что энэлпи ллм печально, но как есть круп,

343: Нейший работодатель в нлпи лм это Сбер и почти 20% он занимает пространство, но хорошо, что он все-таки не так распределён, потому что 291 вакансия, 191 работодатель. Мы здесь это и видим.

344: По осям, поэтому не так плохо, но плохо себя чувствует рекомендательная система, потому что всего лишь 37 вакансий, 23 работодателя, из которых 11% это опять Сбер, вот тут уже

345: Очень интересные графики получаются распределение доменам то, о чем я говорил в начале, кажется, что вакансий много, но вакансий то классик ллм.

346: По много.

347: Очень интересные графики получаются распределение по доменам то, о чем я говорил в начале, кажется, что вакансий много, но вакансий то много, классик ллм.

348: И мы видим, что почти половина вакансий всех это энэлпи элэм, то есть он доминирует, причём с таким очень хорошим разрывом почти 20, то есть 162 против 291, что стоит

349: Сказать про энэлпи. Элэм, это то, что он тоже имеет своё подразделение и, конечно, в нём доминирует. Это нлпи плюс ll классического нлпи уже нет, потому что, ну, кому он нужен? Есть трансформер, есть архитектура трансформера.

350: Ллм. Даже можно посмотреть конкретные примеры вот так выглядит типичная вакансия выбрал я её, потому близка к медиане и по откликам, и по зарплате как раз-таки зарплата от 220 266.

351: Что она?

352: Ллм. Даже можно посмотреть конкретные примеры. Вот так выглядит типичная вакансия выбрал я её, потому что она близка к медиане и по откликам, и по зарплате как раз-таки зарплата от 220 266.

353: Это типичная из указанных, а указали всего 10%. Поэтому, ну все-таки не смотри на эту зарплату. Скорее расценивай её. То, что на самом деле на 100 150000 больше могут дать тебе.

354: Что я не с потолка это беру. Я видел реальные настоящие мидлан, сеньора нлпи там начинаются от 300 на руки, могут дать даже до 450. И это grade middle Сень.

355: Цифры на на руки.

356: Что я не с потолка это беру. Я видел реальные настоящие цифры на мидлан. Сеньора нлпи там начинаются от 300 на руки, могут дать даже до 450 на руки, и это grade middle Сень.

357: При этом интересно, почему все-таки есть разделение такое гибрид нлпи плюс лм, ну потому что по задачам где-то тебе нужно будет и так сказать, саму архитектуру делать вот этого бота.

358: То есть продумывать то, как он работает с кишками работать, а не только раг пилить и каким-то таким верхнеуровневым заниматься поверхностным. Или, например, вот чистый ллм это вот чистый бот.

359: Тут уже и описание идёт о том, что тебе нужно прям настраивать пайплайн уже там заниматься больше диплоем и меньше заниматься оптимизацией инференса и обучением, либо есть все-таки

360: Либо есть все-таки маленький процент классического нлпи, где ты, так сказать, all in в обучение идёшь самой модели, например, есть такая казахстанская по речевым технологиям, ну и сразу.

361: Понятно, что там тебе нужно будет уже глубже копать в то, как работает сама обработка естественного языка, в чем, в принципе, и заключается смысл энэлпи natural language, вот, ну, остальные ты можешь тоже сам посмотреть.

362: Указано либо в нас.

363: Потом там такая же система, как и по энэлпи лм. Заходишь, смотришь, что по грейдам очень интересно, по грейдам 46% я узнал из описания. Это значит, что в описании

364: Потом там такая же система, как и по энэлпи лм. Заходишь, смотришь, что по грейдам очень интересно, по грейдам 46% я узнал из описания. Это значит, что в описании указано либо в нас.

365: Грейд, который хотят, но так не бывает, что просто не указали, либо указали, там невнятно, поэтому пришлось, да, определять по годам это и показывает у меня значение. 46 грает из описания.

366: Всегда.

367: Грейд, который хотят, но так не всегда бывает, что просто не указали, либо указали, там невнятно, поэтому пришлось, да, определять по годам это и показывает у меня значение. 46 грает из описания.

368: 4 инферит по требованиям, но в итоге я тебе скажу, что, ну, в конечном итоге все довольно правильно получилось. Можешь тоже не волноваться об этом, что где-то разметка не та, но что интересно, хотят больше.

369: Половины сенер. Мидлов хотят всего лишь 17%. Вдумайся в это Лидов хотят больше, чем мидлов. При этом доминирует абсолютно позиция. Сенер никому не нужны. Мидл также редок, как

370: Lead. При этом лид это прям что-то запредельное, потому что в выборке у меня, заметь сколько у меня Лидов всего лишь 84. Это 10% от всей моей конкурентоспо.

371: Способные выборки 10%. При этом мидлов хотят так же, как Ледов. Поэтому мой тебе совет учись сразу на пробуй на сеньора. Если ты отсекаешь вакансии, сеньорские, ты теряешь больше половины.

372: Сеньора вака.

373: Способные выборки 10%. При этом мидлов хотят так же, как Ледов. Поэтому мой тебе совет учись сразу на сеньора. Пробуй на сеньора. Если ты отсекаешь вакансии, сеньорские, ты теряешь больше половины вака.

374: Вакансий из этих, так или иначе, а больше половины вакансий. Вот и сам тоже подумай, у нас всего их и, а ты из них теряешь при этом по требованию опыта, да, 3. И все хотят. И по городам тоже очень интересно все.

375: Так, 6.

376: Вакансий из этих, так или иначе, а больше половины вакансий. Вот и сам тоже подумай, у нас всего их и так, а ты из них теряешь при этом по требованию опыта, да, 3 и 6. Все хотят. И по городам тоже очень интересно все.

377: Вот прутся, как говорится, в нлпи ллм, что мы потом увидим, но большинство хотят не медловский специалистов, которые будут доводить модели до прода, мониторить их абт.

378: Если что, все честь по чести от а до вот что подразумевается под сеньором. Но, с другой стороны, сильно не я бы тебе советовал не концентрироваться этих понятиях, потому что они тоже часто

379: Какие? Я на.

380: Если что, какие все честь по чести от а до я вот что подразумевается под сеньором. Но, с другой стороны, сильно не, я бы тебе советовал не концентрироваться на этих понятиях, потому что они тоже часто

381: Ими манипулируют, чтобы манипулировать зарплатой, давать 1 зарплату не давать. Другую мы тоже потом очень интересно увидим. По зарплатным переходам, по переходам, по грейдовые переходам 90% повышаются

382: В грейде, переходе и очень сильно бьёт по мифу ещё раз тому ты должен расти внутри компании. Ну, всем таким, просто за щеку можешь дать вот этим анализом и с классиком тоже.

383: При это что?

384: В грейде при переходе. И это очень сильно бьёт по мифу ещё раз тому, что ты должен расти внутри компании. Ну, всем таким просто за щеку можешь дать вот этим анализом и с классиком тоже.

385: Вообще даже ещё хуже, там уже тоже мидлы никому не нужны там 54 7 ну географию формат кратенько конечно же 70% это moscow и добивает спб. Что интересно Беларусь.

386: Разберём.

387: Вообще даже ещё хуже там уже тоже мидлы никому не нужны там 54 7 ну географию формат кратенько разберём конечно же 70% это moscow и добивает спб. Что интересно Беларусь?

388: Дальше уже пошли те, кто не смирился с движухой и переехал Ташкент, Астана, Тбилиси по формату работы. Интересно, все ещё удалёнка в мл жива, например в раздутых?

389: Сферах, таких как react, там уже работодатели могут наглеть, и таким образом, отсеивая не самых отчаянных. Те, кто те, кто ещё не готов ходить в офис, то есть они загоняют стадо в загон, ну, в мл.

390: Ещё получше. С этим удалёнка доступна в итоге почти в половине 43, так что нормально. Хотя, конечно, так себе почти половина, а почти половина, конечно. Ну так себе следующее это за

391: Офис.

392: Ещё получше. С этим удалёнка доступна в итоге почти в половине 43, так что нормально. Хотя, конечно, так себе почти половина, а почти половина офис, конечно. Ну так себе следующее это за

393: Дачи и навыки. Что же нужно делать исходя из вакансий? Ну тут такая поправка, что это такое масло масляное, потому что большинство вакансий, естественно, они пишутся сейчас.

394: С gpt, со встроенным уже на там, на этой платформе, который пишет тебе описание по твоему запросу, но допустим хрюшам ещё нужно хоть 1 секунду поработать и они как-то корректируют это.

395: И что из этого полезного выудить? Да, то, что в 80% вакансиях будешь заниматься, судя по описанию и обучением моделей, дата пайплайном будешь вот зани.

396: Мы можем диплоем.

397: И что из этого мы можем полезного выудить, да, то, что в 80% вакансиях будешь заниматься, судя по описанию, диплоем и обучением моделей, дата пайплайном будешь вот зани.

398: Заниматься тем, чем я занимался только в гораздо больших объёмах и уже применительно к строить какие-то пайплайны, обработки данных над архитектурой, работать и возможно там проводить исследования, строить гипотезы. Ну дальше уже идёт что-то более

399: Специфичное, да, мониторинг, анализ данных. Ну и самое такое посмотрим. Внизу разметка данных. Ну хорошо, что спасибо на этом, что всего лишь 9% упоминают разметку данных, то есть, по сути,

400: Ты будешь низшей работой заниматься разметкой данных. Это инженер. Ну, тут ты можешь посмотреть задачи по доменам, я не буду сильно размазывать это сам посмотришь, если интересно, вот в чем тут основной то.

401: Отличия можно вкратце посмотреть, например, то, что в ml ops, понятное дело, диплой архитектура, мониторинг, дата, пайплайн, огромное количество, а в каком-нибудь, хотя в мл класс

402: Ну да, обучение моделей самый большой показатель занимает, нежели в обучение в nlp, где обучение моделей 80%, то есть чуть поменьше на classic больше обучение моделей, меньше диплоя ну хотя.

403: 1 и тоже получается 85 и 80 дела ресерч очевидно, что интересно, почему тут тут deploy 100%, а в ml ops 97 ну хотя это одно и то же погрешность.

404: 1 и тоже получается 85 и 80 дела ресерч очевидно, что интересно, почему тут deploy 100%, а в ml ops 97 ну хотя это одно и то же погрешность исследования.

405: И обучение модели. Понятно, почему. В любом случае вот он, интересный график, который я хотел показать, это расхождение. Теги описаний, навыки, которые редко эйчар ставят, но часто упоминают справа, те, что ставят, а слева.

406: Справа те, что выделяются с помощью джеминая из вакансий, а слева те, что ставят, и самое большое различие в докере, почему-то пишется в описании докер, но упоминается в 4 раза меньше как так?

407: Ну, в целом это дефекты платформы, чем полезно ты можешь смотреть, да и указывать навыки те, которые все-таки п. 1 extracted преобладают по зарплатам, я сильно останавливаться не буду, я.

408: Про это уже говорил то, что здесь зарплаты маленькие, но все равно получается так, что кандидаты против вакансий на той убогой выборке, которую мы имеем, они в целом равны.

409: Вот так они попадают в один и тот же диапазон на руки вакансии медиана. Это 316 сходится от 220. Ну, короче, 220 320, да, а кандидат где-то хочет.

410: Посередине этого типичный, который раскрыл это 270. Так оно и получается, это все полный кал, да, очень маленькие зарплаты, которые с учётом сложности сферы полу.

411: Получает хороший на реакте, но сейчас уже не получает, потому что рынок фронтенда очень интересный раздел отклики, допы, распределение откликов, кто раздувает среднее как раз-таки.

412: Мидл сдох.

413: Получает мидл хороший на реакте, но сейчас уже не получает, потому что рынок фронтенда сдох. Очень интересный раздел отклики, допы, распределение откликов, кто раздувает среднее как раз-таки.

414: Смак про конкуренцию. Если ты смотрел мой разбор про фронтент, ты можешь там посмотреть, сравнить, взять оттуда отклики. Я уже таким заниматься не буду, но и так уже как бы понятно распределение откликов медиана.

415: У нас это 212 текущие отклики, чтобы ты понимал, это те, что сколько людей откликнулось после перевыкладки. Её вакансия может перевыкладывать. Я, если ты не знал при этом.

416: Ну, хорошая вакансия, перевыкладываем редко. Те, которые фармят отклики, это их уже в чёрный список нужно добавлять, они, скорее всего, занимаются, ну, сбором рынка, тоже анализом.

417: Данных, что не может человек по полгода кого-то искать каждый месяц. Тем не менее, мы имеем число 212 медиана. То есть обычно вакансия набирает 212 откликов, что хоро

418: Показатель, потому что в фронтенде это совсем все по другому. Там при этом топовые набирают 600 за все время. Напомню тебе, если ты смотрел разбор по фронтенду 600 могут

419: Набирать топ 10 вакансий откликам не такие, не 1500, а 4500 3000 откликов. При этом все сеньоры Лиды тоже в бигтех все работают, ну и людей.

420: По там.

421: Набирать топ 10 вакансий по откликам не такие там не 1500, а 4500 3000 откликов. При этом все сеньоры Лиды тоже в бигтех все работают, ну и людей.

422: Намного больше топ 10 вакансий. Очевидно это ellie, это ai разработчик, то есть сочные вакансии remote, где казалось бы не надо прям очень много знать.

423: На, пилишь рак?

424: Намного больше топ 10 вакансий очевидно это ellie, это ai разработчик, то есть сочные вакансии на remote, где казалось бы не надо прям очень много знать, пилишь рак.

425: Все всегда случилось и

426: В принципе, вот такая вакансия топовая у нас столько и набрала, и это ловушка, потому что тот, кто набирает там, где легко, тот набирает всегда много вакансий. Так с фронтендом все попёрлись.

427: Все, в принципе, вот такая вакансия топовая у нас столько и набрала, и это всегда ловушка, потому что тот, кто набирает там, где легко, тот набирает всегда много вакансий. Так случилось и с фронтендом все попёрлись.

428: Да.

429: В итоге рынок сдулся, различных экономических обстоятельств тоже и здесь все думают, что рак это легко откликаются, в итоге там не пробиться, хотя по доменам разницы нет, потому что и на classic и на

430: Да, в итоге рынок сдулся, различных экономических обстоятельств тоже и здесь все думают, что рак это легко откликаются, в итоге там не пробиться, хотя по доменам разницы нет, потому что и на classic и на

431: Nlp откликаются хорошо, потому что, понятное дело, если ты работал в классике, почему бы тебе не перейти в ллм, не пособеседоваться, тем более, если ты выучил другое дело с cvv, хотя сиви кандидатов тоже много, но медиана уже.

432: Пониже идёт и выигрыши. У нас млопс, который мы позже увидим, что он в целом очень хорош. Как раз-таки к этому и переходим к балансу рынка. Мы видим, что сразу вот вниз очень

433: Интересный график, междоменная мобильность. То есть я проанализировал людей, выяснил, что 50% переходили там между доменами и в минусе у нас в самом это эмэль классик.

434: Карьеры.

435: Интересный график, междоменная мобильность. То есть я проанализировал карьеры людей, выяснил, что 50% переходили там между доменами и в минусе у нас в самом это эмэль классик.

436: Ну, люди обучаются базовым мл. Табличным. В общем, логично, что если ты, так сказать, заложил фундамент, ты перейдёшь в то, что сейчас на хайпе, за чем будущее это лмки и

437: Так и есть. + 171 человек. Смотрим, сколько людей и вакансий в каждом домене прямо сейчас. Заметь, есть primary курент и эффектив. Это, по сути, если человек проработал больше всего в этом.

438: То есть он хороший конкурент, при этом есть current тот, в котором он сейчас работает, и эффектив праймери current, те, что имеют солидный опыт, плюс те, что сейчас работают. Ну и что из этого мы можем выяснить в том, что

439: Плюс.

440: То есть он хороший конкурент, при этом есть current тот, в котором он сейчас работает, и эффектив праймери, плюс current, те, что имеют солидный опыт, плюс те, что сейчас работают. Ну и что из этого мы можем выяснить в том, что

441: Ты сам можешь потыкать, но я сразу перейду в effective в то, что энэлпи ллм наклёвывается солидная конкуренция. Соотношение вакансий на кандидата уже ближе, идёт уже ближе идёт к

442: Уже к.

443: Ты сам можешь потыкать, но я сразу перейду в effective в то, что энэлпи ллм уже наклёвывается солидная конкуренция. Соотношение вакансий на кандидата уже ближе к идёт, уже ближе идёт к

444: 1 вакансии к 1 вакансии на 2 кандидата. И на самом деле в сравнении с реактом это топовые результаты. Вообще отлично. Ну просто важно понимать, что тоже

445: Свято место пусто не бывает, и уже много людей туда скапливается, и можно сделать прогноз, что людей будет ещё больше. Те, кто меды, они будут сеньоры из других доменов переходить. Опять же мы смотрим динамику вот эту нлпи.

446: Потом на.

447: Свято место пусто не бывает, и уже много людей туда скапливается, и можно сделать прогноз, что людей будет ещё больше. Те, кто меды, они будут сеньоры. Потом из других доменов переходить. Опять же мы смотрим на динамику вот эту нлпи.

448: Что люди туда переходят и переходят из доменов других, из сиви, из ресерча, аналитики, из классика, куда они переходят? Какой домен есть рекомендательные системы? Нет ml ops? Нет, потому что ml ops вообще, он как б,

449: Немногочисленный домен и единственный, который реально в дефиците. Вот по, в, у, решу, по соотношению, действительно, он сейчас в топе, там 67 вакансий на страну. Всего лишь у нас получается и всего.

450: 42, которые могут конкурировать, 42, которые вообще могут конкурировать, а те, у которых прям такой хороший, солидный домен, их вообще 20, а тех, кто прямо сейчас, всего лишь 20.

451: Кандидата 8.

452: 42 кандидата, которые могут конкурировать, 42, которые вообще могут конкурировать, а те, у которых прям такой хороший, солидный домен, их вообще 28, а тех, кто прямо сейчас, всего лишь 20.

453: 5. То есть, в принципе, ну, они перекликаются, да, и всего 42. Получается, действительно, мопс самый дефицит сейчас, но просто так ты туда не попадёшь, потому что если мы потом будем смотреть эмэль опс,

454: Это большинство состоит из перекатчиков солидным доменным опытом в бэкенде, в девопсе. Ну, не зря это называется ml. Там большие объёмы, сложные задачи, действительно.

455: С ops где?

456: Это большинство состоит из перекатчиков с солидным доменным опытом в бэкенде, в девопсе. Ну, не зря это называется ml ops, там большие объёмы, сложные задачи, где действительно

457: Тебе уже, у тебя нет времени заниматься другими задачами. Из за этого выделяется огромный отдельный пул задач на обслуживание деплоя мониторинга и всей вот этой. Хотя ты можешь тоже попробовать.

458: Машинерии.

459: Тебе уже, у тебя нет времени заниматься другими задачами. Из за этого выделяется огромный отдельный пул задач на обслуживание деплоя мониторинга и всей вот этой машинерии. Хотя ты можешь тоже попробовать.

460: Почему нет? Ну и конкуренция там. Давай, если мы возвратимся быстренько сюда, посмотрим на типичного кандидата в ml ops. Кто это такой? Где это у нас было типичный кандидат мэл опс, 28 лет. То есть, опять же он откуда-то

461: Перекатился и медианный опыт у него 6 лет. То есть он 3, 4 года, 3, 4, 5 лет, он пахал в девопсе, в бэкэнде, либо, ну все-таки в melle, да? Ну, в общем, ты понял, но

462: Что по грейдам, по грейдам. Очень интересно, что получается. Тут получается настоящий парадокс. Смысл в том, что избыток мидлов, все вот эти люди, которые вышли с 22, с 23 года, они закончили институт.

463: Тут в 24, 25, 22, 23 они вкатились, они сейчас мидлы, небольшой процент из них сеньоров, их избыток, как мы видели, огромная часть, при этом свежие.

464: Вакансий, которые

465: Тут в 24, 25, 22, 23 они вкатились, они сейчас мидлы. Небольшой процент из них сеньоров, их избыток, как мы видели, огромная часть вакансий, при этом свежие, которые

466: Закончили 4, 25 год. Плюс те, что учатся, пул свежей крови, я добавляю те, что учатся и свежие выпускники. Да, учитываем, это они кто такие?

467: 20 в. Они прямо сейчас.

468: Закончили 24, 25 год. Плюс те, что учатся в пул свежей крови, я добавляю те, что учатся и свежие выпускники. Да, учитываем. Это они кто такие? Они прямо сейчас

469: При этом рынок он хочет сеньоров, почему он не обучает? 90% повышают свой грейд при переходе, и это говорит маразме рынка.

470: Мидлов, то при этом, сеньоров, о, в целом, о о том, что

471: При этом рынок мидлов, он хочет сеньоров. Почему-то при этом сеньоров, он не обучает. 90% повышают свой грейд при переходе, и это говорит о в целом, о маразме рынка, о том, что

472: Сидят они, хотят.

473: Люди, которые чего-то, они даже не понимают, чего они хотят. Они не понимают, что на рынке происходит. Они просто у них есть какие-то задачи, да нет каких-то правил. Вот поэтому учитывай это.

474: Люди, которые сидят, они чего-то хотят, они даже не понимают, чего они хотят. Они не понимают, что на рынке происходит. Они просто у них есть какие-то задачи. Да нет каких-то правил. Вот. Поэтому учитывай это.

475: Что ты получишь медла, да, вкатишься. Но тебе нужно максимально быстро за год полтора получить сеньора, чтобы потом откликаться на сеньора, потому что таких вакансий большинство будет. Ну и про джиннов я вообще это

476: Молчу.

477: Что ты получишь медла? Да, вкатишься. Но тебе нужно максимально быстро за год полтора получить сеньора, чтобы потом откликаться на сеньора, потому что таких вакансий большинство будет. Ну и про джиннов я вообще молчу это.

478: Но это уже грязь из под ногтей, это какие-то баребухи, их уже за людей можно не считать. Ну и на льдов тоже спрос большой, но чтобы льдом стать, как ты им станешь? Это?

479: Отдельный вопрос, при том, что популяция Лидов такая небольшая очень. Ну и в целом, если промежуточный вывод такой сделать из нашего исследовательского вопроса и нлпи лм сейчас на хайпе и будет ещё

480: 2.

481: Отдельный вопрос, при том, что популяция Лидов такая небольшая очень. Ну и в целом, если промежуточный вывод такой сделать из нашего исследовательского вопроса и 2 нлпи лм. Сейчас на хайпе и будет ещё

482: Хуже сейчас туда приливает народ, причём из других доменов. Пойми это, когда ты будешь вкатываться. Да и я сам для себя, в общем то делаю заметки. Зачем я это исследование делал не только чтобы видео снять, но и разобраться в том, как устроены

483: Рынок то с кем ты конкурируешь? Которые уже мидлы, образование у них есть несколько лет опыта, и чтобы тебе с ними конкурировать, ты не можешь просто быть, который вот он чуть чуть выучил и пошёл.

484: Это тюфяком.

485: Рынок то, с кем ты конкурируешь? Это которые уже мидлы. Образование у них есть несколько лет опыта, и чтобы тебе с ними конкурировать, ты не можешь просто быть тюфяком, который вот он чуть чуть выучил и пошёл.

486: Тебе нужно основательно, глубоко учить. Тебе нужно прям хорошо проходить собеседование, знать досконально. И тогда ты можешь как бы сравняться с ними и превзойти их. Здесь нет места.

487: Тоже слабым вот этим, которые, в принципе, почему и мл сейчас жив, потому что мало того, много учить ещё и конкуренты, оказывается, тоже. Они не лохи какие-то, у них у всех высшее образование, они все имеют.

488: Опыт уже в классике, они на хайпе залетели, когда был пик. Кстати, если говорить про ещё раз, хронологическую воронку, пик был в 23, 20, 22 году, вот так 20.

489: 1, 22, 23. После всем известных событий. Вот 23, это был последний рост, в 24. Резкий обвал был в 25 ещё больше. Но это не значит, что все закрыто просто.

490: Люди начали перекатываться, кто и сейчас, когда фронтент стух, да, вопрос такой возникает. Пойдут ли они сюда? Я думаю, нет. Ну хотя кто знает, если они будут смотреть, заходить на мою платформу, пожалуйста, вкатывай, в общем то.

491: Куда мои видео?

492: Люди начали перекатываться кто куда и сейчас, когда фронтент стух, да, вопрос такой возникает. Пойдут ли они сюда? Я думаю, нет. Ну хотя кто знает, если они будут смотреть мои видео, заходить на мою платформу, пожалуйста, вкатывай, в общем то.

493: Для вас я тоже сделал платформу, в которой я тоже сам учусь. В любом случае, эта сфера не для. На этом графике мы тоже чуть углубляемся в динамику. Мы видим, что люди, которые начинали энэлпи,

494: Эту. Они не

495: Для вас я тоже сделал эту платформу, в которой я тоже сам учусь. В любом случае, эта сфера не для. На этом графике мы тоже чуть углубляемся в динамику. Мы видим, что люди, которые начинали энэлпи, они не

496: Только остаются, но их и больше становится. В отличие от ресерча почему-то research у нас не процветает, видимо, редко где платят. Ну и в целом, если ты известен с таким

497: Понятием, как квант. Видимо, туда уходят те, кто владеют навыками ресерча, бегут из аналитики, и тут мы видим, что да, ретеншен по домену, тот самый самый высокий у нас

498: То есть, мало того, люди начинают в нём, люди туда переходят из других доменов, они ещё и остаются там, на основе чего можно делать прогноз, что, конечно, сфера эта будет в какой-то момент.

499: Переполнена и станет похожа на может быть, а может и нет, потому что вкатиться в этот поддомен нужно очень много учить. Ты не только классиком должен обладать ещё и в зависимости от задач.

500: Да.

501: Переполнена и станет похожа на может быть. А может и нет, потому что вкатиться в этот поддомен нужно очень много учить. Ты не только классиком должен обладать ещё и в зависимости от задач, да.

502: Потому что мы знаем, что энэлпи делится на подразделы, разбираться в самих, разбираться в агентной архитектуре, как это все работает. Порог, может быть, ещё больше поднимется входа, потому что

503: Все время это развивается, но имеем пока что имеем. Вот тут есть переходы и нлпи воронка. Здесь мы уже видим конкретную матрицу переходов. Кто из какого домена переходит. Опять же нлпи здесь доминирует.

504: То интересно, в мл классике люди тоже остаются, тоже интересные задачи. Там есть компьютер, вижн остались. Можем посмотреть такое соотношение, например, и кто из энэлпи?

505: Перешёл в ml классик в

506: То интересно, в мл классике люди тоже остаются, тоже интересные задачи. Там есть компьютер, вижн остались. Можем посмотреть такое соотношение, например. И кто из энэлпи перешёл в ml классик в

507: Другой домен. Ну и тут таким образом поэкспериментировать. Тут тоже видно, что 42 кандидата, тут тоже видно, что 42% кандидата, половина конкурентоспособной популяции работает не в том домене, где они

508: Начинали тоже возникает вопрос как так? Видимо, в классике задачи неинтересные в нлпи платят больше, либо вот из cv тоже много людей переходит потом в нлпи когда?

509: Строишь, когда думаешь о своей будущей карьере, это можно учитывать тоже, тут тоже продолжается период уже полураспада, то есть время, за которое половина специалистов покидает домен, тоже.

510: Можешь посмотреть, я уже сильно останавливаться на этом не буду. Это просто с разных сторон. Мы понимаем выживаемые домены, переходы, карьерные пути. Но что интересно, вот вертикальная мобильность та, тебе нужно.

511: Самая сколько?

512: Можешь посмотреть, я уже сильно останавливаться на этом не буду. Это просто с разных сторон. Мы понимаем выживаемые домены, переходы, карьерные пути. Но что интересно, вот вертикальная мобильность та самая, сколько тебе нужно?

513: Чтобы стать сеньором, сколько тебе нужно, чтобы стать мидлом, чтобы лидом стать? Сколько медиана в среднем люди задерживаются на каждом домене вот в emily, и как они получают повышение. На это у нас отвечает вот эта аналитика.

514: Все это.

515: Чтобы стать сеньором, сколько тебе нужно, чтобы стать мидлом, чтобы лидом стать? Сколько медиана в среднем люди задерживаются на каждом домене, вот в emalica, и как они получают повышение, на все это у нас отвечает вот эта аналитика.

516: И мы видим, что на медла можно сразу приходить. То есть 50, больше 50% нашей популяции мидлов пришли на этот уровень. А что по поводу сеньоров на сеньорный, чтобы попасть на

517: Сразу позиции неё, тебе. Ну.

518: И мы видим, что на медла можно сразу приходить. То есть 50, больше 50% нашей популяции мидлов пришли на этот уровень сразу. А что по поводу сеньоров на сеньорный позиции, чтобы попасть на неё тебе? Ну,

519: Нужен год, и все те, кто говорят, что тебе нужно работать 4 5 лет, а то и 10 лет. Настоящий сеньор, это просто защёканцы гейткиперы, которые они не хотят проводить анализ свой.

520: Они просто отсосут, когда ты им покажешь вот такую статистику, что медиана до 1 сеньора. То есть, когда ты повышаешь, повышаешься в грейде, получаешь переход с медла до сеньора и полу.

521: Чаешь ты его, когда переходишь в другую компанию, то на медле ты работаешь год, полтора и все достаточно, да, ты активно работаешь, потеешь, но 5 лет, не 4 года. Ну,

522: Тем не менее, не

523: Чаешь ты его, когда переходишь в другую компанию, то на медле ты работаешь год, полтора и все достаточно, да, ты активно работаешь, потеешь, но, тем не менее, не 5 лет, не 4 года. Ну,

524: Следующее это результатам пишут в резюме какие результаты, что хотят от тебя вакансии здесь становится понятно, что кандидаты любят писать о том, что они

525: По что и?

526: Следующее это по результатам что пишут в резюме, какие результаты и что хотят от тебя вакансии. Здесь становится понятно, что кандидаты любят писать о том, что они

527: Тренировали модель. Это неплохо, это нужно. No чего действительно может не хватать. Это мониторинга диплоя стейк холдер коммуникации, что интересно и чуть чуть архитектурного дизайна, хотя

528: Конечно, тут уже на тут уже не такая сильная разница. Все-таки самое интересное это что деплой и мониторинг упоминает не так много резюме, как хотелось бы по

529: Поэтому, когда пишешь резюме своё, учитывай это что чуть побольше можно упомянуть мониторинга. Ну тут такой мини мини анализ по лм стеку что-то растёт, что-то уходит. Можешь посмотреть.

530: Диплоя и

531: Поэтому, когда пишешь резюме своё, учитывай это, что чуть побольше можно упомянуть диплоя и мониторинга. Ну тут такой мини мини анализ по лм стеку что-то растёт, что-то уходит, можешь посмотреть.

532: В принципе, не думаю, что есть смысл конкретно на этом и перейдём уже, наконец, скорингу и формулу отклика наш слой аналитический, что у нас по поводу того самого скоринга, про который

533: Сильно останавливаться к последний.

534: В принципе, не думаю, что есть смысл сильно конкретно на этом останавливаться. И перейдём уже, наконец, к скорингу и формулу отклика последний наш слой аналитический, что у нас по поводу того самого скоринга, про который

535: Мы обсуждали в начале про то самое пересечение 168 кандидатов, вот эти 3 скоринга. Дело в том, что они согласуются на вот этом подмножестве, и что становится

536: Когда они согласуются, а то, что чтобы попасть в число элиты, тебе нужно писать почаще. Quantify результаты вот эти 1 скоринг отбирает по упаковке, по фото твоему, другой по содержанию.

537: Пиши побольше цифр вот этих, да? Ну ты это и так знаешь. Если ты разбираешься, тем не менее, именно цифрами, это тоже доказано. И понятное дело, потому что скоринг на это и рассчитан. Но вот про фото я не зна.

538: Это действительно интересно. Ну и закончим откликами. Здесь, по сути, решена была регрессия, отклики в день. Это признак нашей вакансии. И мы хотим понять, почему та или иная вакансия получа.

539: Больше всего откликов, то есть какие коэффициенты по модулю присутствуют в этом уравнении в регрессии. И получается, что, в принципе довольно характерно, что раскрытая зарплата и удалённая.

540: Работа получают больше всего, если мы вот эти предикторы уберём значимые предикторы. Разница между доменами не очень, все домены одинаково получают равное количество

541: Разница лишь в этих предикторах, удалённая она или нет, раскрытая зарплата или нет, это подтверждается тем, что многие кандидаты почти половина работали в мультидомен если ты изучил мл классик или энэлпи, ты будешь.

542: Откликаться и на, да, ну значимые, только провал есть в рекомендательных в мл опс, что понятно почему. Ну и вот как-то так. На самом деле, большой анализ полу.

543: То и на то системах и

544: Откликаться и на то, и на то, да, ну, значимые, только провал есть в рекомендательных системах и в мл опс, что понятно почему. Ну и вот как-то так. На самом деле, большой анализ полу.

545: Учился он был ещё больше, там было не 3 слоя. Изначально было вообще 5 слоёв, но что-то я решил вынести в отдельный анализ, потому что очень много информации, очень трудно её обрабатывать.

546: Например, был такой слой под названием архетипы по доменам, среди которых можно выделить архетипы перекатчик андердоги, метеориты, например, Лиды до 22 23 ли.

547: Так называемые морские котики в сфере машинного обучения. Те, которые закончили мехмат мфти посмотреть, выделить среди них паттерны, где они работают, в каких компаниях. Потом у меня была ещё идея сделать конкретно углу.

548: По компаниям, то есть какие компании являются донорами, из каких компаний люди бегут, в каких компаниях они остаются, такого рода анализ, потом посмотреть все это в динамике, в общем,

549: На самом деле из этого датасета можно много чего как бесполезного, как и полезного выдаить если у тебя есть какие-то идеи, пиши их в комментариях, либо если ты хотел бы сам провести анализ, либо если ты уже что-то подобное.

550: Сам проводил, анализировал тоже напиши. Интересно возможно ещё что-то выйдет из этого рода анализов. Уже отдельные видео как раз-таки по элите машинного обучения. Кто они такие? Где они ра.

551: Работают. Очень интересный раздел. Есть, например, про тех же так называемых так называемых квантах. Это специальные так называемых квантах.

552: Оо это очень.

553: Работают. Очень интересный раздел. Есть, например, про тех же так называемых так называемых квантах. Это специальные оо, так называемых квантах, это очень

554: Домен специалистов, которые занимаются расчётами на биржах. Например, я когда анализировал свой датасет, мне попадались кандидаты, которые работают в цб, видимо, какие-то очень важные анализы финансового рынка, они делают и там чистая

555: Математик, сложнейшая математика, там прям это топ топ, это даже уже морские котики, а ещё больший поддомен ещё элитней отдельная даже команда морских котиков элитных, если такую параллель про

556: Не.

557: Математик, сложнейшая математика, там прям это топ топ, это даже уже не морские котики, а ещё больший поддомен ещё элитней отдельная даже команда морских котиков элитных, если такую параллель про

558: Вводить. Вот в любом случае, если тебе это интересно было, ты хотел бы ещё увидеть такого, что-то жми.