Ищу работу: CTO, Tech/Team Lead, R&D

Обновлено 5 ноября.

Работу нашёл. Пост оставляю для истории.

15 лет в разработке ПО, 13 — в геймдеве, 9 — в топ геймдев компаниях.

Специализируюсь на решении нетипичных задач, наведении порядка, разработке backend.

Не привязан к технологиям, легко переключаюсь на выгодные для текущего проекта.

Резюме: ru, [en](absolute:/en/cv}.

Рассматриваю позиции CTO, Tech/Team Lead или R&D разработчика.

Не рассматриваю:

1. аутсорс, аутстаф — совсем-совсем;
2. криптопроекты, ориентированные на продажу токенов на хайпе;
3. низкоуровневый линукс и всё, близкое к железу;
4. работу, заточеную на обеспечение security;
5. работу, заточеную на сложную графику;
6. работу, сконцентрированную на devops, настройке инфраструктуры, etc.

Отвожу время на поиск до начала ноября. То есть принять офер смогу только в начале ноября.

Рассматриваю только продуктовые компании.

Важно наличие бонусов / опционов / процентов от прибыли с чёткими критериями их получения. Если такого нет, то буду рассчитывать на прямую компенсацию в зарплате.

Планирую уезжать на запад. Поэтому либо релокация в течение года, либо возможность удалённой работы.

P.S. Из всего могут быть исключения, но для каждого исключения нужен повод.

ИИ нас всех не(?) заменит

GitHub в прошлом месяце выпустил ИИ напарника для программистов, который умеет дописывать код. В догонку OpenAI опубликовали видео с возможностями технологии. Например, демонстрацию разработки игры на JavaScript.

Справедливости ради отмечу, что «игра» откровенно убогая. Но процесс создания впечатляет всё равно.

Одновременно с этим роботы занимаются паркуром, автомобили ездят без водителя, маркетинговые алгоритмы и ленты социальных сетей во всю управляют нашим поведением и даже мыслями.

Время поговорить о замене нас железными мозгами перспективах машинного обучения в его текущем виде.

Для краткости, вместо машинного обучения, нейронных сетей, feature programming и аналогичных вещей далее буду использовать аббревиатуру ИИ — Искусственный Интеллект. Кто знает на какой конкретно технологии всё остановится, но для её пиара гарантировано будут использовать затычку из двух «И».

Эссе включает:

1. Оценку возможности прогнозирования.
2. Описание факторов, которые влияют на развитие и внедрение ИИ.
3. Три классических прогноза: пессимистичный, реалистичный и оптимистичный.

В первой и второй частях я уверен, а вот в прогнозах у меня получается жутковатая картина. В то же время основной проблемой прогнозов я считаю оценку сроков, а не качественных изменений.

Далее

Feature Programming

Эссе по итогам нырка в Deep Learning, но не о DL и даже не совсем о Machine Learning, а о новой парадигме программирования, которая рождается из него.

Собственно, нейронные сети я смотрел не потому, что интересуюсь именно ими, а потому что они сейчас демонстрируют наибольший прогресс и характерные черты этой парадигмы.

В следствие выбранной темы, эссе получилось футурологическим и абстрактным. Например, я не буду перечислять области применения DL и достигнутые в них результаты — этим итак всё инфопространство забито.

Оговорка раз: я определённо не эксперт в машинном обучении. Эссе в большей степени отражает мой опыт и картину мира, нежели знания и понимание ML и DL.

Оговорка два: термины «признак», «feature» будут использоваться достаточно вольно.

Далее

Реализация Generative Adversarial Network

В завершение разбирательства с Deep Learning решил посмотреть что-нибудь более интересное и ориентированное на генерацию контента — реализовать GAN.

По правде говоря, большую часть времени с GAN (и Autoencoder) я экспериментировал на спрайтах карты Сказки. Ожидаемо, на таком мизере обучающих данных ничего интересного не получилось. Хотя польза и была. Поэтому для поста я подготовил отдельный notebook с более наглядными результатами — генерацией обуви по набору данных Fashion MNIST.

Ноутбук с реализацией GAN и комментариями.

Про архитектуру GAN лучше почитать в вики, интернетах или моём ноутбуке.

Краткая суть:

• Тренируются две сети: generator & discriminator.
• Генератор учится создавать картинки из шума.
• Дискриминатор учится отличать поддельные картинки от настоящих.
• Ошибка дискриминатора определяется качеством предсказания фейковости изображения.
• Ошибка генератора определяется качеством обмана дискриминатора.

Если правильно подобрать топологии сетей и параметры обучения, то в итоге генератор научается создавать картинки неотличимые от оригинальных. ??????. Profit.

Ссылки на курсы по Machine Learning & Deep Learning

Перед началом разбирательства с темой собрал для себя список курсов, которые могут быть интересны.

Публикую, чтобы не пропадал зря.

Только ссылки. Свои комментарии вырезал — в исходном виде они никому кроме меня не помогут :-)

Далее