---

Wątek na Slacku, który zapoczątkował zmiany

Wszystko zaczęło się od wątku na Slacku, w którym jeden z naszych inżynierów backendowych wyraził frustrację związaną z interakcją z nowym pracownikiem, który twierdził, że jest inżynierem uczenia maszynowego. "Oni w ogóle nie rozumieją procesu wdrożenia," napisali, podkreślając lukę, która wpływała na nasz projekt. Ten moment uświadomił nam, że musimy na nowo ocenić, jak zatrudniamy inżynierów uczenia maszynowego i upewnić się, że mogą skutecznie przyczynić się do naszego procesu wdrożeniowego.

Kontekst: Dlaczego to ważne

Granica między inżynierami uczenia maszynowego a naukowcami danych często się zaciera, co prowadzi do niezgodności w oczekiwaniach rekrutacyjnych. W naszym przypadku stawka była wysoka; byliśmy w trakcie wdrażania nowej funkcji, która w dużej mierze opierała się na solidnych modelach ML. Jeśli nasz nowy pracownik nie poradzi sobie z operacyjnymi aspektami ML, opóźni to nasz harmonogram i wpłynie na naszych użytkowników. Potrzebowaliśmy jasności co do umiejętności, których szukaliśmy, oraz jak skutecznie je testować podczas rozmów kwalifikacyjnych.

Problem w szczegółach

Nasz nowy pracownik miał silne teoretyczne zrozumienie uczenia maszynowego, ale brakowało mu praktycznego doświadczenia w wdrażaniu modeli. Na przykład, gdy został poproszony o zintegrowanie modelu z naszą istniejącą infrastrukturą, miał trudności z obsługą zależności i wersjonowaniem, co prowadziło do znaczących przestojów. To nie tylko frustrowało zespół, ale także zagrażało naszym terminom projektów. Szybko uświadomiliśmy sobie, że skupienie się wyłącznie na umiejętnościach modelowania jest niewystarczające.

Co próbowaliśmy najpierw

Początkowo próbowaliśmy udoskonalić nasze opisy stanowisk, aby przyciągnąć kandydatów z doświadczeniem w wdrożeniach. Jednak po kilku iteracjach odkryliśmy, że samo dostosowanie sformułowań nie zmieniało znacząco jakości aplikacji. Wciąż otrzymywaliśmy lawinę kandydatów, którzy świetnie radzili sobie z teorią, ale nie spełniali wymagań w zakresie umiejętności praktycznych. To skłoniło nas do całkowitego przemyślenia naszego procesu rekrutacji, przechodząc od tradycyjnych pytań dotyczących modelowania do oceny gotowości do pracy w realnym świecie.

Podejście techniczne

Postanowiliśmy wdrożyć dwuczęściowy proces rozmowy kwalifikacyjnej, który koncentrował się zarówno na wiedzy teoretycznej, jak i praktycznym zastosowaniu. Pierwsza część obejmowała podstawowe pojęcia ML, podczas gdy druga zawierała zadanie programistyczne, które symulowało scenariusz wdrożenia. Na przykład kandydaci byli proszeni o napisanie prostego skryptu do wdrożenia wstępnie wytrenowanego modelu do fikcyjnego API, demonstrując swoje zrozumienie procesów.

# Przykładowy skrypt wdrożeniowy
import joblib
from flask import Flask, request

app = Flask(__name__)

model = joblib.load('model.pkl')

@app.route('/predict', methods=['POST'])
def predict():
    data = request.json
    prediction = model.predict(data['input'])
    return {'prediction': prediction.tolist()}

if __name__ == '__main__':
    app.run(debug=True)

To podejście pomogło nam zidentyfikować kandydatów, którzy nie tylko rozumieli teorię ML, ale także potrafili poruszać się po krajobrazie wdrożeń, co jest kluczową umiejętnością dla naszego zespołu.

Co zmieniło się w produkcie

Po wdrożeniu nasz proces rekrutacji stał się bardziej zgodny z naszymi rzeczywistymi potrzebami. Udało nam się skutecznie obsadzić kilka stanowisk kandydatami, którzy wykazali silną równowagę między teorią a praktycznymi umiejętnościami wdrożeniowymi. W rezultacie zauważyliśmy znaczną poprawę w efektywności wdrożeń naszych funkcji ML. To bezpośrednio wpłynęło na satysfakcję użytkowników, ponieważ byliśmy w stanie uruchamiać nowe funkcje na czas, bez wcześniejszych problemów.

Czego się nauczyliśmy

Dzięki temu procesowi odkryliśmy kilka kluczowych spostrzeżeń:

• Skupienie na umiejętnościach praktycznych: Kandydaci muszą wykazać się doświadczeniem w zakresie wdrożeń, a nie tylko wiedzą teoretyczną.
• Jasne definicje ról: Odpowiednie rozgraniczenie ról między inżynierami ML a naukowcami danych pomaga uprościć proces rekrutacji i ustawia jasne oczekiwania.
• Iteracja procesów rozmów kwalifikacyjnych: Regularne przeglądanie i udoskonalanie naszych metod rozmów kwalifikacyjnych utrzymuje nasze praktyki rekrutacyjne w aktualności i skuteczności.
• Wartość rzeczywistych scenariuszy: Włączenie wyzwań z rzeczywistego świata do rozmów kwalifikacyjnych pozwala lepiej zrozumieć praktyczne możliwości kandydata.

Co to oznacza dla kandydatów

Jako kandydat, zrozumienie różnicy między inżynierią uczenia maszynowego a nauką o danych jest kluczowe. Jeśli aplikujesz na stanowisko inżyniera ML, skoncentruj się na pokazaniu swojego doświadczenia w wdrożeniach i znajomości procesów. Bądź gotowy do omówienia praktycznych scenariuszy podczas rozmów kwalifikacyjnych, ponieważ cenimy umiejętności praktyczne tak samo, jak wiedzę teoretyczną.

Co to oznacza dla rekruterów

Dla rekruterów kluczowe jest jasne określenie wymagań dotyczących stanowiska podczas poszukiwania inżynierów uczenia maszynowego. Podkreśl potrzebę, aby kandydaci mieli praktyczne doświadczenie w zakresie wdrażania modeli i procesów. Pomoże to przyciągnąć odpowiednie talenty i zmniejszyć ryzyko błędów w zatrudnieniu, które mogą prowadzić do opóźnień w projektach.

Następne kroki

Patrząc w przyszłość, planujemy ciągłe monitorowanie naszych wyników rekrutacyjnych i zbieranie opinii od nowych pracowników na temat procesu rozmowy kwalifikacyjnej. Rozważamy również możliwość stworzenia ustandaryzowanej platformy oceny dla potencjalnych kandydatów, aby jeszcze bardziej uprościć nasze oceny. Gdybyśmy mieli coś powtórzyć, to włączylibyśmy sesje wspólnego kodowania wcześniej w procesie, aby lepiej ocenić dynamikę pracy zespołowej. ---