А что если на основе вот этого пройти собесы в Яндекс, ВК и Т-банк, устроиться туда по ТК РФ, поработать пару месяцев пока или не уволят за low performance или не поймают за нарушение ТК РФ, а потом везде писать

EX-YANDEX, EX-VK, EX-TBANK

#лайфхаки

Бесплатная карьерная консультация от легендарного канала "Данные по-большому" (актуально для 2026 года)

1. Вступаем в какой-нибудь клуб менторов, менторим или становимся mentee, и по примеру из этого поста скидываемся на общак для помощи эйчарам в рассмотрении нас на жирные позиции.
2. Устраиваемся на 3-4 работы в бигтех с помощью нейронок, работаем там по 1-2 месяца, чтобы получить заветные плашки и чтобы в следующих компаниях звонили в Яндекс и Вк и получали оттуда инфу что ты действительно там работал.
3. Крутим опыт, что в Яндексе и ВК ты за месяц создал что-то типа Яндекс.ДронТакси
4. В Линкедине в интересах везде ставим что боремся за гражданские права, также местоимение They/Them и делаем фото с розовыми волосами. Это уже для западных бигтехов, но для Яндекса можно и заранее сделать.
5. Повторяем пункт 2 уже в западных бигтехах
6. Пишем "Zalup Zalupov, фаундер Рога и Копыта, ex-Yandex, ex-Google" и идём за бабками к инвесторам
7. Конвертируем бабло в крипту, выводим на безопасный счёт в России, обналичиваем, прячемся в России от уважаемых западных партнёров

#сарказм #лайфхаки

Data Engineer в MAX, Москва
#гибрид #middle #senior
Компания: VK
🔹Задачи
- Проектировать, реализовывать и оптимизировать сложные ETL-процессы (в том числе разработка DAG-ов для автоматизации)
- Участвовать в проработке и пилотировании нового: Data Quality, развитие собственного ETL-фреймворка, тесные интеграции с аналитическими инструментами
- Работать с данными на каждом этапе их трансформации: от появления информации в конкретном источнике до принятия решений на данных
- Извлекать из исходных данных ценную информацию и скрупулёзно обрабатывать её для последующего анализа
- Реализовывать стабильный расчёт бизнес-метрик вместе с командой аналитиков
- Поддерживать и модифицировать созданные решения, обеспечивать доступность сервиса и корректность данных для принятия решений

🔹Требования
- Уверенно знаете Python на уровне написания собственного фреймворка и SQL на уровне оптимизации запросов
- Умеете проектировать DWH: слои, модели хранения данных, процессы ETL
- Хорошо понимаете принципы работы распределённых систем Hadoop или YTsaurus, ClickHouse
- Использовали Airflow, Luigi или другой оркестратор
- Умеете выбирать технологии для решения конкретных задач
- Понимаете принципы работы инструментов мониторинга и способны настраивать алерты для отслеживания состояния ETL-процессов
- Знаете основные алгоритмы и структуры данных, особенно используемые в работе с большими данными
- Эффективно общаетесь с людьми, найдёте общий язык с разными специалистами
Контакты: https://team.vk.company/vacancy/44613/

🔥 Подписаться на наши каналы / @best_itjob / @it_rab

Разорился на подписку Ultra в Cursor.

Решил переписать на Rust все микросервисы в компании, где работаю.
Потом поставлю плашку что сервисы на Rust переписал и заодно на ходу изучу Rust лучше, чем на говнокурсах.

Счастлив не тот кто прорешал много задачек с Литкода
А тот у кого нейронка не обнаружаема

#memes

Аутсорсеры в 2026 совсем уже обезжиривают кандидатов.
280к за CV и NLP для ML-щика на позицию, где минималка чистыми 350-400 на руки. И это только минималка, медиана где-то в районе 450-500 по рынку для таких специалистов.

#вакансии

промптинг - это не технический навык

обещал разобрать эту статью mutual theory of mind in human-ai collaboration

MIT показывают, что это скорее
социальный и метакогнитивный навык,
просто применённый к нечеловеческому разуму

они смотрели не на «качество запросов»,
а на то, кто в итоге лучше всего работает с ИИ

сравнивали корреляции между
интеллектом,
техническими навыками,
опытом,
и эффективностью совместного мышления с ИИ

и корреляция почти нулевая

зато вылезает другое

лучше всего работают люди,
у которых уже развит навык
работать с контекстом, перспективами
и рамками взаимодействия

умения:
- чувствовать, где есть рассинхрон понимания
- замечать, что «другой агент» чего-то не понял
- догружать смысл, а не инструкции
- менять рамку диалога на лету

по сути, то, что раньше считалось
«гуманитарным», «мягким», «неприкладным»

пост про ai posture в ту же копилку про то из какой позиции сознания мы вообще входим в диалог

MIT просто смотрят на то же самое
через поведение в диалоге

и там дальше становится еще интереснее

успешные пользователи не «инструктируют» модель.
MIT это прямо показывают.
они с ней координируются

не оптимизируют команды,
а настраивают общее пространство мышления

поэтому так странно, но логично:
ИИ сильнее всего энейблит гуманитариев

людей, привыкших
работать со смыслами,
держать несколько перспектив,
чувствовать динамику диалога,
не требовать «правильного ответа», а исследовать

технари часто застревают в режиме контроля:
«скажи точно»,
«следуй инструкции»,
«не отклоняйся»

и в этот момент модель
работает хуже, не лучше.

дальше MIT разбирают микроповедение в диалоге -
не что человек пишет,
а как он в это взаимодействие входит

и там постоянно повторяются одни и те же эффекты

assumption tracking -
умение ловить момент,
когда внутри появляется
«ну это же очевидно, она должна понять»

раздражение почти всегда = непроговорённое ожидание

gap filling -
умение замечать,
какая часть картины есть только у тебя в голове,
и выносить её наружу.

не уточнять запрос,
а достраивать общее поле смысла.

perspective shifting -
момент, когда ты вдруг понимаешь:
«мы сейчас вообще в разных моделях мира»

и вместо давления
меняешь угол, а не усилие.

и самый важный слой - interaction framing

человек всегда задает рамку взаимодействия,
даже когда думает, что просто «спросил»

инструмент.
исполнитель.
оракул.
собеседник.
напарник

рамка считывается не из слов,
а из тона, ожиданий, реакции на ошибки.

и модель начинает играть ровно в эту игру.

если собрать всё это в одну цепочку,
выходит простой, но неочевидный вывод:

качество ответа - это производная
от рамки взаимодействия,
а не от сложности инструкции

поэтому промптинг и перестаёт быть техникой
и становится чем-то ближе
к диалогу,
фасилитации,
мышлению вместе.

взаимодействие с ии все больше похоже не на технические науки а про те же метанавыки что в отношениях между людьми

что чувствуете?

Краткая карта развития сеньора DE в 2026 году

1. Учишь новомодные dbt, Starrocks и хайповый Clickhouse.
2. Учишь классику: Databricks, AWS.
3. Получаешь оффер на валютной удалёнке.

Далее перекатываешься в AI + ML

Далее ты уже дед и копаешь грядки и огород, думаешь о вечном.

Жиза

#memes

AGI достигнут!

#memes

Зарплаты Senior Data Engineer в Европе, 2026

На диаграммах показаны диапазоны зарплат Senior Data Engineer. Диапазоны - от 25го до 75го процентиля по 25и странам и 3м типам компаний. Данные TalentUp.io

Инсайты из данных:

💠 В 2026 году Senior Data Engineer в Европе зарабатывает принципиально больше не из-за страны, а из-за типа компании. В маленьких компаниях (до 250 человек) типичный диапазон - €40–65k, даже для сеньоров. Единственное исключение - Швейцария, где и небольшие фирмы платят €60–85k. Во всей Восточной Европе - €45–55k.

💠 В стартапах Senior Data Engineer получает уже €55–80k. Лучшие рынки - Швейцария (до €102k), Норвегия (до €80k) и Ирландия (до €77k). Германия и UK здесь неожиданно слабее - обычно €60–70k, то есть на 15–20% ниже топ-рынков.

💠 Настоящие деньги начинаются в корпорациях (10 000+ сотрудников). Здесь Senior Data Engineer стоит €75–115k, а в топ-странах выходит за сотню: Швейцария - €104–132k, Ирландия - €91–111k, Норвегия - €89–115k, Нидерланды, Германия и UK - до €100k. В Польше и Чехии потолок около €60–66k, в Румынии - €28–32k. То есть Senior DE в Восточной Европе по деньгам равен Middle в Западной.

Если сравнить Data Engineer, Data Scientist и Data Analyst (прошлые обзоры), то картина ещё интереснее.
💠 В корпорациях именно Data Engineer - самая дорогая дата-роль почти во всей Европе. Например, в Германии DE получает €80–100k, тогда как Data Scientist - €63–72k, а Data Analyst - €61–69k. В UK и Ирландии - та же картина. Единственное исключение - Швейцария, где Data Scientist иногда зарабатывает даже больше DE.

💠 В стартапах всё наоборот. Там важнее не инфраструктура, а модели, метрики и рост, поэтому Data Scientist и даже Data Analyst часто получают больше, чем Data Engineer, особенно в Швейцарии, Нидерландах и Скандинавии.

💠 В маленьких компаниях самый ценный человек - тот, кто приносит бизнес-инсайты и считает деньги, поэтому Data Analyst там часто дороже и Data Engineer, и Data Scientist.

💠 Отдельно хочется отметить позицию Ирландии для DE. Она вырывается в топ-3 для этой роли. В Ирландии находятся европейские штаб-квартиры мировых корпораций.

💙 Итог простой: если идёшь в корпорации, BigTech или банки, Data Engineer - самый надёжный путь к €100k+ в Европе. Если ты идёшь в стартапы, выгоднее быть Data Scientist или сильным Analyst. В малом бизнесе Data Analyst лидирует по соотношению ценности и зарплаты.

Источник:
Linkedin post

Почему я считаю два-три синка в неделю лучше, чем дейлики?

Подписчики знают, что админ не фанат офиса и гибрида и сторонник полной удаленки, но что по дейликам?

Считаю дейлики не нужными. Начнем с того, что 70-80% времени разработчик "готовится к битве" и только 20-30% времени пишет код сам или с помощью текстовых процессоров. И, если задача новая и не по стеку программиста (например, переписать с петухона на раст микросервис для скала-погромиста), то кодер посвятит уйму времени чисто чтобы разобраться что и как. И на дейлике чувствуешь себя как дебил говоря "ну вчера я пытался разобраться и пока прогресс идёт медленно".

Два синка в неделю - это самый оптимум. Лучше во вторник и четверг. В понедельник ты вспоминаешь кто ты после выходных, в пятницу думаешь о выходных.

#режим_работы

Я не фанат футбола уже 15 лет, равно как и не футбольный хулиган столько же, когда гонял за одну из московских фирм, но данное видео весьма интересное.
Автор озвучивает идею, что, как открытые границы с лёгкими трансферами игроков сделали футбол неинтересным, так и общая соевизация общества (и, как следствие, снижение интереса к тестостероновым видам спорта) и ML-алгоритмы помогают тренерам и владельцам клубов находить оптимальный баланс игроков в команде.

Ставочные компании с Computer Vision и ML-алгоритмами, при наличии денег у владельцев клубов, постепенно уравнивают омский Газмяс и мадридский Реал.

#фан_факты

С помощью текстового процессора (GPT 5.2 Extra High + Claude Opus 4.5) за 100-150 запросов сумел полностью обучить ML-модель с целевыми метриками качества и соблюдением бизнес-логики.

В ML я практически полный ноль.

Из этого делаю вывод, что в 2026 можно будет крутить любой опыт в сфере Data и джунам идти на сеньорские позиции.

А вот когда выпустят Claude 5 и Grok 5 с одновременным снижением стоимости инференса, тогда в компании останется один Lead DE и 10-20 агентов, а лид должен будет уметь их настраивать и будет заниматься FinOps'ом по уменьшению костов роя агентов.

Вероятно это мнение деда, который ещё на перфокартах и assемблере писал.

Лично я на первую работу в компании LG пришел с нулем опыта на позицию с 6+ годами опыта просто потому что умел по тем временам в Excel делать вообще всё: от пивотов и пауэр пивотов до VBA. Опыт я тогда накрутил до года, чтобы просто пройти фильтры на hh.

Есть три самые закомплексованные категории "коллег":
- Кто против "немного скиллов в резюме добавить" для нейрофильтров
- Кто против текстовых процессоров и кода, написанного ими, а не руками на бумаге как во времена Тьюринга
- Кто за офис "потому что там работается продуктивнее и есть общение с коллегами" (кабанчик не в курсе, что есть интроверты, которым общение вообще не нужно и которые не готовы тратить 2-4 часа в сутки на толкучку в пробках или общественном транспорте)