Next-Gen AI for Science (Рубрика #Science)

Интересный доклад Джона Джампера, нобелевского лауреата по химии, на AI Startup School Y Combinator. Интересно, что Джон получил нобелевскую премию вместе с Демисом Хассабисом, который сильно известнее, так как исполнял роль CEO Google DeepMind (я как-то рассказывал про его выступление о AI решафле в Google). Но вот про Джона я знал не очень много, а этот доклад дал чуть больше информации. Научный путь Джона начался с физики, но после разочарования в академической карьере он перешёл в вычислительную биологию, работая над применением машинного обучения для изучения белков.

Ниже представлены ключевые идеи
1. Революция в предсказании структуры белков
Главным достижением команды Джона стала разработка AlphaFold - системы искусственного интеллекта, которая решила 50-летнюю проблему предсказания трёхмерной структуры белков по их аминокислотной последовательности. На конкурсе CASP14 в 2020 году AlphaFold 2 продемонстрировал точность, сопоставимую с экспериментальными методами, достигнув показателя GDT-TS более 90 для большинства белков. Кстати, я уже говорио про сложность предсказания белков при обзоре книги "От оргазма до бессмертия. Записки драг-дизайнера"
2. Важность исследований в машинном обучении
Джон подчеркнул критическую роль научных исследований наряду с данными и вычислительными мощностями. Как он отметил в докладе, команда смогла показать, что AlphaFold 2, обученная на 1% доступных данных, была столь же точной, как предыдущая версия AlphaFold 1, обученная на полном наборе. Это демонстрирует, что новые идеи и исследования могут быть в 100 раз более ценными, чем простое увеличение объёма данных.
3. Компоненты успеха
По словам Джона, три ключевых компонента привели к прорыву:
- Данные: 200,000 известных структур белков из открытой базы данных PDB
- Вычислительные ресурсы: 128 TPU v3 ядер в течение двух недель для финальной модели
- Исследования: небольшая команда (около двух основных исследователей), разработавшая новые архитектурные решения
4. Открытость и доступность
Критически важным решением стало открытие исходного кода AlphaFold и создание базы данных с предсказаниями структур белков. К 2022 году база данных AlphaFold содержала более 200 миллионов предсказаний структур белков, охватывая практически все известные белки. Эта открытость привела к массовому принятию инструмента научным сообществом.
5. Влияние и применения
AlphaFold уже используется более чем 2 миллионами исследователей в 190 странах. Джон привёл пример специального выпуска журнала Science, посвящённого комплексу ядерных пор, где три из четырёх статей активно использовали AlphaFold, при этом команда DeepMind не участвовала в этих исследованиях напрямую. Пользователи нашли способы применения AlphaFold, которые команда не предвидела. Например, исследователь Йошитаки Мориваки через два дня после выпуска кода показал, как AlphaFold можно использовать для предсказания взаимодействий между белками, что стало лучшим методом предсказания белковых взаимодействий. Джон также рассказал о работе лаборатории MIT, которая использовала AlphaFold для реинжиниринга "молекулярного шприца" - белковой системы, способной доставлять целевые белки в конкретные клетки. Исследователи смогли модифицировать белок для таргетированной доставки лекарств в клетки мозга мыши.

Если подводить итоги, то видно, что такие работы ускоряют научный прогресс в целой области. AlphaFold демонстрирует, как ИИ может работать как усилитель для экспериментальных исследователей, заполняя пробелы в научных знаниях. Наиболее интригующим вопросом, по мнению Джампера, остаётся степень общности применения ИИ в науке. Будет ли это несколько узких областей с трансформационным воздействием или очень широкие системы? Он ожидает, что в конечном итоге будут созданы широкие системы, способные революционизировать науку в целом.

#AI #Science #Architecture #ML #Software #Engineering #Startup

How to Spend Your 20s in the AI Era (Рубрика #AI)

Интересный выпуск подкаста Lightcone от Y Combinator представляет панельную дискуссию с участием ведущих экспертов стартап-сообщества, где они обсуждают то, как молодым людям строить карьеру в эпоху искусственного интеллекта. В дискуссии участвуют леди и джентельмены
- Гарри Тан (Garry Tan) - президент и CEO Y Combinator
- Харж Таггар (Harj Taggar) - управляющий партнер Y Combinator
- Диана Ху (Diana Hu) - партнер YC.
- Джаред Фридман (Jared Friedman) — управляющий директор по софту и партнер YC

Ребята обсужили следующие темы
1. Кризис традиционной карьерной модели
Докладчики представили шокирующую статистику: сейчас уровень безработицы среди выпускников компьютерных наук в США составляет 6,1%, что в два раза превышает показатель выпускников истории искусств (3,0%). Это кардинально меняет представление о "безопасной" карьере в технологиях.
2. Переосмысление образования
Многие университетские программы по компьютерным наукам запрещают использование современных AI-инструментов вроде Cursor, что фактически лишает студентов навыков, необходимых в будущем. Образовательная система готовит специалистов для следования инструкциям, но ИИ справляется с этим лучше людей.
3. Важность возможности автономо действовать и принимать решения важнее работы над дипломами
Главная идея дискуссии - в эпоху ИИ агентность (способность самостоятельно действовать и принимать решения) важнее дипломов. Студенты, которые учатся больше через самостоятельные проекты, чем через академические курсы, имеют значительное преимущество.
4. Новые возможности для стартапов
Несмотря на скорость изменений и существующие риски, это лучшее время для создания стартапов. Примеры включают основателя Cursor, который за пару лет создал компанию стоимостью $10 миллиардов. ИИ-стартапы демонстрируют беспрецедентный рост: от нуля до $12 миллионов выручки за 12 месяцев. Подробнее про Cursor можно почитать в моем разборе интервью ребят из YC с CEO Cursor "Cursor CEO: Going Beyond Code, Superintelligent AI Agents, And Why Teste Still Matters"
5. Техническая экспертиза снова важна
До эпохи ИИ ключевой была экспертиза в предметной области. Теперь техническая экспертиза в области ИИ стала критически важной, поскольку создание надежных AI-продуктов требует глубоких технических знаний.
6. Быстрое освоение новых областей
Умные студенты могут стать экспертами в новых областях за 1-2 месяца, если они целенаправленно изучают и применяют знания. ИИ захватил воображение клиентов, которые открыты для "магических" решений от студентов.

Эксперты дают целый набор рекомендаций для стартаперов
- Для получения экспертизы в предметной области они рекомендуют стать "forward deployed engineer" - буквально работать в офисах клиентов и изучать их потребности изнутри
- Они предлают не гнаться за внешними показателями вроде привлечения инвестиций или популярности в социальных сетях вместо создания реальной ценности
- Также стоить фокусироваться на узких нишах, а потом расширяться на сложные рынки - Airbnb начинался с матрасов для конференций, Stripe — с API для разработчиков
- Важно стремиться работать в самых успешных стартапах с лучшими людьми, поскольку закон степенного распределения в стартапах означает, что медианный стартап терпит неудачу.
- Важно не участвовать в программах предпринимательства, которые учат лгать и создавать симулякры вместо реальной ценности. Они призывают избегать примеров SBF (Сэм Банкман-Фрид) и Theranos - компаний, которые оказались пустышками (кстати, про Theranos было подробнее тут)

Итого, это интересный подкаст от ключевых ребят из YC, которые делятся своими мыслями с молодыми стартаперами.

#AI #Engineering #ML #Architecture #Software

Quantifying large language model usage in scientific papers (Рубрика #Science)

Интересный whitepaper про использование LLM в написании научных статей. Я наткнулся на него через рассылку для членов ACM (Association for Computing Machinery), где была ссылка на новость в Science о том, что что примерно одна пятая научных статей в области компьютерных наук включает в себя тексты, сгенерированные при помощи ИИ. Я решил заглянуть в оригинальную статью, чтобы понять как выглядела методология и какие были результаты. В итоге, получилось примерно следующее

- Это был масштабный анализ ~1.1M препринтов и опубликованных статей с января 2020 по сентябрь 2024 (arXiv, bioRxiv, журналы Nature)
- По результатам анализа найден стабильный рост использования LLM, особенно в области компьютерных наук — до 22 % статей содержат AI‑модифицированный текст
- А вот с математикой не все так гладко - AI модификаций примерно в 2 раза ниже
- Модифицированные статьи имеют общие черты - они короткие, написаны в популярных исследовательских доменах, а также их авторы активно публикуют препринты (что не проходят ревью)

Если поразмышлять об этом, то последствия видятся такими
1. Научные работы будут появляться быстрее, но будут как близняшки - авторы, использующие LLM, выбирают разработанные области, в которых уже много наработок и проще получать статьи похожие на настоящие. По итогу, предвижу падение соотношения сигнал/шум в таких доменах
2. Для повышения доверия можно легализовать использование AI, если договориться о правилах использования и разметки частей, к которым LLM приложили свои ручки
3. Давление на инфраструктуру публикаций будет увеличиваться и ручные ревьюверы публикаций справляться не будут - вангую, что скоро автоматизируют ревью и поручат их особо умным LLM, которые смогут готовить анализ новых whitepaper в рецензируемых научных журналах. В лучшем случае тут останутся scientists in the loop, чтобы ревьювить ревью агентов-ревьюверов. А может получиться так, что и статьи и рецензии будут писать LLM агенты:)

#Science #AI #Whitepaper #Humor

DORA Report 2024 (Рубрика #Engineering)

Продолжу рассказ про отчет DORA 2024 года, про методологию которого я рассказывал раньше в двух постах 1 и 2. Здесь я постараюсь рассказать про интересные результаты этого опроса, который прошли 3к респондентов разных профессий из разных стран. Само исследование покрывало следующие области
- Классические DORA метрики: throughput и stability (частота релизов, lead time, change failure rate, time to recover). На основе этих метрик как раз происходит кластеризация команд по уровням: elite/high/medium/low
- Влияние AI на продуктивность, delivery-показатели, документирование и доверие к коду
- Влияние внутренних платформ разработки (IDP, internal developer platform) на производительность команд и стабильность процессов
- Developer experience, лидерство и благополучие: job satisfaction, burnout, flow, user‑centricity

Интересные моменты, что отметили авторы

1. Влияние искусственного интеллекта
(+) Повышение потока (flow), продуктивности и удовлетворенности работой
(+) Улучшение качества кода на 3,4%
(+) Ускорение ревью кода на 3,1%
(+) Улучшение качества документации на 7,5%
(+) Повышение производительности команд и организаций
(-) Снижение пропускной способности доставки ПО на 1,5%
(-) Уменьшение стабильности доставки на 7,2%
Интересно, что AI негативно влияет на software delivery performance. Авторы объясняют это возможным увеличением batch size и связанных рисков (больше размер - выше вероятность проблем)
Другой интересный эффект привел авторов исследования к гипотезе об "эффекте вакуума" (vacuum hypothesis). Суть в том, что AI одновременно улучшает производительность и снижает время на важную работу, не уменьшая при этом административную нагрузку и обременение toil - парадокс, объясняемый тем, что AI помогает быстрее завершать значимые задачи (meaningful tasks), но не сокращает малополезные обязанности.

2. Платформенная инженерия
(+) Повышение индивидуальной продуктивности на 8%
(+) Улучшение производительности команд на 10%
(+) Рост организационной производительности на 6%
(-) Снижение пропускной способности на 8%
(-) Уменьшение стабильности изменений на 14%
Здесь гипотеза авторов в том, что различные гейты внутри платформ замедляют поставку ценности, так как требуют выполнения требований по качеству/надежности/безопасности и так далее. В итоге, часто катануть код мимо платформы проще и быстрее:)

3. Management & Leadership
(+) Ориентация на пользователя повышает качество продуктов и снижает выгорание
(+) Трансформационное лидерство улучшает все аспекты производительности
(+) Стабильные приоритеты критически важны для продуктивности и благополучия
В общем, правильный подход к управлению через целепологание, работу с приоритетами и изменениями дает свои результаты:)

Если подбивать выводы из результатов опроса, то кажется, что
- При интеграции AI стоит отдельно контролировать, что большие изменения дробятся на более мелкие + мониторить влияние на delivery.
- Стоит инвестировать в документацию и self‑service системы - отчёт указывает на прямую связь между качеством документов и software delivery performance
- При развитии платформ нужен баланс между контролем и метриками software delivery performance (например, lead time)
- Стоит фокусироваться на user‑centric дизайн внутренних инструментов и культуру лидерства, поддерживающую видение и автономию - это снижает выгорание и повышает эффективность инженеров на местах
- Не стоит обращать большое внимание на кластеры, куда попадают команды - лучше смотерть на первую и вторую производную (скорость изменений к лучшем и ускорение)

#AI #DevOps #DevEx #Metrics #Processes #Management #PlatformEngineering #Software

Руководитель разработки в LLM Platform (Рубрика #AI)

Мы в Т-Банке активно работаем над созданием Gen AI приложений, которые становятся новым стандартом де-факто, как когда-то были cloud native приложения. И для этих Gen AI приложений нужна своя платформа (примерно как K8s для cloud native). А у нас сейчас как раз есть позиция руководителя разработки этой платформы, которая предоставит набор инструментов для внедрения языковых моделей в продукты экосистемы. Цель в том, чтобы предоставить конструктор для создания AI-ассистентов, который не требует глубокого погружения в LLM.

В платформу входят инструменты для
- Создания RAG (retrieval augmented generation),
- Построения ассистентов
- Для оценки их качества
План для расширения использования LLM-решений включает
- Достижение целевых показателей качества элементов платформы
- Добавление интеграции с внутренними сервисами компании
- Обеспение поставок данных в платформу как готовых пайплайнов
- Предоставление набора моделей для разных пользовательских задач
Все эти задачи в той или иной степени уже выполняются, но руководителю еще предстоит много работы, ведь
- 40+ продуктовых команд внутри экосистемы пользуются платформой
- В команде есть 3 продуктовых менеджера и 15 инженеров (backend, frontend, QA)

От engineering manager платформы ожидается работа в части
- Определения стратегии и архитектуры платформы
- Руководство командой 20+ инженеров и MLE
- Масштабирование продукта до уровня де-факто стандарта для Gen AI в экосистеме
- Обеспечение SLA плтаформы достаточного для business-critical систем
- Внедрение лучших инженерных практик, включая qa, performance, observability

В общем, если вам интересно не просто поддерживать сервисы, а строить инфраструктуру, которая станет фундаментом эры Gen AI в Т-Банке, то пишите.

#AI #Management #Vacancy #Career #ML #PlatformEngineering #Software #Engineering

Interview with Cloud Architect in 2025 (Рубрика #Architecture)

Посмотрел забавное пятиминутное видео на тему современного подхода к построению решений в облаке. В нем отличны обсмеиваются типичные проблемы и абсурдные ситуации, с которыми сталкиваются облачные архитекторы - суть в противоречиях между обещаниями облачных провайдеров и суровой реальностью:
- Экономика облака, где архитекторы получают "персональные благодарственные письма от облачных провайдеров за достижение их целей по доходам Q1" , что саркастически подчеркивает, насколько выгодны облачные сервисы для поставщиков, а не для клиентов.
- Сложность задач, где для "Hello World в облаке включает в себя 1x балансировщик нагрузки, 2x базы данных, 3x веб-серверов и 2x различных облачных геозон для observability stack"
- О микросервисах, где "у нас больше языков программирования, чем разработчиков"
- Об observability, где стоимость логов выше, чем стоимость всего сервиса
- Об overcommit, где обычный CPU доходит до 100%, а облачный CPU доходит до 110% - ведь тут другая физика

В общем, рекомендую глянуть в оригинале - концентрация шуток действительно впечатляет.

#Humor #Architecture #Cloud #Software #Engineering

Research Insights Made Simple #14 Review of"What goes around comes around ... and around" (Рубрика #Databases)

Этот выпуск посвящен обсуждению whitepaper "What goes around comes around ... and around" от Michael Stonebraker и Andrew Pavlo про развитие баз данных за последние 20 лет. Разбору статьи помогает мне Алексей Светличный, мой коллега, что руководит развитием отдела баз данных в Т-Банке. Алексей работает с базами данных более 15 лет, где он прошел путь от небольших систем, до крупных Enterprise решений. Сейчас руководит командой, которая разрабатывает DBaaS и развивает экспертизу по базам данных в компании.

За час общения с Лешей мы обсудили половину статьи, успев разобрать общее впечатление от статьи и часть про модели данных и языки запросов. В итоге, получились следующие темы
- Введение и знакомство с гостей
- Общий обзор статьи
- Отличия российского и мирового контекста развития БД
- Обсуждение авторов статьи и их влияния на индустрию (Майкла Стоунбрейкера и Эндрю Павло)
- Эволюция моделей данных и языков запросов
- MapReduce (аля Hadoop и почему они уже leagcy)
- Системы KV и их ограничения
- Документно-ориентированные базы данных (MongoDB)
- Wide Column Family и Apache Cassandra
- Полнотекстовый поиск - Elasticsearch и встроенные возможности в RDBMS
- Векторные базы данных и семантический поиск
- Многомерные данные и array databases
- Графовые базы данных
- Заключение и анонс следующей темы

Выпуск подкаста доступен в Youtube, VK Video, Podster.fm, Ya Music.

#Software #Engineering #Metrics #Databases #Architecture #Devops

Рупор лида 3: Lead в поиске

В последнее время я реже стал выступать на конференциях, но решил сделать исключение для tg-конференции про найм глазами нанимающих. Это уже третья конфа из серии "Рупор лида" и в этот раз участники поговорят о том, как меняется рынок найма и процессы, когда Gen AI меняет правила игры, а сервисы для соискателей растут как грибы. Спикеры поговорят о том, как процесс выглядит с той стороны. Кстати, они достаточно много рассказывают не только про найм, но уже в своих каналах.

Мы будем пять вечеров подряд обсуждать эти темы найма (мы соберем стрит)
1. 18.08 - Татьяна Гороховская - Hiring-позиция: в огне, но с чек-листом
2. 19.08 - Тёма Пулявин + Катя Лысенко - Коньки-горбунки собеседований - или отсобеседуй меня полностью
3. 20.08 - Круглый стол - Что я узнал про найм за 1.5 года: битва AI, выгорание, кризис рынка ИТ
4. 21.08 - Саша Поломодов - System design глазами нанимающего (я вас конечно жду на этом выступлении)
5. 22.08 - Иван Доронин - Если ты Lead, который ищет работу

Конференция бесплатная, а для того, чтобы стать слушателем надо вступить в канал конференции.

P.S.
Интересно, что похожее выступление у меня было пару месяцев назад, когда я рассказывал студентам Высшей Школы Экономики про system design интервью как один из этапов найма инженеров.

#Career #HR #Management #Architecture #Software #Leadership #Processes

Dylan Field: Scaling Figma and the Future of Design (Рубрика #Design)

Посмотрел интересное интервью Дилана Филда на Y Combinator AI Startup School. Дилан - соучредитель и генеральный директор Figma, одной из самых успешных дизайн-платформ в мире. Работа над FIgma началась в 2012 году, когда Дилан бросил университет и вместе с соучредителем Эваном Уоллесом занялся созданием инструмента для работы с WebGL в браузере. После четырех лет разработки компания запустила продукт в 2016 году и за десятилетие превратилась в платформу с 8 продуктами и командой из 1700 человек. В июле 2025 года Figma провела IPO, достигнув рыночной капитализации более $68 миллиардов.

Если же говорить про ключевые идеи доклада, то они такие

1. Эволюция роли дизайна в эпоху ИИ
Дилан говорит, что дизайн становится главным дифференциатором в современном технологическом мире. По его мнению, когда разработка софта становится проще и быстрее благодаря AI, именно дизайн, внимание к деталям и точка зрения становятся решающими факторами успеха продуктов.
2. Стирание границ между дизайном и разработкой и продуктом
Дилан отмечает, что ИИ способствует генералистскому поведению и особенно эффективен на ранних стадиях разработки, помогая быстрому прототипированию.
3. "Эра MS-DOS" для ИИ интерфейсов
Дилан говорит, что мы сейчас в "эпохе MS-DOS" AI интерфейсов и что через 10 лет люди будут удивляться, что взаимодействие с AI ограничивалось простыми чат-ботами. Будущее видится ему в контекстных интерфейсах, адаптированных под различные устройства - от очков до множественных дисплеев.
4. Дилан вспоминал конференцию Config 2025 Figma, где были представлены новые продукты
- Figma Make - ИИ-инструмент для создания прототипов и приложений по текстовым описаниям
- Figma Sites - платформа для создания и публикации веб-сайтов прямо из дизайнов
- Figma Draw - улучшенные векторные инструменты для иллюстрации
- Figma Buzz - инструмент для создания маркетинговых материалов в масштабе
5. Дизайнеры должны становиться основателями компаний
Это призыв Дилана к дизайнерам, так как он видит будущее в том, что дизайнеры будут иметь гораздо больше влияния и будут выполнять роль экспертов по решению проблем в компаниях, в то время как большинство сотрудников будут участвовать в процессе дизайна.
6. Важность человеческих взаимоотношений в эпоху AI
Дилана предостерегает от чрезмерного общения с ИИ-моделями и призывает молодых специалистов продолжать развивать критическое мышление, изучать различные области и поддерживать реальные человеческие отношения.
7. Важность интеграции дизайнеров в RnD команды
Дилан говорит, что дизайнеры должны активно участвовать в оценке моделей AI, поскольку обладают лучшим пониманием потребностей конечных пользователей.

Интересно, что на вопрос о смысле жизни Дилан ответил не 42, а выдал философскую мысль, что стоит "исследовать сознание, учиться как можно больше, делиться любовью с другими и обеспечить, чтобы вы и окружающие вас люди чувствовали себя удовлетворенными и счастливыми"

#AI #Design #Leadership #Interview #Startup

Lessons from OpenAI, Meta, Twitter, Google, Salesforce (Рубрика #Management)

Я с большим интересом посмотрел этот подкаст от Lenny, где он общался с Бретом Тейлором, легендарной фигурой в tech индустрии с уникальной карьерой, охватывающей все уровни от инженера до топ-менеджера. Брет успел создать Google Maps в Google, поработать CTO в запрещенной в России Meta (тогда это было Fb), был co-CEO в Salesforce, председателем совета директоров в OpenAI, а сейчас развивает AI старта Sierra c оценкой в $4.5 млрд. Кстати, про этот стартап я уже рассказывал, когда разбирал интервью про "Rise of the AI Architect" от Clay Bavor, со-основателя Sierra. Если говорить про ключевые идеи, то они следующие

1. Философия карьерного роста
Брет поделился принципом, который изменил его подход к работе после совета Шерил Сэндберг: "Каждое утро спрашивать себя: что самое важное я могу сделать сегодня?". Этот подход помог ему успешно адаптироваться к различным ролям и уровням ответственности. Мне этот подход кажется эффективным, но сложным в реализации - многие люди хотят делать каждый день не самое важное, а самое привычное.
2. Гибкость профессиональной идентичности
Брет подчеркнул важность гибкого взгляда на собственную идентичность. Коллеги из разных компаний воспринимают его по-разному: в Facebook - как инженера, в Google - как продакт-менеджера, в Salesforce - как CEO. Эта адаптивность - ключ к успеху в разных ролях. Мне кажется, что быть настолько многогранным как Брет сложно - условно, я могу смотреть на мир глазами инженера, архитектора, менеджера, но вот смотреть как CEO или CPO мне сложновато:)
3. Уроки из неудач
Брет открыто рассказал о своих провалах, включая неудачный запуск Google Local, который чуть не завершил его карьеру в Google. Этот опыт научил его создавать принципиально новые пользовательские опыты, а не просто цифровые копии существующих решений. Мне кажется, что неудачи часто дают больший буст в карьере, чем успехи ... если их правильно отрефлексировать и извлечь выводы (я тоже помню ключевые факапы в своей карьере, что меня изменили)
4. Будущее ИИ и три сегмента рынка
Брет выделил три ключевых сегмента рынка ИИ:
- Frontier-модели, что требуют огромных капитальных вложений, не подходят для стартапов
- Инструменты для ИИ, что включают сервисы разметки данных и специализированные модели
- Прикладной ИИ и агенты, что являются самым перспективным сегментом для стартапов
5. Революция агентов
Тезис Брета в том, что рынок ИИ движется к агентам, которые заменят традиционные SaaS-продукты. Агенты смогут автономно выполнять задачи, что позволит переходить к ценообразованию на основе результатов вместо традиционных подписок.
6. Модель Sierra
Про нее подробнее можно узнать в посте про "Rise of the AI Architect"
7. Будущее программирования
Брет считает, что изучение computer science остается важным, но характер создания софта изменится. Программисты будут управлять машинами, генерирующими код, что требует системного мышления больше, чем навыков кодирования.
8. AI в образовании
Брет активно поощряет своих детей использовать AI для обучения, считая это демократизацией доступа к качественному образованию. Он видит в ИИ персонального наставника для каждого ребенка.
9. Go-to-market стратегии для ИИ
Брет выделил три основные модели:
- Product-led growth - для разработчиков и малого бизнеса
- Developer-first - для платформенных решений
- Direct sales - для крупного корпоративного сегмента (Sierra выбрала именно этот путь)
10. Важность правильных советчиков
Брет подчеркнул важность интеллектуальной честности при анализе неудач и необходимость находить правильных советчиков. Уверенность в совете не всегда коррелирует с его качеством.

В общем, это был отличный эпизод подкаста от Lenny, который я посмотрел с большим интересом и вниманием.

#AI #Engineering #ML #Architecture #Software #Management #Leadership

IT пикник (Рубрика #Conference)

В эту субботу в Коломенском пройдет очередной ИТ-Пикник, который проводится уже несколько лет и представляет из себя семейный фестиваль для IT-шников. В этом году как обычно будут отдельные направления в виде
- Лекций про R&D, платформенную инженерию, работу с данными, управление продуктивностью, а также научпопом
- Зон интерактивов, где можно будет поиграть в квесты, поучиться на мастер-классах, поучаствовать в розыгрышах от партнеров
- Зона развлечения для детей и образования для тех, кто постарше, где можно будет пообщаться с преподавателями из топовых универов
- Музыкальная зона, где будет много артистов, а вечером будет выступать Андрей Князев и группа «КняZz» с лучшими хитами из жры КиШ
- Но музыка будет не только профессиональная - будет и квартирник с бэндами из разных ИТ-компаний

Если вам нравится программа, то регистрируйтесь на сайте и ожидайте подтверждения участия. После подтвеждения надо будет оплатить организационный и благотворительный взнос (по 1.5к рублей каждый) по ссылке, которая придет на почту.

#Conference #Software #SoftwareArchitecture #SRE #Music #PlatformEngineering

Вакансия java разработчика в a/b платформу (Рубрика #Vacancy)

Что-то в последнее время я пишу только про позиции engineering менеджеров, но нам в компании требуются не только руко водители, но и крутые инженеры на сложные задачи. Сегодня я хотел рассказать про позицию java разработчика в a/b платформу в команду, что делает движок для обсчета всех метрик по экспериментам для всей компании. Круто, если этот инженер будет уровня senior и дополнительным плюсом будет глубокое знание Apache Spark.

Если говорить про a/b платформу, то это действительно важный для всей компании проект, который несет под себе инженерную сложность (про нее расскажу подробнее). Если говорить про a/b тесты, то есть классическая книга Рона Кохави "Доверительное a/b тестирование", про которую я рассказывал раньше. Если же говорить про историю a/b платформы, то она была у нас давно, но раньше их было много и они кусочно покрывали разные уровни тестов - когда я приходил в компанию порядка 9 лет назад, то уже тогда был прототип платформы DCO, которую мы с тех пор раскачали и использовали для экспериментов в вебе и мобильных приложениях. Пару лет назад мы решили закопать DCO и сделать новую платформу Hippo (я как-то показывал ее потенциальный логотип).

С тех пор платформа сильно выросла и научилась многому, но пришло время масштабировать ее на всю компанию и для этого надо сделать многое по расчету метрик, которые прошли следующий путь
- Все аналитики из продуктов считают метрики по экспериментам в своих python ноутбуках (легко ошибиться или получить результат, пытая данные под разными углами)
- Лаборатория экспериментальной статистики написала свои алгоритмы обсчета метрик для a/b экспериментов на таких же лабах, но для ограниченного набора метрик
- Инженерная команда metric store забрала эти python ноутбуки и перевела на Apache Airflow, где расчеты велись поверх Greenplum, где MPP база была нашим основным хранилищем данных для аналитических вычислений
- Инженерная команда metric store перевезла расчет этих метрик на новую архитектуру, где метрики считаются с помощью Apache Spark, а данные лежат уже внутри нашего Data LakeHouse (DLH)

По-факту, наша датаплатформа мигрировала на подход с DLH, который мы как-то разбирали с Колей Головым в подкасте Research Insights. Кстати, в ближайшее время будет серия подкаста с разбором того, как мы это делали с техническим директором датаплатформы. Плюс про a/b платформу тоже будет отдельный эпизод подкаста, где мы поговорим про то, что это такое, насколько она важна и сложна. Но если вы хотели решать сложные технические задачи уже сейчас, то можете писать мне в личку и мы обсудим варианты.

P.S.
Кстати, у меня уже есть эпизоды
- С руководителем этого отдела Андреем Цыбиным, где мы говорили про соседний продукт Statist (продуктовая аналитика)
- С лидом бекенда этого продукта Женей Козловым, где мы говорили как про бекенд Statist, так и в общем про инженерный подход к разработке

#Engineering #Software #Career #Vacancy #Databases #Fintech

Research Insights Made Simple #15 Review of"What goes around comes around ... and around" - Part II (Рубрика #Databases)

Этот выпуск продолжает обсуждение whitepaper "What goes around comes around ... and around" от Michael Stonebraker и Andrew Pavlo про развитие баз данных за последние 20 лет. Здесь мы поговорили о том, как менялись архитектуры баз данных и почему, а также обсудили выводы авторов исследования о будущем баз данных. Разбору статьи помогает мне Алексей Светличный, мой коллега, что руководит развитием отдела баз данных в Т-Банке. Алексей работает с базами данных более 15 лет, где он прошел путь от небольших систем, до крупных Enterprise решений. Сейчас руководит командой, которая разрабатывает DBaaS и развивает экспертизу по базам данных в компании.

За час общения с Лешей мы обсудили вторую половину статьи, куда входили следующие темы

- Введение и план обсудить эволюцию архитектур баз данных за 20 лет.
- Развитие архитектур реляционных и колоночных БД
- Появление и развитие облачных БД с разделением хранения и вычислений (масштабирование ресурсов, эластичность вычислений, объектное хранилище)
- Прорывы в OLTP-масштабировании (пример AWS Aurora)
- Data Lake House и гибридные движки (Parquet, Iceberg, разделение масштабирования воркеров и хранилища)
- Качество данных и подходы к хранению разных классов данных
- Изменение парадигмы ответственности за данные в компаниях (Data Mesh)
- NoSQL базы, CAP-теорема и консистентность (MongoDB, Cassandra, ACID в NoSQL)
- NewSQL базы (Google Spanner, CockroachDB, YDB) и сложность их эксплуатации
- Новые технологии и аппаратная поддержка БД
- Роль маркетинга в успехе технологий, опенсорс и пользовательский опыт
- Финальные выводы whitepaper и размышление о будушем баз данных

Выпуск подкаста доступен в Youtube, VK Video, Podster.fm, Ya Music.

#Software #Engineering #Metrics #Databases #Architecture #Devops