На выходных была там в командировке и немного прокатилась 😁

Если вы ещё не вайбкодите…))

На работе мотивируют ходить пешком)

Большая книга про работу. М.Ильяхов

“Как не страдать в найме и успевать жить”.

Это уже не первая книга у Ильяхова, которая мне очень заходит - без воды и про вещи, которые могут поменять жизнь в лучшую сторону. Кстати, вопреки названию - не только на работе. Конечно, идеальных книг не существует - где-то Максим (имхо) идеализирует, где-то стоит лучше погрузиться в научные источники. Поэтому читать (как и все остальное) рекомендую с участием критического мышления. Вот основные посылы:

1️⃣ Тайм-менеджмент — это не управление временем

Это — регулярно делать то, что важно именно тебе.
Что автор называет плохим тайм-менеджментом:
вписываться в проекты, которые не двигают к твоим целям;
закрывать чужие срочные задачи;
ходить на бессмысленные встречи;
делать руками то, что давно можно автоматизировать;
жить в режиме «прилетело — сделал».

❌ Продуктивность — не про «больше».
✅ Она про «в нужную сторону».

2️⃣ Про планы

План — это не то, что должно случиться. Это - инструмент для принятия решений.
Он почти всегда не совпадает с реальностью, и это нормально.
Если что-то не укладывается — это не повод для самобичевания. Это сигнал пересмотреть сроки, объём, ресурсы или приоритеты.
Без плана мы просто «спешим». С планом - у нас есть ориентир, куда именно и когда мы примерно хотим там оказаться.

3️⃣Управление — это работа. И сложная.

Наивно думать, что люди сами прекрасно синхронизируются. Если в проекте больше трёх человек — управление жизненно необходимо.
Менеджмент — это не «ходить на встречи». Это:
выстраивать процессы,
следить за стыковкой задач,
заставлять неприятное делаться вовремя,
держать ответственность,
не допускать хаоса.
Плохой менеджер превращается в «передатчик сообщений». Хороший — создаёт систему, где меньше косячат.

4️⃣ Неприятное никто не делает добровольно
Люди естественно откладывают сложное и неприятное.
Строгий менеджмент по сути заставляет делать неприятное сейчас, а не когда «уже горит». И да, людям это не нравится.

5️⃣ Отношения важнее полномочий
В команде в 100 раз важнее, что вы друг о друге думаете, чем то, какие у вас должности.

Отношения формируются медленно — через совместную работу, мелкую помощь, бытовое взаимодействие.
Нельзя прийти к малознакомому человеку с серьёзной задачей и ожидать, что он бросится её делать. Сначала — простое взаимодействие. Потом — совместная работа. Потом — доверие.

6️⃣ Люди не делают «про запас»
Если не напомнить — задача протухает.
Коллеги живут по правилу:
«Если не напомнили — значит, уже не нужно».

7️⃣ Зафиксировать — значит защитить себя
Обсудили — зафиксировали письменно.
Иначе через неделю:
«я не это имел в виду»,
«мы так не договаривались»,
«я понял по-другому».
Золотое правило:
Если договорённости нет в документе — её не существует.

8️⃣ Конфликт = разная картина мира
Пытаться переубедить человека — почти всегда путь в тупик.
Гораздо полезнее:
Замолчать и дать ему договорить.
Задать вопросы.
Вернуть ему его мысль своими словами.
Только потом предлагать решение.
Когда человек чувствует, что его поняли, половина конфликта исчезает.

9️⃣ Встреча — это инструмент, а не цель
Перед встречей нужно спросить себя:
Какой результат мы хотим получить?
Кто минимально нужен для этого?
Можно ли решить это асинхронно?
Самые глупые встречи — те, что could’ve been an email.

🔟 Перед переговорами нужно знать свои границы
Главная мысль очень простая: до разговора вы должны понимать, где для вас «ниже нельзя»:
Минимальная цена/срок
Условия, на которые вы не согласны.
Если границ нет — вы начинаете думать уже внутри давления. А в этот момент мозг работает хуже.

1️⃣1️⃣ Если вас «прожимают» — берите паузу
«Мне нужно подумать» — это не слабость. Это инструмент.
Пауза нужна, чтобы:
проверить договор,
понять реальные обязательства,
посоветоваться со старшими,
оценить последствия.
Пауза возвращает вам контроль

1️⃣2️⃣ Отказ без агрессии
Не надо говорить:
«Это грабительские условия»
«Это возмутительно»
«Это ниже рынка»
Достаточно:
«Мне это не подходит»
«Я не смогу помочь на этих условиях»
«Для меня это невыгодно»
Вы не обвиняете человека. Вы говорите о своих границах. Это взрослая позиция.

1️⃣2️⃣ Сила отказа — в предложении альтернативы
Самый мощный формат:
Я не могу сделать это на этих условиях. Но давайте подумаем, как можно решить задачу.
Вы не соглашаетесь. Но и не уходите в конфликт.
Вы переводите разговор из плоскости «кто кого продавит» в плоскость «как найти вариант».

1️⃣3️⃣В голове безотказного человека — ложная дилемма
Кажется, что есть только два варианта:
сказать «да»
сказать «нет» и испортить отношения
Но есть третий путь:
❌ Не принимать неприемлемое ✅ И при этом искать рабочее решение
Если работа в выходные для вас невозможна — вы не обсуждаете сам факт выхода в выходные.
Вы обсуждаете:
перенос сроков,
перераспределение задач,
дополнительные ресурсы.

1️⃣4️⃣ Переговоры — это не про победу
Это не «кто кого уговорит». Это поиск решения из множества вариантов, где неприемлемый для вас вариант вообще не рассматривается.

1️⃣5️⃣ Успех — это не рывок, а годы
На графике всё выглядит так:
9 лет и 11 месяцев — незаметный рост 1 месяц — «внезапный успех»
Мы видим только последний кусок.
Любое серьёзное дело требует:
времени
повторения
движения в одном направлении
Не метаний. Не поиска «перспективнее».

1️⃣6️⃣Внимание — базовое качество лидера
Лидер — это тот, кто смотрит туда, куда неприятно смотреть.
Примеры:
хватает ли денег на зарплаты → если нет, действовать
токсичный человек в команде → не игнорировать, а решать
падение выручки → реагировать заранее
👉 Лидер не просто замечает — он что-то делает

1️⃣7️⃣Жёсткая правда лидерства: неопределённость
Когда становишься лидером:
нет гарантий бюджета
люди могут уйти
результат не гарантирован
расходы — гарантированы
👉 Единственная гарантия: ты тратишь ресурсы, а результат неизвестен

Читали? Как вам?

Про конференции

В этом году собираюсь как минимум на Team Lead Conf в Питер (конец июня) - езжу туда каждый год, увлекательное мероприятие. А вот в плане не-менеджерских все как-то просело - была за последние годы разве что на С++ conf.

Нужно нагонять 😁
Что-то мне приходит в рассылках, но конечно удобнее смотреть эвенты списками - как в
канале IT-Мероприятия России.

Каждый день ребята анонсируют мероприятия со всех городов России (чем не повод съездить в командировку? 😁)

Впрочем, коллеги выкладывают в канал не только «живые», но и онлайн мероприятия;
👩‍💻 по любому стеку - хоть тебе аналитика, хоть кибербез)

Чтобы не просто болтать о списках событий, пошла сразу в канал - и тут же увидела эвент от Яндекса с вечеринкой 😁, который конечно уже прошел 😂
Как всегда, надо делать все заранее))

Расскажите, куда вы обычно ходите, и как выбираете мероприятия?

ПС: ну и да, могу смело советовать канал IT-мероприятия России
- главное, вовремя заглядывать 😁

Что делает человека крутым (по английски — cool)? Что такое вообще «крутой человек»?

Я сам удивился, но относительно недавно вышло исследование на этот счёт.

И приличное исследование! Почти 6000 испытуемых, 12 разных стран (от США до Нигерии), толковая для задачи исследования методология (опишите крутого и не крутого человека плюс ещё много всякого), поправка на местные языки.

На выходе оказалось, что во всех странах крутых людей «cool people» описывают одинаково.

А именно: высокий уровень экстраверсии, гедонизм, стремление к власти, любовь к приключениям, открытость новому опыту и самостоятельность (cool people are perceived to be more extraverted, hedonistic, powerful, adventurous, open, and autonomous).

Исследователи обработали эти данные и выдвинули такую гипотезу — крутость не является личностным качеством.

Скорее, это социальный статус. Крутыми по всему миру называют тех, кто создаёт культурные нормы (часто — ломая старые) и влияет на других людей.

Так что вот и ответ на вопрос из начала текста — крутым человека делает создание культурной нормы. Кто первый поставил ирокез на голове и не слился — тот крут.

От себя замечу — хотя исследование не проводилось в русскоязычной среде, оно неплохо сочетается в тем, что мы видим. Взять, например, выражение «крутой нрав». Обычно так говорят о людях, у которых всё в порядке со стремлением к власти и самостоятельностью. При этом исследователи показали люди чётка различают «хороших» людей и людей «крутых». И это не полностью совпадает. Получается, что и для нашей среды исследование вполне показательно.

@zygmantovich_pavel

***
Pezzuti, T., Warren, C., & Chen, J. (2025). Cool people. Journal of Experimental Psychology: General, 154(9), 2410–2431. 2431

Какая же жизааааа))
С учетом того, что я поработала и в ИИ для рентгенологии, и в селфдрайвинге..))

Как вообще применяется машинное обучение в биологии? Со стороны инструментов – примерно так же, как везде. Если вы анализируете картинки, применяемые инструменты те же самые, что и в других областях. Например, визуальный трансформер DINO, который мета презентует на картинках собак и сендвичей, также успешно применяется для сегментации опухолей. А если вы работаете с естественным языком, никто не помешает натравить трансформеры на ДНК вместо текста из интернетов (здесь хорошим примером будет AlphaGenome). Не всегда это работает напрямую, но в любом случае пересечение методов с другими областями очень сильное

Что отличается – специфика данных, их количество (как в большую, так и в меньшую сторону) и зачем эти методы применяются. Основными задачами по важности и количеству влитых в них денег являются разработка лекарств и диагностика болезней. Первым занимается, например, Isomorphic Labs – дочка Дипмайнда, развивающая успех моделей для предсказания структуры белка. Их цель – «решить все болезни». Амбициозно, но если у кого-то это и получится, то у Дипмайнда

Вторая задача – диагностика или на языке машинного обучения – классификация по каким-либо данным. Например, предсказание диагноза по картинкам с микроскопа. Здесь есть поучительная история для машинного обучения в целом. Глядя на успех свёрточных нейросетей для работы с изображениями, Хинтон в 2016 году предсказал, что радиологи – врачи, смотрящие на картинки и делающие по ним вывод – будут не нужны через 5 лет. Через 10 лет после этой фразы радиологов больше, чем когда-либо (прикрепил мем в тему). Почитать, почему так вышло, можно вот тут. Оказалось, что работа радиологов чуть сложнее, чем классификация картинок, а внедрение нейросеток в медицину – тяжелее, чем максимизация F-скора

Ещё, конечно, есть фундаментальная наука, где приложения машинного обучения ограничиваются только фантазией исследователей: от расшифровки языка китов до изучения иммунной системы бактерий. Но так как я из прикладных областей, буду рассказывать о них

Периодически не дочитываю книги - эта как раз из их числа. По сути, собраны советы руководителей, основанные на отдельных случаях - не люблю такое. Мне ближе научные выкладки и обоснования, а не «я сделал и мне помогло/не помогло». Всё-таки управление тоже покрыто исследованиями - думаю, полезнее (для меня) было бы читать их разборы, так как в рисёче есть некоторая статистика. Стиль изложения также не зашел.

Кто читал, как вам?

Любопытно. А вы пользовались психологической поддержкой ИИ по подобным поводам?

Собеседование в Яндекс: где мне помог ChatGPT?

Раз уж в предыдущем посте мы затронули тему подготовки к собеседованиям, давайте поделюсь своим недавним опытом. В декабре я рассказывал про новый процесс собеседования разработчиков в Яндекс. В начале года мне предоставилась возможность опробовать его на себе. Расскажу, как это было.

TL; DR

Стало гораздо лучше, быстрее и понятнее. Самое главное — у меня было три секции! Три! Не 5, не 10, не 17 — только 3, каждая по часу. Вот что на них происходило.

1. Скрининг

Дали готовый код. Там была заготовка логики и тесты. Надо было понять код, проверить, нет ли багов в тестах. Дальше надо было реализовать логику так, чтобы тесты в итоге прошли. Это всё как обычно в онлайн-редакторе без запуска кода и компиляции. Причём в коде была многопоточка — на мой взгляд, не самая простая.

Я удивился, что процесс начался именно с такой секции, но в целом выглядит логично — так как я в компании уже работал, эта секция даёт быстро понять, не растерял ли навыки на тот грейд, который у меня был.

2. Алгосекция

Здесь были старые добрые leetcode-like задачи. Решил обе, но пришлось попотеть. Перед секцией я 3-4 дня решал leetcode по часу плюс положился на прежний опыт. Этого хватило, чтобы справиться с обеими задачами в срок, но это не было прям лёгкой прогулкой. Так что настоятельно рекомендую перед такими секциями выделить побольше дней на прорешивание leetcode, просто чтобы вернуть себя в форму, если вы давно этого не делали.

Минутка AI-рефлексии

Когда я шёл в этот процесс, мне было ещё интересно узнать, насколько сейчас проще собеседоваться на разработчика, имея под рукой ChatGPT/Claude/etc. Мне показалось, что вообще не проще, потому что я не понимал, а куда в процессе секции эти GPT-воткнуть? Я всё время был в диалоге с ревьюером, постоянно вслух рассуждал и комментировал, какой код и почему я пишу. В этом потоке совершенно не понятно, как можно уйти в ChatGPT, сформулировать ему задачу, а потом ещё каким-то образом делать вид, что это ты сам из головы придумал.

У меня только на скрининге был момент, когда мне надо освежить в голове один API стандартной библиотеки C++, и я понял, что мне это проще сделать в ChatGPT, чем копаться в cppreference. Я сказал об этом интервьюеру, он кивнул, и мы пошли дальше.

3. Оценка опыта

Впервые проходил такую секцию. Нужно было заранее подготовить рассказ о проекте, в котором я сыграл ключевую роль и в котором уже есть понятные результаты. И вот это как раз та секция, где ChatGPT жжёт 🔥 Но не чтобы облапошить интервьюера, а чтобы как следует упаковать свой опыт и выгодно его преподнести (недаром я недавно говорил о важности упаковки).

Сначала я думал: «Ну я просто пишу код... Какие у меня есть проекты с ключевой ролью и понятными результатами?» Потом придумал 4 кандидата на роль таких проектов. Про каждый из таких проектов я надиктовал в ChatGPT всё, что есть в голове, и поставил ему задачу выбрать тот, который лучше всего характеризует меня как сильного специалиста. После пары итераций был отобран топ-1 кандидат для рассказа на секции. Дальше там же я сделал хорошие формулировки результатов и своего вклада, и у меня получилась хорошая презентация проекта. С ней я и пришёл на собеседование.

Интервьюер много спрашивал меня и вширь, и вглубь — было интересно, и исход секции был положительным.

Здесь хочу отметить важное — ChatGPT помог мне не нафантазировать то, чего не было, а именно посмотреть на мою работу с большей высоты, «увидеть за деревьями лес» и презентовать проект целиком. В общем, мой вам совет — пользуйтесь.

Итоги

В итоге я на своём опыте прошёл новый процесс собеседований разработчиков в Яндексе, и считаю, что компании правда удалось сделать его более быстрым и понятным для кандидатов. К тому же мне удалось найти win-win подход к применению AI в подготовке к собеседованиям — ChatGPT сильно помог выгодно презентовать свой опыт.

Расскажите в комментариях, как вы применяете AI для подготовки и прохождения собеседований?

Уже в среду встречайте новый сезон Ужасов Медицинских Данных! Мы вновь подготовили для вас тизер, точнее даже целую серию

Ссылку закину в канал ближе к делу, а пока держите предварительное расписание (может чуть-чуть поменяться, но не сильно):
13:00–13:05 — Вступительное слово — Жека Никитин (Цельс)
13:05–13:30 — Иван Золин (РНЦ ITMO)
MAS-EHR: Мультиагентная система для интеграции, гармонизации и анализа клинических данных
13:30–13:55 — Евгений Гутин (Цельс)
Синтетический пайплайн обучения медицинских LLM
13:55–14:35 — Мария Бойко (Сколтех)
Мультимодальные модели глубокого обучения в персонализированной медицине
14:35–15:00 — Руслан Макаров (Lissa Health)
Obsidian для медицинских данных
15:00–15:40 — Дарья Воронкина (OneCell.ai)
Как мы строим ML-пайплайны для патоморфологии: данные, разметка, агенты
15:40–16:10 — Александр Золотарев (ИИКС НИЯУ МИФИ)
Цифровые двойники сердца и их ускорение
16:10–16:40 — Катя Кондратьева (GM Healthcare, Atelic, UAE)
AI in Life Sciences 2026: статьи vs реальность
16:40–17:15 — Маргарита Бенедичук (Лаборатория анализа потоковых данных и машинного обучения НГУ)
Когда метрики врут: противодействие доменному сдвигу в МРТ

Классный видос про то, что такое ум на самом деле

https://youtu.be/M5wL-oAfwD0?si=v1rOzegHwNefxwI-

Ричард Саттон - ключевая фигура в reinforcement learning

5 марта 2025 года ACM объявили: Тьюринговская премия за 2024 год достается Ричарду Саттону и его научному руководителю Эндрю Барто. Премия за reinforcement learning, по сути за идею, которую сам Тьюринг сформулировал в лекции 1947-го: "What we want is a machine that can learn from experience." Спустя семьдесят лет, наверное, это можно признать.

В прошлых постах я писал про Дартмутскую конференцию 1956 года — там Маккарти и Минский с коллегами впервые произнесли словосочетание Artificial Intelligence. Их рамка была про логику и символы: интеллект — это что-то, что можно описать формально и заложить в машину. Из этого выросла классическая ветка AI — экспертные системы, gofAI (старый искусственный интеллект), Lisp (язык программирования адаптированный под концепцию).

Сегодня AI и Machine Learning почти синонимы, но изначально это были две разные концепции, и спор шёл ровно про то, как должна учиться машина. И AI Маккарти, и ранний ML делали одно общее предположение: знание в машину надо положить — либо как набор правил, либо через миллион размеченных примеров. Никакой биологии, никакого "учится сама".

Саттон вырос из противоположной школы. Психолог по первому образованию (Стэнфорд, 1978), он пришёл в CS через бихевиоризм. На него сильно повлиял Harry Klopf, доказывавший в 1970-х, что supervised learning принципиально недостаточен. Машина должна учиться сама, через trial-and-error и сигнал награды, как это происходит в биологических организмах.

Эту идею развивали в течении сорока лет, писалось много научных работ, и в 1998 году, Саттон совместно с Барто публикуют культовый учебник Reinforcement Learning: An Introduction. К моменту премии в 2025 году — 75 тысяч цитирований у книги, и еще под 200 тысяч у самого Саттона. AlphaGo, AlphaZero, RLHF в ChatGPT строились на этом фундаменте.

И вот в 2025м, Саттон в полный голос говорит, что LLM — это тупик. Логика та же, что и сорок лет назад: LLM не учится из опыта, она имитирует человеческие тексты. Нет цели, нет агентности, нет on-the-job обучения. В подкасте Dwarkesh Patel в сентябре 2025 он формулирует так: они умеют предсказывать, что сказал бы человек, но не то, что произойдёт в мире.

С ним согласны очень многие. Ян Лекун (Тьюринг 2018) в ноябре 2025 ушёл из Meta и основал стартап AMI ровно с этим тезисом — его JEPA про world models, не про next-token prediction. Jürgen Schmidhuber, ещё один пионер RL, с 1990-х продвигает агентов, которые учатся через опыт; его манифест "World Models" (2018, с David Ha) — прямой идейный родственник работ Саттона.

RL действительно похож на AGI, который все ждут, но всё сложнее. Саттон убежден, что следующий шаг в сторону AGI произойдет не от больших моделей, выученных на человеческих текстах, а от агентов, которые учатся в среде через reward.

Этот пост, подводка к Bitter Lesson, короткому эссе Саттона 2019 года: оглядываясь на 70 лет AI, Саттон формулирует главный вывод — общие методы, умеющие масштабироваться с compute (search и learning). В долгой перспективе всегда побеждают системы, в которые мы пытаемся зашить человеческие знания о домене. Эссе сегодня цитируется индустрией как библия scale-pilled подхода, еще не однократно мы увидим, что очень многие деятели из нашей области ссылаются именно на него.

#history #person #Sutton

Очень уж часто такое вижу - люди смотрят на успех других в чем-то, что на самом деле большое. И расстраиваются, что у них с нахлеста это не получается.

Моя дочка учится готовить — не из необходимости, просто ей интересно.

И так много открывается — диссертацию писать можно.

Например, как-то она делала торт. Энтузиазм фонтанировал — глаза горели, щеки разрумянились. Торт, увы, не получился.

Оно не удивительно для девочки двенадцати лет, которая первый раз взялась за торт (да, она делала легко можете предсказать — это не моё, не буду больше готовить никогда.

Для нас, человеков, вполне нормально схватиться за большую задачу — она красивая. Торт бахнуть! Красивую мускулатуру накачать! Бизнес запустить на миллиард! Что там ещё?

Но подвох в том, что это слишком большие задачи. Прогресс в них очень медленный — ведь они, как та же кулинария, требует времени и терпения.

Результатов сразу не видно, поэтому тааак муторно всё.Но если знать немного психологии, например, про оперантное обусловливание, ситуация меняется.

Я говорю: дочь, давай снизим сложность. Что тебе нравится? Поставить в духовку и всё? Отлично, давай сделаем какие-нибудь печенья, они лёгкие.

Промахнуться трудно, испортить малореально. Давай.
Заверши хотя бы небольшую готовку, получишь удовольствие и захочешь повторить. А потом что-нибудь посложнее сделаешь.

С тех пор прошло года два уже, дочь освоила с десяток блюд уже, не устаю восторгаться ею. Да и ей нравится чувствовать себя компетентной.

А ведь могла бросить и считать себя неумёхой какой.

О том, как не бросать свои проекты я рассказываю в своём тренинге «Как доводить начатое до конца». Подробности здесь — https://zygmantovich.com/products/finish/

PS. Покупка моих аудиоматериалов — отличный способ поддержать мою работу.

Ребята, моя вторая контора проводит крутые соревы в июле! Ещё не постила, исправляюсь.