• да сейчас на рынке джунов и вкатунов ребят больше, но на уровне мидл/сеньор позиций сохраняется рынок и найти работу точно можно человеку, которому надо и который будет прикладывать усилия к подготовке

Тут два тейка:
• если говорить про рынок джунов, то да, агенты их потихоньку отжимают, но тут такой вопрос: если мы остановим найм джунов, сеньоры окончательно заскуфятся и пойдут работать на ферму, то кто будет работать, если пять лет назад? Ни я, ни Артём не знаем...
• если есть агенты, то ими должен кто-то пользоваться и строить из них системы, поэтому появляется новая профессия AI-инженер, плюс всегда во время новой экономической революции, если судить по истории, открывались новые рынки, вакансии и возможности (душнилы истории велкам в чат). Короче, паниковать не стоит, просто изучайте новые инструменты и пользуйтесь ими.

• Согласен с тейком, сейчас те компании, которые закрывают нос от агентов и вайбкодинга, будут отставать с точки зрения валидации гипотез. Если гипотеза сработала, то после неё уже можно нанимать сеньоров, которые сделают адекватное рабочее решение.

• Мне кажется, что пока что токены будут дорожать, что большие компании захватывали рынок, но в будущем их стоимость будут повышать. Также есть мнение, что в будущем разные токены будут иметь разную цену: токены на лечение рака будут дороже, чем токены на поиск самой вкусно шавермы в усть-залупинске. Просто потому что КПД разное у токенов

• почему мало собесов?
• что писать в резюме?
• как упаковать опыт?
• на какие вакансии идти?
• что делать на собесах?

• Кому подходит?
• Что внутри?
• Кто будет вести?
• Сколько занимает путь до оффера?
• Чем это отличается от курсов, roadmap и самостоятельного обучения?
• Что делать, если уже есть база, но оффера всё равно нет?

{
  "client_id": 123,
  "pd_score": 0.18,
  "risk_segment": "medium",
  "decision": "manual_review"
}

Модель оценивает риск клиента на момент заявки и помогает банку принимать кредитное решение с учётом вероятности дефолта, доходности и риск-политики.

— анкетные данные клиента;
— возраст, регион, семейное положение;
— доход и долговая нагрузка;
— сумма и срок кредита;
— кредитная история;
— прошлые просрочки;
— количество активных кредитов;
— поведение в приложении.

— time-based split;
— контроль утечек;
— работа с дисбалансом классов;
— Gini / AUC / LogLoss;
— подбор порога под бизнес-цель;
— SHAP / feature importance;
— проверка стабильности на временных срезах.

Я строил PD-модель, валидировал её через time-based split, контролировал утечки, подбирал порог под баланс между approval rate и default rate, а качество смотрел через Gini, AUC и бизнес-метрики (рассказать про значение метрик).

— FastAPI для скоринга заявки;
— Docker;
— логирование входов и предсказаний;
— версионирование модели;
— мониторинг PSI и drift;
— контроль approval rate / default rate;
— fallback на старую модель;
— регулярное переобучение.

Я собрал PD-скоринг для кредитных заявок: подготовил признаки без утечек, обучил бустинг, провалидировал модель по времени, подобрал порог под бизнес-метрики и завернул всё в сервис с мониторингом.