Что сейчас с хайрингом в FAANG?

С момента наибольшего падения в конце 2022 и начале 2023, число вакансий выросло примерно на треть. Но оно не идет вверх, а зафиксировалось в одном положении (https://www.trueup.io/job-trend).

Facebook сейчас хайрит достаточно хорошо. Число сотрудников практически вернулось до состояния перед сокращениями. Только с начала года я провел более 40 собеседований.
Судя по Linkedin вот такое, примерно, число открытых вакансий в основные Big Tech компании (через / указал число вакансий с тайтлом Software Engineer):

Facebook: 2829/761
Google: 4427/1313
Apple: 0/0
Amazon: 31696/5446
Microsoft: 3854/1245
Netflix: 446/112
Uber: 949/290

Всего: 44201/9167

Текущие стартовые оферы в США для junior/middle/senior:

Facebook: $145k/$234k/$353k
Google: $149k/$222k/$306k
Amazon: $140k/$220k/$337k
Microsoft: $133k/$159k/$203k
Uber: $135k/$248k/$408k
Apple: $119k/$176k/$268k
Netflix: $173k/$263k/$442k

В Европе эти числа в 1.5-2 раза ниже, в зависимости от локации. Для Лондона это примерно в 1.5 раза.
Моя зп в этом году в Лондоне по текущим ценам на стоки: £509k/$663k

По итогу, рынок не на пике, но из ямы вылез.

Наткнулся на это резюме на linkedin. Недавно, я писал свои рекомендации по написанию резюме: https://t.me/faangmaster/426

Какие есть минусы этого резюме:

1) Оно плохо парсится. Тут есть сайд бар. Тут есть фото. Фото, никого не интерисует в вашем резюме на инженерные позиции.
2) Нет достижений. Есть должностные обязанности. Работала работу, получала зп, ходила на митинги. Нужны достижения и результаты.
3) Саммари не продает. Прочитав самари человек должен понять, почему мне надо нанять его, а не кого-то другого.
4) Километровый стек технологий. Можно его не писать для каждой работы. А только в разделе скилов. И писать то, в чем вы действительно разбираетесь и что нужно работодателю. У человека скилов за 3 года опыта в резюме больше, чем мое резюме.

Что вы думаете, про такое составление резюме?

Советы по написанию достижений в резюме

В продолжении темы резюме. Пост о том, как писать резюме: Советы по написанию резюме для FAANG, и не только

Почему нужно писать именно достижения, а не должностные обязанности или список проектов ?

Список должностных обязанностей у программистов в целом одинаков. Поэтому он никак не выделит вас среди других кандидатов. Кроме того, такой список не покажет особенностей вашей работы в конкретной компании. Ваши обязанности на аналогичной должности в разных компаниях вряд ли будут существенно отличаться.

Список проектов — это уже лучше. Описание проектов позволяет подчеркнуть уникальность вашего опыта. Однако простое перечисление проектов не даёт понимания вашей конкретной роли в них, того, что именно вы сделали. Также не ясен результат или влияние вашей работы (impact). Нередко остаётся неясным, был ли проект сложным, какие трудности пришлось преодолеть и т.д.

Как писать достижения?
Прежде чем описывать свои достижения, ознакомьтесь с методикой STAR. Она используется в том числе и на самом собеседовании (в поведенческой его части). Такой же подход можно применять на performance review в рамках вашей компании для оценки производительности сотрудников.
Если кратко, то вам нужно описать контекст проекта и в чем была его сложность. В чем была цель, что сделали именно вы для ее достижения и какой получился результат.

Читая достижение должно быть понятно, что именно сделали вы, как вы это сделали, соответствует ли то что и как вы сделали уровню, на который вы зааплаились.

Например,

Вместо: Занимался баг фиксами
Для Junior/Mid: Используя профилирование памяти, обнаружил утечку памяти, которая оставалась незамеченной в течение двух месяцев в продакшене. Предложил и реализовал способ её устранения с использованием XXX, что привело к увеличению пропускной способности приложения на 30%. Также предложил и реализовал YYY для предотвращения подобных проблем в будущем, а также создал метрики и алармы для их быстрого обнаружения.
Senior/Staff: Работал с инженерами из нескольких команд, чтобы выявить блокеры, которые снижают эффективность при работе над высокоприоритетными задачами саппорта, которые влияют на SLA/SLO ключевых компонент приложения. Предложил и драйвил реализацию XXX, что сократило время обнаружения и устранения проблем на N% в 4 командах.

Вместо: Принимал участие в напиcании кода, code review и дизайне.
Junior/Mid: Реализовал в составе команды из 4 человек функцию сортировки магазинов по удаленности от покупателя, которой пользуются 15 миллионов пользователей в месяц.
Senior/Staff: Предложил, сделал дизайн/архитектуру и драйвил реализацию командой из 4 человек функцию сортировки магазинов по удаленности от покупателя, которой пользуются 15 миллионов пользователей в месяц.

Гайд по подготовке к собесу в FAANG

Написал, в рамках одной статьи на dev.to, гайд по подготовке к собесу в FAANG на основе уже опубликованных постов в этом тг канале.

Как подготовиться к собеседованию в FAANG/Big Tech

В основном, гайд сделан на основе, следующих моих постов:

Варианты подготовки к собеседованию в FAANG/около FAANG для разных уровней текущей подготовки Часть 2 , Часть 3, Часть 4

Также, смотрите подборку постов, не связанных с разбором задач, но полезных, тем кто думает про релокацию и работу в FAANG/Big Tech:

Подборка постов в канале, не связанная с задачами. Часть 1
Подборка постов в канале, не связанная с задачами. Часть 2

А также подборки с моими разборами реальных задач с собеседований на позиции Java разработчика, которые я уже публиковал в этом канале (которые встречались в том числе в Яндекс, Mail ru, инвест банки):
Подборка вопросов и ответов для подготовки к собеседованию на Java программиста

А также мои разборы алгоритмических и system design задач в FAANG:

Подборка статей, которые я уже написал и опубликовал в этом канале по system design

Подборка алгоритмических задач с решениями и описание алгоритмов уже опубликованных в этом канале

Все такие подборки можно найти в закрепленных постах в этом канале.

Запись Mock Interview

Выложил запись одного из mock-собеседований. Я получал согласие на публикацию, но если есть возражения со стороны собеседуемого, то могу удалить или подредактировать.

https://youtu.be/hjjGDODYJ6M

Краткий сказ о том, как AI заменяет людей.
P.S. если что, там 3 буквы r и в другом месте.

Собеседовал сегодня кандидата из Сингапура

У кандидата 16 лет опыта, позиции за последние 10 лет выглядят примерно так: CTO, Technical Director, CEO и т.д. Правда, компании, которые я первый раз вижу.

Я ничего не понимал, что он говорит. Акцент настолько сильный, что почти ничего не разобрать. Да и не сказал бы, что он быстро и легко говорил, и это мне было сложно понимать акцент. Ему в целом, размышления на английском не давались. Я понимал только код, который он писал на Go. Задачки решил так себе. В конце вопросы почти не задавал. Точнее он спросил один вопрос, который я не понял сначала. После уточнений, я понял, что это был вопрос с претензией. Вроде, как часто, в реальной работе, вы решаете задачи, подобные этим.

Как по мне, если вы не принимаете правила игры, то просто, не надо собеседоваться в FAANG/Big Tech. Я постоянно встречаю не только на собеседованиях, но в качестве постов на линкенине, что так не надо собеседовать. Только проблема, что они не пишут, как надо, и почему это будет работать в масштабе FAANG компаний.

CAP Theorem
#systemdesign

Написал статью про CAP Theorem в распределенных системах:

https://dev.to/faangmaster/cap-theorem-413p

Вышло новое интервью с Дороничевым

Это бывший Director в компании Google, который приложил руку к youtube mobile и stadia.

Позиция Director это L8 уровень. Что примерно эквивалентно позиции Principal в инженерной карьерной линейки. У Director в подчинении Senior Manager'ы и Senior Staff инженеры.

Он ушел из Google и говорит про свое самое дорогое письмо в жизни. Ему пришлось оставить 6.8 миллионов еще не завесченных стоков(еще не выплаченных акций). Я могу это понять, у меня конечно не 6.8 миллионов, но чуть больше миллиона. Это и есть так называемая "золотая клетка".

https://youtu.be/zNpTHznYMW4?si=rxlajhUXvF8gH72z

Bloom Filter
#systemdesign

Написал статью про Bloom Filter: https://dev.to/faangmaster/bloom-filter-4f4e

Собеседовал только что многократного победителя соревнований на Kaggle

Текущая позиция кандидата - Staff ML Engineer. В прошлом у него несколько побед на платформе Kaggle. Это такой аналог https://www.topcoder.com/ или https://codeforces.com/, только для Data Scientists и ML.

На ML позиции, кроме собеседования, собственно, по ML, есть собеседование по кодингу.

Кандидат мгновенно придумывал правильные решения, но код был трехэтажным, без необходимости усложненным. То, что называется "индусский код". По всем осям я поставлю выше среднего (strong), но по кодингу - на грани.

Кроме индусского/спагетти-кода (запутанный, трудно понимаемый, слабоструктурированный код, с большим числом if-else и т.д.) бывает:

Пахлава/Лазанья код - когда чрезмерно много уровней абстракции для данной задачи. Я бы весь Spring назвал Лазанья кодом.
Равиоли-код - огромное число независимых компонентов. Легко понять отдельный класс, но не весь проект в целом.
Катамари-код - изначально нормально написанный код, но постепенно обросший костылями и новой функциональностью, простым добавлением кода, без редизайна.

А какой код у вас в компании?

В последнее время вижу много постов в линкедине, что кодинг собеседования по алгоритмам ничего не показывают, кроме того, насколько человек хочет попасть в компанию

Что я думаю про это?
Краткий ответ: и да и нет. Но скорее нет.

Собеседования по алгосам, в первую очередь, решают две другие задачи:
1) Стандартизация собеседований.
2) Минимизация false positive.

Практически все крупнейшие IT-компании мира (FAANG/Big Tech) собеседуют одинаково. Эти компании нанимают гигантское число людей каждый год. А число собеседований измеряется миллионами в год.
Поэтому если вы готовитесь к собеседованию по алгосам, это не значит, что вы эксклюзивно закомитились в одну конкретную компанию и потратили год или два на подготовку. Вы, в целом, будете готовы к такому типу собеседований и сможете попасть в одну из десятков крупнейших компаний мира.
Но рациональное зерно в этом есть. Это, особенно, касается локальных IT-рынков. Где большинство компаний так не собеседуют, а 2-3 собеседуют именно так. Условный Яндекс или Mail ru vs местный аутсорсер.

Что касается, реальных задач такого собеседования:
1) Стандартизация собеседований. Вы проводите невероятное число собеседований. Вам нужно масштабировать этот процесс. Вам нужно иметь универсальную рабочую метрику. Если каждый будет собеседовать кто в лес, кто по дрова, то очень быстро уровень людей в компании станет приближенным к среднему уровню по рынку. А хайринг лучших - это ключевой аспект успеха всех FAANG/Big Tech компаний. Это не какие-то супер процессы или культура инжиниринга, и не культурные ценности компании. Однотипные собеседования по одним и тем же критериям, а также проведения нескольких собеседований разными людьми, позволяют минимизировать субъективность.
2) Минимизация false positive. False Positive - кандидаты, которые прошли собеседование, но стали плохими сотрудниками. Большие компании стремятся минимизировать такие случаи. Они легко мирятся с false negative. Это такие кандидаты, которые не прошли собеседование, но могли бы стать успешными сотрудниками. Из-за того, что число кандидатов астрономическое - не наняли одного хорошего сегодня, найдем другого завтра. Кандидаты, которые хорошо проходят кодинг собеседования, с большей вероятностью становятся хорошими сотрудниками. Как минимум, так считается. Минимизация false positive достигается также несколькими независимыми собеседованиями, которые проводят разные люди и дают фидбек независимо. Чтобы пройти собес - нужно пройти все. Это минимизирует субъективность.

Связанная мысль, которая также приводит к мнению, что такое собеседование ничего кроме желания попасть в конкретную компанию не показывает - любой может надрочить такие задачи и все также проходить, а мне просто лень надрачивать такие задачи, т.к. они никак не связанны с реальной работой. Это сильное утверждение. По аналогии можно сказать, что каждый школьник может написать ЕГЭ по всем предметам на 100 баллов просто надрочив задачи, но просто не хочет. Или каждый может выиграть межнар по математике или информатике, но просто не хочет. Или, что каждый может стать топ 10 на topcoder, но просто не хочет. Или каждый может стать гроссмейстером по шахматам, просто не хочет.
На самом деле, объем теории, необходимый для решения алгосов можно изучить за 1 неделю. А вот научиться навигироваться во время решения задачи, преобразовывать условие в алгоритм, а алгоритм в реальный код - не такая простая задача. Такие задачи позволяют за 15-20 минут проверить многие аспекты мышления в плоскости программирования в чистом виде. Да, эти задачи не проверяют способность реальной работы, т.к. реальный код это на 90% просто бойлер плейт код или код с очень тривиальной логикой.

Пишите в комментариях, что вы думаете про это.

Подборка алгоритмических задач с решениями и описание алгоритмов уже опубликованных в этом канале
#interview #собеседование #алгоритмы #подборка

Обновление подборки.

Общие статьи:
1) Как выбрать язык программирования для алгоритмического собеседования?
2) Как решать алгоритмические задачи на подготовке, чтобы это было эффективно
3) Как не забыть решения задач и алгоритмы
4) Шпаргалка по основным алгоритмам для алгоритмического собеседования
5) Шпаргалка по Java для алгоритмического собеседования
6) Подборка из easy задач для начала подготовки к алгоритмическому собеседованию.
7) Сбалансированная подборка из 100 задач для подготовки к алгоритмическому собеседованию.
8) Видео: mock собеседование по алгоритмам в FAANG

Two Pointers:
1) Проверка на палиндром.
2) Усложненная версия проверки на палиндром.
3) Merge Two Sorted Arrays
4) Самая длинная палиндромная подстрока
5) Удалить дубликаты в отсортированном массиве
6) Видео: Merge Intervals
HashTable:
7) Two Sum
8) Видео: Сгруппировать анаграммы
9) Задача с собеседования в Google. 939. Minimum Area Rectangle
10) Задача с собеседования в Microsoft: Самое большое палиндромное число
Stack:
11) Проверить скобочное выражение.
12) Удалить минимальное число скобок, чтобы сделать скобочное выражение правильным
Sorting:
13) Первый пропущенный положительный элемент массива
LinkedList:
14) Удалить n-й элемент с конца в односвязном списке
15) Deep Copy списка со ссылкой на случайный элемент.
BinarySearch:
Описание алгоритма BinarySearch.
16) Пропущенный элемент в отсортированном массиве.
17) Пиковый элемент.
18) Число итераций в бинарном поиске.
19) Первая плохая версия
DFS:
Описание алгоритма DFS.
20) Flood Fill.
21) Видео: Число Островов
BFS:
Описание алгоритма BFS.
22) Проверить полноту дерева.
23) Обход дерева по уровням.
24) Remove Invalid Parentheses
Топологическая сортировка:
Топологическая сортировка
25) Видео: Top k elements
Binary Tree:
Алгоритмы обхода двоичного дерева
26) Invert Binary Tree
27) BranchSums
28) Максимальная высота дерева
29) Максимальная сумма пути в бинарном дереве
30) Сумма элементов бинарного дерева поиска в диапазоне значение
31) Удалить вершины в дереве и вернуть оставшийся лес/forest
Dynamic Programming:
Основные этапы решения задач на динамическое программирование Top-Down методом
32) Top Down подход на примере задачи про ступеньки
33) Задача на динамическое программирование. Разделение на слова.
34) Количество дождевой воды
35) Bottom-up подход: разменять деньги
36) Видео: Longest Increasing Subsequence
37) Лучшее время для покупки и продажи акции
Sliding Window
38) Contains Duplicate ||
39) Наибольшая подстрока без повторяющихся символов.

Подборка статей, которые я уже написал и опубликовал в этом канале по system design
#systemdesign

Обновление подборки

Общие статьи:
Как устроено System Design Interview в FAANG?

1) Load Balancers 1
2) Load Balancers 2
3) Load Balancers 3
4) Consistent Hashing
5) Data Partitioning/Sharding
6) Design Web Crawler
7) Дизайн Uber/Яндекс Такси
8) Дизайн новостной ленты соцсети типа Twitter или Facebook
9) Availability
10) Consistency
11) Дизайн мессенджера Telegram
12) Обработка ошибок при вызове другой компоненты
13) Распределенный кэш. Часть 1.
14) Распределенный кэш. Часть 2.
15) Распределенный кэш. Часть 3.
16) Характерные числовые характеристики, которые нужно знать для System Design собеседования
17) Дизайн Google Maps
18) Некоторые подходы к архитектуре приложений в Amazon
19) Какие AWS сервисы мы часто использовали, когда я работал в Amazon?
20) Какие базы данных используются в FAANG?
21) Memcached vs Redis
22) CAP Theorem
23) Bloom Filter

Еще один подозрительный случай с собеседования

Собеседовал сегодня кандидата из Индии. Я, обычно, не смотрю резюме до того, как засабмичу фидбек, но сегодня посмотрел во время самого собеседования. В резюме написано, что текущее место работы - Amazon.

Почему я решил посмотреть?
Кандидат вел себя очень странно. Вначале он жаловался, что он меня плохо слышит. Я предложил ему перенести собеседование, т.к. с плохой связью будет тяжело нормально провести собеседование. Но он сказал, что хочет продолжать.
Далее я слышал свой голос в виде эха. Или проблемы связи или он пользовался спикерами в ноуте. При этом у него в ухе был только один наушник. Т.е. когда я говорил, я слышал свой голос, но при этом у него был наушник в ухе, но только один. Но это было не очень подозрительно, возможно, просто проблемы интернета.
Далее, когда я рассказал постановку задачи, то он ее написал в виде текста, ничего не уточнял и завис на минуту или две. После этого начал водить глазами так, как будто читает, и начал описывать оптимальное решение, но в стиле LLM/Chat GPT. Люди, обычно, так не говорят. После этого начал писать код в полной тишине. При этом писал строки символ за символом оптимального решения. Ничего не пояснял, и процесс написания кода был не естественным. Обычно, люди пишут не последовательно. Они скорее начинают с общей идеи, потом дополняют детали, пропущенные условия, пропущенные объявления переменных и т.д. Обычно, написание кода это итеративный процесс. В его случае выглядело так, что он очень медленно перепечатывает код символ за символом.
В итоге он не успел его потестить. При этом по problem solving и coding я поставил strong и moderate соответственно. По verification поставил N/A и по communication - Insufficient. И описал всю историю с моими подозрениями и выставил галочку, что я подозреваю его в читерстве.
Когда я посмотрел резюме, я начал подозревать, что, возможно, резюме фейковое. Обычно, кандидаты из Amazon показывают себя неплохо. Далеко не все проходят, но есть с чем работать. А тут как будто или чел супер странный или у него возник гениальный план пройти собес и получить зп в несколько сотен тысяч долларов и получить в первый же месяц десятки тысяч долларов sign-on бонуса просто используя ChatGPT.

В рамках Meta Connect 2024 показали прототип AR очков

Прямо сейчас идет презентация Meta Connect.
В рамках презентации был публично показан прототип разрабатываемых очков.
Официальная трансляция: https://www.facebook.com/share/zCv9EvbAAdmPLkfZ/

Пока на официальном канале на ютубе записи нет, но думаю скоро появится.

Не официальная трансляция на ютубе:

https://www.youtube.com/live/ezXhxAkhJfk?si=y7505TrDg-4CPogK

Короткое виде про очки:

https://youtu.be/mpKKcqWnTus?si=hsBXRvFCi2GYouHm

Уверенные пользователи ChatGPT кучно пошли

Прошлый случай был буквально вчера: https://t.me/faangmaster/451

Сегодня похожая история. Кандидат снова из Индии. В этот раз девушка и не настолько глупая. Прошлый тупо читал текст из ChatGPT ничего не понимая. Эта очень заметно отводила взгляд и потом пыталась своими словами обьяснить оптимальное решение. Правда обьясняла уже написанное решение неправильно.

Они, видимо, решили задедосить нас такими кандидатами.

P.S. Они - это (уверенные пользователи ChatGPT) https://youtu.be/iH1CUPlmBUs?si=W5xgdQQhkQXVtsXM

Жду когда картинка и звук будут нейронками.

Рейтинг Big Tech компаний по зп

Сделал расчет медианного офера, который предлагают 10 Big Tech компаний. Расчет делал из моих знаний про распределение по уровням в процентном соотношении. Для Amazon и Facebook я знаю это распределение достаточно точно. Для остальных я предположил аналогично. Уровни, которые я учитывал - Junior, Middle, Senior, Staff, Senior Staff, Principal. В Amazon уровни широкие, там я замапил их следующим образом: L4(SDE1) - Junior и Middle, L5(SDE2) - Middle, Senior, L6(SDE3, Senior SDE) - Staff, L7(Principal) - Senior Staff, L8(Senior Principal) - Principal.

Итоговый рейтинг и медианный офер:

1) Databricks - $409k
2) Facebook - $392k
3) Two Sigma - $356k
4) Uber - $344k
5) Netflix - $340k
6) Google - $294k
7) Lyft - $259k
8) Apple - $254k
9) Amazon - $222k
10) Microsoft - $213k

Сюрпризы для меня:
1) Ожидал Google увидеть месте на 4, а не 6.
2) Не ожидал увидеть Uber в первой пятерке.

Также надо иметь ввиду, что Databricks - это все еще приватная компания. Они дают много акций, но их не так просто продать. Эта компания рассматривается как Pre-IPO.
Также есть нюансы с Netflix. Они не дают акции. Поэтому ваша компенсация не может расти в разы, как в других публичных компания. Да и попасть в Netflix в большинстве случаев можно только при 3 условиях: 1) вы Senior+ 2) Вы уже в США 3) Вы работаете в другом FAANG

Рейтинг BigTech компаний по отзывам сотрудников

Сделал рейтинг тех же 10 компаний, но по отзывам на Glassdoor. Более того, я убрал оценку компенсации (во многих компаниях, где много платят, оценка по компенсации тянет общую оценку вверх) и Diversity & Inclusion (для выходцев из СНГ это мало значимо).

Почему я решил убрать оценку компенсации?
В компаниях, вроде Facebook или Uber, много платят, но там очень конкурентная среда и очень высокие ожидания. Из-за этого там страдает WLB (Work-Life Balance) и стрессовая оценка перфоманса сотрудников (калибровки, PSC). Из-за такой среды, многие сотрудники постоянно испытывают сильный стресс. Я захотел убрать фактор компенсации (золотой клетки), и в изоляции посмотреть как себя чувствуют сотрудники просто от ежедневной работы в компании, а не от большой зп.

Итоговый рейтинг:

1) Google - 4,075
2/3) Microsoft - 4,025
2/3) Two Sigma - 4,025
4) Databricks - 3,925
5) Netflix - 3,8
6) Apple - 3,75
7) Facebook - 3,6
8) Lyft - 3,45
9) Uber - 3,4
10) Amazon - 3,375

Первое место в рейтинге меня не удивило. Опыт работы в Microsoft тоже намного лучше, чем в других, т.к. они сильно пересмотрели stack ranking сотрудников из-за жалоб в прошлом. Two Sigma - это Google в мире финансов/хэдж фондов. Databricks - относительно новый игрок на рынке и платит больше всех, чтобы переманить сотрудников из других FAANG компаний, но при этом имеет хорошую атмосферу.
А Facebook и Uber платят хорошо, но опыт работы будет намного хуже (намного больше стресса). И там вы ощутите эффект золотой клетки больше, чем где-либо еще.

Amazon при этом и платит не очень много по сравнению с другими FAANG компаниями, но и опыт работы там в среднем хуже. Я сам 3.5 года проработал в Amazon. Было сложно, но я многому научился и какой-то жести не было. Я бы рекомендовал Amazon, как первую ступеньку в FAANG (проще попасть) для джавистов (т.к. там много Java). Если вам понравится и вы будете быстро расти, то особого смысла сразу менять работу возможно и нет. Но если вы будете там страдать, то через пару-тройку лет можно перейти в другую компанию.
Microsoft я бы рекомендовал, как первую ступеньку(легче попасть) в Big Tech для тех, кто любит C#, C++. Опыт работы у вас будет, с большой верояностью, хорошим. Но как только захотите больше денег, придется менять работу.

У подозрительного кандидата и резюме подозрительное

Недавно я писал про кандидата из Индии, который зачитывал ChatGPT текст и перепечатывал решение посимвольно: https://t.me/faangmaster/451

Я решил более подробно изучить его резюме. Еще в предыдущем посте я сказал, что он работает в Amazon, что видимо, и позволило ему попасть на собес.

После детального прочтения я уверен на 100%, что он не работает в Amazon. В целом, его резюме оптимизировано под FAANG. Оно соответствует всем рекомендациям, которые я давал ранее в этом канале. Оно и легко парсится, оно короткое, в нем описаны достижения с цифрами, там есть известные компании.

Почему я уверен, что он не работает в Amazon?

Прочитав список достижений, я увидел там много упоминаний open source технологий, которые почти или вообще не используются в Amazon. Он вплетал в текст достижений, названия технологий, которые используют средние и маленькие компании. Все они open source. В FAANG, в основном, внутренние, закрытые тулы и технологии. Хоть в Amazon и есть open source, но там были указаны те, которые почти не используются.
Более того, хоть в достижениях есть цифры, текст самих достижений очень не конретный и мало привязан к реальным задачам, которые решает Amazon. Т.е. все эти достижения можно написать для любой не FAANG компании.

Т.е. если бы это резюме увидел я, то сразу бы отреджектил как подозрительное. Автоматическая система и рекрутеры пока такое плохо фильтруют.