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.
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.
👍19🗿4🔥2🥴2💊2🤔1
CAP Theorem
#systemdesign
Написал статью про CAP Theorem в распределенных системах:
https://dev.to/faangmaster/cap-theorem-413p
#systemdesign
Написал статью про CAP Theorem в распределенных системах:
https://dev.to/faangmaster/cap-theorem-413p
DEV Community
CAP Theorem
CAP Theorem применима к распределенным системам, которые хранят данные. Распределенная система...
🔥13👍7
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
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
YouTube
Как создатель мобильного YouTube ищет лекарство от рака. Первый герой “Русских норм!” 6 лет спустя
НАСТОЯЩИЙ МАТЕРИАЛ (ИНФОРМАЦИЯ) ПРОИЗВЕДЕН И РАСПРОСТРАНЕН ИНОСТРАННЫМ АГЕНТОМ ЕЛИЗАВЕТОЙ НИКОЛАЕВНОЙ ОСЕТИНСКОЙ ЛИБО КАСАЕТСЯ ДЕЯТЕЛЬНОСТИ ИНОСТРАННОГО АГЕНТА ЕЛИЗАВЕТЫ НИКОЛАЕВНЫ ОСЕТИНСКОЙ 18+
Бесплатное оформление ВНЖ инвестора при покупке недвижимости…
Бесплатное оформление ВНЖ инвестора при покупке недвижимости…
🔥15
Bloom Filter
#systemdesign
Написал статью про Bloom Filter: https://dev.to/faangmaster/bloom-filter-4f4e
#systemdesign
Написал статью про Bloom Filter: https://dev.to/faangmaster/bloom-filter-4f4e
DEV Community
Bloom Filter
Представим, что у нас есть очень большой набор структурированных данных, где каждая запись уникально...
👍12🔥8🤔1😱1
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?
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?
👍29🔥8
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.
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.
👍24🔥7🤔2
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.
#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.
Telegram
FAANG Master
Как выбрать язык программирования для алгоритмического собеседования?
На кодинг интервью в FAANG и другие компании, которые проводят кодинг собеседовая похожим образом, вы можете выбрать сами, на каком языке программирования писать код. Но это должен быть…
На кодинг интервью в FAANG и другие компании, которые проводят кодинг собеседовая похожим образом, вы можете выбрать сами, на каком языке программирования писать код. Но это должен быть…
👍21🔥7❤4
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
#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
Telegram
FAANG Master
Как устроено System Design Interview в FAANG?
System Design Interview (SDI) встречается на все позиции программистов, кроме интернов. Для интернов есть только собеседования по алгоритмам. Для всех других позиций у вас будет хотя бы одно SDI.
Оно встречается…
System Design Interview (SDI) встречается на все позиции программистов, кроме интернов. Для интернов есть только собеседования по алгоритмам. Для всех других позиций у вас будет хотя бы одно SDI.
Оно встречается…
👍18🔥13
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.
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.
😁19🥴7🙈1
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
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
Facebook
Log in or sign up to view
See posts, photos and more on Facebook.
👍7👎1😁1
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.
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.
Telegram
FAANG Master
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. …
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. …
🤣13👍8😁8❤1
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
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
👍19
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.
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.
👍17❤3
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.
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.
Telegram
FAANG Master
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. …
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. …
👍16
Темплейт резюме
Пример, хорошего темплейта для резюме в FAANG: https://faangpath.com/template/
Нажимаем кнопку: Get the template
Вместо Objective я бы написал Summary, кто вы и почему вы нужны именно этой компании.
Education и Experience я бы поменял местами.
Последние 3 секции опциональны, если есть достижения вне работы, победы на олимпиадах, хакатонах, контрибьюшены в open source, свои проекты, выступления на конференциях и т.д.
P.S. Как дойдут руки, сделаю свой темплейт. Тут все равно несколько заточен под fresh graduate с малым опытом.
Пример, хорошего темплейта для резюме в FAANG: https://faangpath.com/template/
Нажимаем кнопку: Get the template
Вместо Objective я бы написал Summary, кто вы и почему вы нужны именно этой компании.
Education и Experience я бы поменял местами.
Последние 3 секции опциональны, если есть достижения вне работы, победы на олимпиадах, хакатонах, контрибьюшены в open source, свои проекты, выступления на конференциях и т.д.
P.S. Как дойдут руки, сделаю свой темплейт. Тут все равно несколько заточен под fresh graduate с малым опытом.
Faangpath
Resume Template | FAANGPath
Resume Template ATS compliant resume review facebook amazon apple good work at faang companies fang
👍17❤4
Как FAANG компании делают бэкграуд чек
После того, как вы прошли собеседование, получили и приняли офер, FAANG компания запустит процесс бэкграунд чека. Если вы его не пройдете, то офер может быть отозван. Поэтому, я бы не рекомендовал сообщать о своем увольнении до того, как он пройден.
FAANG компании не делают этот чек самостоятельно. Они поручают это сторонним компаниям, вроде https://www.hireright.com/.
Сотрудники этой компании с вами свяжутся и попросят вас предоставить много информации о себе.
Это список предыдущих мест работы, адреса работодателей, контактные данные (телефон, почта), имена коллег/менеджера. Попросят данные про места учебы, также в виде названий, адресов и т.д. Могут попросить ссылки на ваши социальные сети. Могут попросить справки о несудимости или их аналоги в ваших странах.
Они попытаются связаться с вашими работодателями и проверить, что вы там действительно работали. Они также попытаются связаться с университетами для проверки того, что вы там действительно учились. Делают ли они это по каким-то официальным каналам, или просто по контактным данным, которые вы предоставили, я точно не знаю.
Они вас погуглят, проверят вашу репутацию в интернете, посмотрят соц. сети.
Если у них не получится связаться и что-то выяснить, то они попросят вас загрузить доп. документы. Это могут быть справки с места работы, платежки, контракты, оферы, дипломы, трудовая книжка и т.д.
Также можно попросить, чтобы не связывались с вашим текущим работодателем. Но тогда вас попросят подтвердить, что вы там работаете документами.
Я проходил этот процесс два раза, оба раза успешно, не смотря на то, что у меня образование получено в России, а также пару работодателей были в России. Занимает этот процесс 1-2 месяца.
После того, как вы прошли собеседование, получили и приняли офер, FAANG компания запустит процесс бэкграунд чека. Если вы его не пройдете, то офер может быть отозван. Поэтому, я бы не рекомендовал сообщать о своем увольнении до того, как он пройден.
FAANG компании не делают этот чек самостоятельно. Они поручают это сторонним компаниям, вроде https://www.hireright.com/.
Сотрудники этой компании с вами свяжутся и попросят вас предоставить много информации о себе.
Это список предыдущих мест работы, адреса работодателей, контактные данные (телефон, почта), имена коллег/менеджера. Попросят данные про места учебы, также в виде названий, адресов и т.д. Могут попросить ссылки на ваши социальные сети. Могут попросить справки о несудимости или их аналоги в ваших странах.
Они попытаются связаться с вашими работодателями и проверить, что вы там действительно работали. Они также попытаются связаться с университетами для проверки того, что вы там действительно учились. Делают ли они это по каким-то официальным каналам, или просто по контактным данным, которые вы предоставили, я точно не знаю.
Они вас погуглят, проверят вашу репутацию в интернете, посмотрят соц. сети.
Если у них не получится связаться и что-то выяснить, то они попросят вас загрузить доп. документы. Это могут быть справки с места работы, платежки, контракты, оферы, дипломы, трудовая книжка и т.д.
Также можно попросить, чтобы не связывались с вашим текущим работодателем. Но тогда вас попросят подтвердить, что вы там работаете документами.
Я проходил этот процесс два раза, оба раза успешно, не смотря на то, что у меня образование получено в России, а также пару работодателей были в России. Занимает этот процесс 1-2 месяца.
👍15🔥2
Почему Amazon имеет такие низкие оценки от сотрудников
Я публиковал ранее рейтинг Big Tech компаний, по отзывам от сотрудников, без учета отзыва по компенсации и дайверсити: рейтинг
Amazon там на последнем месте.
Я проработал в Amazon 3.5 года, и я бы не сказал, что мой опыт был ужастным.
Но, что же тянет рейтинг Amazon вниз?
В Amazon, в основном, такие же плюсы и минусы, как и в других фангах. Ожидания везде высокие, везде есть оценка перфоманса сотрудников, везде внутренние тулы и везде oncall. Но некоторые минусы или особенности, отражаются более негативно, по сравнению с другими фангами:
1) Amazon Leadership Principles. Во всех фангах есть ключевые ценности компании, слоганы и своя культура. Но нигде она так не форсится, как в Amazon. Эти Leadership Principles не просто слоганы, они реально используются в ежедневной работе. Они используются во время технических обсуждений, design review, code review, sev/coe review как реальные аргументы. По ним вас будут оценивать во время перфоманс ревью в конце года. По ним вам будут давать фидбек коллеги. Все это начинает напоминать какую-то секту или религию. И многие называют это промывкой мозгов. Что касается меня, то вначале все это было непривычно, было отторжение, но потом привык и даже начал считать все это, как имеющее вмысл. Если в них вдуматься, то они достаточно осмысленны и полезны.
2) Oncall. Все разрабы по очереди делают саппорт системы, которую они разрабатывают. В некоторых командах такой саппорт - это ночной кошмар. Вам приходится просыпаться посреди ночи и тушить пожары. Особенно, это характерно, для некоторых AWS команд. Многие не выдерживают такого режима и уходят. У меня такого не было в команде. Я за 3.5 года просыпался может быть раз 5 среди ночи и быстро делал рестарт или ролбек, если он автоматически не срабатывал, иногда быстрые конфиг изменения. А уже детальный поиск рут коза и починка была в обычное время. Поэтому, когда собеседуетесь в команду, спросите про oncall, если не спать всю неделю это не ваше.
3) Менеджеры. От менеджера зависит ваша оценка на перфоманс ревью очень сильно. Если вы испортите отношения с менеджером в Amazon, то это сделает вашу жизнь в компании очень короткой и неприятной. Это бывает редко, но все же случается. Я такое несколько раз видел за свою работу, опишу отдельными постами.
4) PIP. PIP - это performance improvement plan. Если вы получили плохую оценку перфоманса, или менеджер хочет от вас избавиться, то вам дадут сложный проект на ограниченный промежуток времени. Все будет документироваться. Если вы его не сделаете, то вас уволят. В Amazon, почти никто не выживает на pip. Люди просто используют эти пару месяцев для поиска работы. Поэтому его в шутку называют paid interview preparation. В других компаниях он тоже есть, но в Amazon и Facebook это чаще, чем в других компаниях. Раньше это было для ~5% в год, или что-то около этого. Сейчас не знаю, может больше. В Facebook раньше это было для 1-3% и половина его переживала. Сейчас в Facebook говорят про 10% в год и даже без pip. Многие называют это silent layoff. Опишу постами, истории, которые я знаю. Но на практике это мало заметно.
P.S. в Amazon есть и другие минусы, но часть из них связана с компенсацией, что в других компаниях можно больше получать, херовый vesting schedule, вам первые два года будут давать мало акций, меньше рефрешеров. Но я не оцениваю компенсацию. Также есть проблемы с промоушенами выше L5, но это в той или иной степени везде не так просто.
Я публиковал ранее рейтинг Big Tech компаний, по отзывам от сотрудников, без учета отзыва по компенсации и дайверсити: рейтинг
Amazon там на последнем месте.
Я проработал в Amazon 3.5 года, и я бы не сказал, что мой опыт был ужастным.
Но, что же тянет рейтинг Amazon вниз?
В Amazon, в основном, такие же плюсы и минусы, как и в других фангах. Ожидания везде высокие, везде есть оценка перфоманса сотрудников, везде внутренние тулы и везде oncall. Но некоторые минусы или особенности, отражаются более негативно, по сравнению с другими фангами:
1) Amazon Leadership Principles. Во всех фангах есть ключевые ценности компании, слоганы и своя культура. Но нигде она так не форсится, как в Amazon. Эти Leadership Principles не просто слоганы, они реально используются в ежедневной работе. Они используются во время технических обсуждений, design review, code review, sev/coe review как реальные аргументы. По ним вас будут оценивать во время перфоманс ревью в конце года. По ним вам будут давать фидбек коллеги. Все это начинает напоминать какую-то секту или религию. И многие называют это промывкой мозгов. Что касается меня, то вначале все это было непривычно, было отторжение, но потом привык и даже начал считать все это, как имеющее вмысл. Если в них вдуматься, то они достаточно осмысленны и полезны.
2) Oncall. Все разрабы по очереди делают саппорт системы, которую они разрабатывают. В некоторых командах такой саппорт - это ночной кошмар. Вам приходится просыпаться посреди ночи и тушить пожары. Особенно, это характерно, для некоторых AWS команд. Многие не выдерживают такого режима и уходят. У меня такого не было в команде. Я за 3.5 года просыпался может быть раз 5 среди ночи и быстро делал рестарт или ролбек, если он автоматически не срабатывал, иногда быстрые конфиг изменения. А уже детальный поиск рут коза и починка была в обычное время. Поэтому, когда собеседуетесь в команду, спросите про oncall, если не спать всю неделю это не ваше.
3) Менеджеры. От менеджера зависит ваша оценка на перфоманс ревью очень сильно. Если вы испортите отношения с менеджером в Amazon, то это сделает вашу жизнь в компании очень короткой и неприятной. Это бывает редко, но все же случается. Я такое несколько раз видел за свою работу, опишу отдельными постами.
4) PIP. PIP - это performance improvement plan. Если вы получили плохую оценку перфоманса, или менеджер хочет от вас избавиться, то вам дадут сложный проект на ограниченный промежуток времени. Все будет документироваться. Если вы его не сделаете, то вас уволят. В Amazon, почти никто не выживает на pip. Люди просто используют эти пару месяцев для поиска работы. Поэтому его в шутку называют paid interview preparation. В других компаниях он тоже есть, но в Amazon и Facebook это чаще, чем в других компаниях. Раньше это было для ~5% в год, или что-то около этого. Сейчас не знаю, может больше. В Facebook раньше это было для 1-3% и половина его переживала. Сейчас в Facebook говорят про 10% в год и даже без pip. Многие называют это silent layoff. Опишу постами, истории, которые я знаю. Но на практике это мало заметно.
P.S. в Amazon есть и другие минусы, но часть из них связана с компенсацией, что в других компаниях можно больше получать, херовый vesting schedule, вам первые два года будут давать мало акций, меньше рефрешеров. Но я не оцениваю компенсацию. Также есть проблемы с промоушенами выше L5, но это в той или иной степени везде не так просто.
Telegram
FAANG Master
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…
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…
👍16🔥4❤3
Какие плюсы в работе в Amazon?
Предыдущий пост может создать впечатление, что Amazon это худшее место на Земле для работы программистом: Почему Amazon имеет такие низкие оценки от сотрудников
Но это далеко не так. Он имеет множество плюсов. Многие плюсы такие же как и в других FAANG компаниях:
1) Высокие зп. Хоть Amazon платит меньше многих FAANG- компаний, но это все равно сильно выше рынка. Чтобы было понятно, я переведу на реалии российского рынка. Допустим в средней компании платят 300k рублей. Если бы Amazon был в России, то Amazon бы платил 500k. Хотя при этом какой нить Facebook платил бы 1 миллион.
2) Хорошая строчка в резюме. Наличие FAANG компании в резюме откроет дорогу для легкого попадания на собеседование в любую компанию, в том числе и другие фанги.
3) Умные коллеги. В FAANG компаниях средний уровень программистов сильно выше, чем в других компаниях. Если вы были лучшим в своей компании, то с большой вероятностью вы будете средним в Amazon. Это позволит вам многому научиться у многих коллег. Хотя, в том же Google или Facebook, уровень людей еще выше. И есть вероятность, что вы будучи лучшим в своей компании станете ниже среднего в Google. Но это хороший способ стать лучше.
4) Работа над масштабными и сложными проектами. В Amazon, как и в других фангах, масштаб многих проектов такой, которого нет нигде в мире. Практическая работа над такими проектами дает очень полезный опыт.
5) Стоки/акции. Как и в других фангах, существенная часть компенсации это акции, которые имеют тенденцию к быстрому росту. И за несколько лет работы в компаниии ваша зп может вырасти в разы, без промоушена.
Но это все плюсы, которые есть и у других FAANG компаний. Но их может не быть не в FAANG компаниях.
Есть ли у Amazon плюсы, которые выделяют его среди других FAANG-компаний, а не только среди остальных компаний?
Да:
1) Культура инжиниринга. Тут очень сильная культура инжиниринга. Даже по сравнению с другими фангами. Тут очень серьезные code review, design review, coe(incident) review, oncall review. Тут огромное число различного типа тестов, с которыми вам придется работать, с большим, иногда идеальным процентом покрытия. Это: юнит тесты, интеграционные тесты, перфоманс тесты, лоад тесты, стресс тесты, canary release, shadow testing, хаос инжиниринг. Это различные решения для повышения релиабилити: circuit breaker, retry, rate limiting/throttling, auto-scaling. Невероятного масштаба и качества мониторинг системы. И много чего другого. До Amazon, мне казалось, что это такого не бывает. Что такое бывает только в книгах. А тут это обыденность. Можно подумать, что и в других фангах также. Но нет. В Facebook все заточено на скорость разработки (move fast). Культура инжиниринга тут хуже. Она частично компенсируется более высоким качеством разрабов, но все равно, вы тут многим вещам не научитесь, если до этого их не знали. Про Netflix я слышал примерно такую же историю. Там тоже очень мало чего тестируется на должном уровне. Такого же уровня культуру разработки вы скорее всего увидите только в Google.
2) Разнообразие проектов. В Netflix один основной продукт (хоть и много компонент и библиотек), в Facebook тоже продуктов не много. В Amazon это тонна разных продуктов AWS, это собственно Amazon, это Prime Video и тонна всего другого. Вы можете время от времени менять команду и работать над очень разнообразными задачами.
3) Ориентированность на процессы. Тут очень много процессов, которые так или иначе связанны с процессом и культурой разработки. Это все замедляет процесс, но вы можете многому научиться. Если вы любите процессы, то Amazon вам подойдет больше. В том же Facebook больше индивидуальной работы. Никаких процессов нет или они очень редуцированы. Все заточено на скорость разработки и того, что люди индивидуально суперзвезды. Они сразу будут писать быстро и правильно код. Никаких скрамов, спринтов, частых планингов или оценки задач тут нет. Тут как в анекдоте, дали пушку и крутись как хочешь. В конце полугодия мы сравним как ты накрутился по сравнению с другими такими же суперзвездами.
Предыдущий пост может создать впечатление, что Amazon это худшее место на Земле для работы программистом: Почему Amazon имеет такие низкие оценки от сотрудников
Но это далеко не так. Он имеет множество плюсов. Многие плюсы такие же как и в других FAANG компаниях:
1) Высокие зп. Хоть Amazon платит меньше многих FAANG- компаний, но это все равно сильно выше рынка. Чтобы было понятно, я переведу на реалии российского рынка. Допустим в средней компании платят 300k рублей. Если бы Amazon был в России, то Amazon бы платил 500k. Хотя при этом какой нить Facebook платил бы 1 миллион.
2) Хорошая строчка в резюме. Наличие FAANG компании в резюме откроет дорогу для легкого попадания на собеседование в любую компанию, в том числе и другие фанги.
3) Умные коллеги. В FAANG компаниях средний уровень программистов сильно выше, чем в других компаниях. Если вы были лучшим в своей компании, то с большой вероятностью вы будете средним в Amazon. Это позволит вам многому научиться у многих коллег. Хотя, в том же Google или Facebook, уровень людей еще выше. И есть вероятность, что вы будучи лучшим в своей компании станете ниже среднего в Google. Но это хороший способ стать лучше.
4) Работа над масштабными и сложными проектами. В Amazon, как и в других фангах, масштаб многих проектов такой, которого нет нигде в мире. Практическая работа над такими проектами дает очень полезный опыт.
5) Стоки/акции. Как и в других фангах, существенная часть компенсации это акции, которые имеют тенденцию к быстрому росту. И за несколько лет работы в компаниии ваша зп может вырасти в разы, без промоушена.
Но это все плюсы, которые есть и у других FAANG компаний. Но их может не быть не в FAANG компаниях.
Есть ли у Amazon плюсы, которые выделяют его среди других FAANG-компаний, а не только среди остальных компаний?
Да:
1) Культура инжиниринга. Тут очень сильная культура инжиниринга. Даже по сравнению с другими фангами. Тут очень серьезные code review, design review, coe(incident) review, oncall review. Тут огромное число различного типа тестов, с которыми вам придется работать, с большим, иногда идеальным процентом покрытия. Это: юнит тесты, интеграционные тесты, перфоманс тесты, лоад тесты, стресс тесты, canary release, shadow testing, хаос инжиниринг. Это различные решения для повышения релиабилити: circuit breaker, retry, rate limiting/throttling, auto-scaling. Невероятного масштаба и качества мониторинг системы. И много чего другого. До Amazon, мне казалось, что это такого не бывает. Что такое бывает только в книгах. А тут это обыденность. Можно подумать, что и в других фангах также. Но нет. В Facebook все заточено на скорость разработки (move fast). Культура инжиниринга тут хуже. Она частично компенсируется более высоким качеством разрабов, но все равно, вы тут многим вещам не научитесь, если до этого их не знали. Про Netflix я слышал примерно такую же историю. Там тоже очень мало чего тестируется на должном уровне. Такого же уровня культуру разработки вы скорее всего увидите только в Google.
2) Разнообразие проектов. В Netflix один основной продукт (хоть и много компонент и библиотек), в Facebook тоже продуктов не много. В Amazon это тонна разных продуктов AWS, это собственно Amazon, это Prime Video и тонна всего другого. Вы можете время от времени менять команду и работать над очень разнообразными задачами.
3) Ориентированность на процессы. Тут очень много процессов, которые так или иначе связанны с процессом и культурой разработки. Это все замедляет процесс, но вы можете многому научиться. Если вы любите процессы, то Amazon вам подойдет больше. В том же Facebook больше индивидуальной работы. Никаких процессов нет или они очень редуцированы. Все заточено на скорость разработки и того, что люди индивидуально суперзвезды. Они сразу будут писать быстро и правильно код. Никаких скрамов, спринтов, частых планингов или оценки задач тут нет. Тут как в анекдоте, дали пушку и крутись как хочешь. В конце полугодия мы сравним как ты накрутился по сравнению с другими такими же суперзвездами.
Telegram
FAANG Master
Почему Amazon имеет такие низкие оценки от сотрудников
Я публиковал ранее рейтинг Big Tech компаний, по отзывам от сотрудников, без учета отзыва по компенсации и дайверсити: рейтинг
Amazon там на последнем месте.
Я проработал в Amazon 3.5 года, и я бы не…
Я публиковал ранее рейтинг Big Tech компаний, по отзывам от сотрудников, без учета отзыва по компенсации и дайверсити: рейтинг
Amazon там на последнем месте.
Я проработал в Amazon 3.5 года, и я бы не…
👍26🔥5❤3
В продолжении темы резюме
Слышу много жалоб на то, что резюме постоянно реджектят.
Частично, это связано с общим состоянием рынка. Сейчас рынок труда уже не тот, что был в 2021.
Но по сравнению с состоянием рынка в 2023 сейчас сильно лучше.
В Линкедине часто вижу, как кто-то постит резюме. Там не вооруженным глазом видны слабости резюме. Я уже о них писал ранее. Это и моменты связанные с оформлением (плохо парсится, длинное, много лишней информации, сайдбары, фотографии, вордарты). Но, основное, это конечно, содержание.
90+% процентов упорно продолжают писать должностные обязанности (писал код, ревьюил код, диплоил код), вместо решенных задач и достижений. Ну офигеть, а мы то думали, что программисты компьютеры чинят.
Иногда, пытаются писать достижения, но достижение заключается в том, что человек использовал какую технологию. Иногда еще пытаются подогнать это под требуемый стек в вакансии.
Достижение, вроде, написал код на Spring Boot, или использовал git и задеплоил при помощи docker - это не достижение. Это перечисление тех стека. Название технологий можно вплетать в текст, но это не самоцель. Нужно писать какую бизнес задачу вы решили. К какому результату это привело. Почему это было сложно. Что именно сделали вы (вот тут можно вплетать название технологий).
На другом конце спектра достижения, которые концентрируются только на решенной бизнес задаче. Без указания собственной роли, технической сложности и технического метода решения.
Вроде, увеличил продажи на 10%. Тут не понятно, как именно. В чем была техническая сложность задачи. Какая была во всем этом ваша роль.
Изучайте метод STAR, набросайте основные положения и если не можете сами это красиво сформулировать, скормите входные данные ChatGPT. Он как раз хорошо с текстами работает.
Халтурить в тексте резюме можно, если у вас есть в резюме топ вузы или топ компании. Это перевесит большинство недостатков. Но если у вас этого нет, то потратьте время на написание хороших, понятных и измеримых достижений.
Слышу много жалоб на то, что резюме постоянно реджектят.
Частично, это связано с общим состоянием рынка. Сейчас рынок труда уже не тот, что был в 2021.
Но по сравнению с состоянием рынка в 2023 сейчас сильно лучше.
В Линкедине часто вижу, как кто-то постит резюме. Там не вооруженным глазом видны слабости резюме. Я уже о них писал ранее. Это и моменты связанные с оформлением (плохо парсится, длинное, много лишней информации, сайдбары, фотографии, вордарты). Но, основное, это конечно, содержание.
90+% процентов упорно продолжают писать должностные обязанности (писал код, ревьюил код, диплоил код), вместо решенных задач и достижений. Ну офигеть, а мы то думали, что программисты компьютеры чинят.
Иногда, пытаются писать достижения, но достижение заключается в том, что человек использовал какую технологию. Иногда еще пытаются подогнать это под требуемый стек в вакансии.
Достижение, вроде, написал код на Spring Boot, или использовал git и задеплоил при помощи docker - это не достижение. Это перечисление тех стека. Название технологий можно вплетать в текст, но это не самоцель. Нужно писать какую бизнес задачу вы решили. К какому результату это привело. Почему это было сложно. Что именно сделали вы (вот тут можно вплетать название технологий).
На другом конце спектра достижения, которые концентрируются только на решенной бизнес задаче. Без указания собственной роли, технической сложности и технического метода решения.
Вроде, увеличил продажи на 10%. Тут не понятно, как именно. В чем была техническая сложность задачи. Какая была во всем этом ваша роль.
Изучайте метод STAR, набросайте основные положения и если не можете сами это красиво сформулировать, скормите входные данные ChatGPT. Он как раз хорошо с текстами работает.
Халтурить в тексте резюме можно, если у вас есть в резюме топ вузы или топ компании. Это перевесит большинство недостатков. Но если у вас этого нет, то потратьте время на написание хороших, понятных и измеримых достижений.
👍17🔥5