Forwarded from grokaem себя
Так как я за открытый research, прикладываю source записи, чтобы вы также могли их юзать 🦕
Forwarded from grokaem себя
Forwarded from r/ретранслятор
This media is not supported in your browser
VIEW IN TELEGRAM
И снова китайский удар по ChatGPT: Alibaba представили новую модель Qwen2.5-1M, которая поддерживает миллион токенов контекста.
Например, у самой продвинутой версии ChatGPT в подписке Pro за $200 количество токенов всего 128 тысяч.
Qwen2.5-1M может обрабатывать огромные объёмы кода, крупные документы, книги и базы данных практически без ограничений. Скорость обработки до 7 раз быстрее.
У модели открытый исходный код, который можно свободно использовать для своих проектов. Также там можно генерировать изображения и видео.
Самое главное — всё это бесплатно и без VPN.
Демо последней версии тут. Также можете пользоваться на официальном сайте (только выберите Qwen2.5-Turbo)
r/#LocalLLaMA
Например, у самой продвинутой версии ChatGPT в подписке Pro за $200 количество токенов всего 128 тысяч.
Qwen2.5-1M может обрабатывать огромные объёмы кода, крупные документы, книги и базы данных практически без ограничений. Скорость обработки до 7 раз быстрее.
У модели открытый исходный код, который можно свободно использовать для своих проектов. Также там можно генерировать изображения и видео.
Самое главное — всё это бесплатно и без VPN.
Демо последней версии тут. Также можете пользоваться на официальном сайте (только выберите Qwen2.5-Turbo)
r/#LocalLLaMA
Forwarded from я так понимаю, Роман Васильев
💼 Делегировать — сложно, но эффективно! Памятка юного руководителя.
Когда ты джун или мидл, всё просто: тебе дают задачки, ты их делаешь и закрываешь. Со стороны работа руководителя иногда кажется очень простой: сидишь, раздаешь задачки, чилишь, периодически пишешь «ну чё как там?». Однако всё совсем не так просто.
Один из самых важных навыков руководителя — умение делегировать.
В этом посте поделюсь с вами тем, как я это вижу и как можно развивать этот навык (на своём примере)
Чтобы грамотно делегировать, нужно:
1. Понять, какой формат взаимодействия с конкретным человеком будет наиболее эффективен. К примеру, если сотрудник опытный - с ним можно работать на уровне проблем ("у нас падают показатели - разберись, пожалуйста"), а если сотрудник впервые стакливается с проектом/задачей - нужно явно проговорить план решения задачи и контрольные точки
2. Довериться другому человеку. Сделать с ним план решения задачи такой, чтобы ему было комфортно (не уходить в гиперконтроль, но и не оставлять человека один на один с непонятной задачей)
3. Уметь максимально ясно и подробно объяснить, что от человека нужно и для чего это нужно сделать. На языке, который этот человек поймет!
4. Понять, что возможно, всё не получится с первой попытки. Заложить это в сроки проекта и воспринимать спокойно
5. В противовес пункту 3 – четко определить, какое качество и скорость работы приемлемы в этой ситуации, и явно донести это до человека. Иногда — весьма строго. Если сотрудник стабильно не справляется, четко ему об этом сказать
6. Давать возможность человеку ошибаться. Гиперконтроль над сотрудником не позволяет ему учиться на своих ошибках
Как лично я стараюсь развивать эти навыки (помимо основной работы):
1. Общаюсь с руководителями, на которых хочется равняться, и перенимаю лучшие практики от них
2. У меня есть команда, которая занимается проектом Start Career in DS. Стараюсь выстроить процессы в своих проектах максимально эффективно, чтобы ребята могли готовить хорошие посты, сами проверять метрики, делать контент-планы и т. д. Получается весьма хорошо!
3. Периодически беру дополнительные активности, которые позволяют поработать с новой командой. Например, в этом году мы делали Яндекс Кап, в котором пришлось собрать совершенно новую команду (которая не работала вместе ранее)
4. Преподаю. Преподавание позволяет развивать навык объяснения информации таким образом, чтобы люди могли быстро воспринимать абсолютный новый для них материал
5. Учусь. Курсы по управлению иногда кажутся набором максимально очевидных фактов, но среди них можно найти весьма полезные!
К слову, недавно я прошёл очень клёвый курс по менеджменту.
Оставляйте 🔥 если тема для вас интересна и стоит поделиться инсайтами из него 🙂
Когда ты джун или мидл, всё просто: тебе дают задачки, ты их делаешь и закрываешь. Со стороны работа руководителя иногда кажется очень простой: сидишь, раздаешь задачки, чилишь, периодически пишешь «ну чё как там?». Однако всё совсем не так просто.
Один из самых важных навыков руководителя — умение делегировать.
В этом посте поделюсь с вами тем, как я это вижу и как можно развивать этот навык (на своём примере)
Чтобы грамотно делегировать, нужно:
1. Понять, какой формат взаимодействия с конкретным человеком будет наиболее эффективен. К примеру, если сотрудник опытный - с ним можно работать на уровне проблем ("у нас падают показатели - разберись, пожалуйста"), а если сотрудник впервые стакливается с проектом/задачей - нужно явно проговорить план решения задачи и контрольные точки
2. Довериться другому человеку. Сделать с ним план решения задачи такой, чтобы ему было комфортно (не уходить в гиперконтроль, но и не оставлять человека один на один с непонятной задачей)
3. Уметь максимально ясно и подробно объяснить, что от человека нужно и для чего это нужно сделать. На языке, который этот человек поймет!
4. Понять, что возможно, всё не получится с первой попытки. Заложить это в сроки проекта и воспринимать спокойно
5. В противовес пункту 3 – четко определить, какое качество и скорость работы приемлемы в этой ситуации, и явно донести это до человека. Иногда — весьма строго. Если сотрудник стабильно не справляется, четко ему об этом сказать
6. Давать возможность человеку ошибаться. Гиперконтроль над сотрудником не позволяет ему учиться на своих ошибках
Как лично я стараюсь развивать эти навыки (помимо основной работы):
1. Общаюсь с руководителями, на которых хочется равняться, и перенимаю лучшие практики от них
2. У меня есть команда, которая занимается проектом Start Career in DS. Стараюсь выстроить процессы в своих проектах максимально эффективно, чтобы ребята могли готовить хорошие посты, сами проверять метрики, делать контент-планы и т. д. Получается весьма хорошо!
3. Периодически беру дополнительные активности, которые позволяют поработать с новой командой. Например, в этом году мы делали Яндекс Кап, в котором пришлось собрать совершенно новую команду (которая не работала вместе ранее)
4. Преподаю. Преподавание позволяет развивать навык объяснения информации таким образом, чтобы люди могли быстро воспринимать абсолютный новый для них материал
5. Учусь. Курсы по управлению иногда кажутся набором максимально очевидных фактов, но среди них можно найти весьма полезные!
К слову, недавно я прошёл очень клёвый курс по менеджменту.
Оставляйте 🔥 если тема для вас интересна и стоит поделиться инсайтами из него 🙂
Forwarded from ML for Value / Ваня Максимов
Ну ладно, начну первый ☝️
Еще до полноценной работы выше я стажировался на Мосбирже в отделе рисков. То, что мне потом нельзя было около года торговать акциями из-за возможной инсайдерской инфы - это отдельная история))
Зато я узнал, что можно строить линейные регрессии (и любые мл-модели) с заковыристым таргетом:
- q95% доходности (=CVaR, Conditional value at risk)
- Интеграл от q95 до +Inf доходности (=eCVaR, expected CVAR - сколько мы потеряем в среднем в 5% самых плохих сценариев)
Ну и в целом узнал на практике, что в мире рисков применения мат статистики и матана не меньше, чем в современном DL
Еще до полноценной работы выше я стажировался на Мосбирже в отделе рисков. То, что мне потом нельзя было около года торговать акциями из-за возможной инсайдерской инфы - это отдельная история))
Зато я узнал, что можно строить линейные регрессии (и любые мл-модели) с заковыристым таргетом:
- q95% доходности (=CVaR, Conditional value at risk)
- Интеграл от q95 до +Inf доходности (=eCVaR, expected CVAR - сколько мы потеряем в среднем в 5% самых плохих сценариев)
Ну и в целом узнал на практике, что в мире рисков применения мат статистики и матана не меньше, чем в современном DL
Forwarded from Data Secrets
У Google вышла крутая статья про новую архитектуру Titan, которая может победить проблему забывания в трансформерах
Традиционные трансформеры очень прожорливы. Архитектура масштабируется квадратично по мере увеличения длины последовательности. Это приводит к проблеме невозможности увеличения контекстного окна и так называемому забыванию, потому что трансформеры также часто склонны аллоцировать внимание на нерелевантный контекст и, чем он больше, тем больше такая накапливаемая ошибка и степень забывчивости модели.
В Titan же подход к памяти немного иной: помимо краткосрочной памяти attention исследователи добавили в архитектуру долгосрочную память (тут вы, возможно, поймали флешбек на LSTM, и не зря). То есть у нас есть некоторый core – стандартное внимание с ограниченным окном, и модуль, который хранит важную информацию из "далекого прошлого". Чтобы решать, какую информацию запоминать, в нем используется метрика сюрприза (чем "неожиданнее" новые данные для модели, тем важнее их запомнить) + есть коэффициент затухания. Все эффективно параллелится.
При этом в статье показали аж три варианта соединить текущее внимание с долгосрочной памятью:
➖ Memory as Context: долгосрочная память используется как контекст для текущего внимания.
➖ Memory as Gating: здесь прямо максимальный мэтч с LSTM, тот же механизм гейтов
➖ Memory as Layer: самый простой вариант, вся память соединена как слой в сетке
MAC оказался лучше всего по перплексии, а MAL чуть быстрее, но теряет в эффективности. В целом такая архитектура может легким движением руки масштабироваться до контекста в 2+ миллиона токенов, сохраняя стабильную точность (трансформеры начинают обычно фейлить уже после отметки 4096). Очень крутая работа получилась у Google, в общем.
Полный текст статьи здесь
P.S. Очень подробный и понятный разбор архитектуры LSTM от нас можно почитать здесь, а вот тут лежит наша большая статья про другие архитектуры-альтернативы трансформеру
Традиционные трансформеры очень прожорливы. Архитектура масштабируется квадратично по мере увеличения длины последовательности. Это приводит к проблеме невозможности увеличения контекстного окна и так называемому забыванию, потому что трансформеры также часто склонны аллоцировать внимание на нерелевантный контекст и, чем он больше, тем больше такая накапливаемая ошибка и степень забывчивости модели.
В Titan же подход к памяти немного иной: помимо краткосрочной памяти attention исследователи добавили в архитектуру долгосрочную память (тут вы, возможно, поймали флешбек на LSTM, и не зря). То есть у нас есть некоторый core – стандартное внимание с ограниченным окном, и модуль, который хранит важную информацию из "далекого прошлого". Чтобы решать, какую информацию запоминать, в нем используется метрика сюрприза (чем "неожиданнее" новые данные для модели, тем важнее их запомнить) + есть коэффициент затухания. Все эффективно параллелится.
При этом в статье показали аж три варианта соединить текущее внимание с долгосрочной памятью:
MAC оказался лучше всего по перплексии, а MAL чуть быстрее, но теряет в эффективности. В целом такая архитектура может легким движением руки масштабироваться до контекста в 2+ миллиона токенов, сохраняя стабильную точность (трансформеры начинают обычно фейлить уже после отметки 4096). Очень крутая работа получилась у Google, в общем.
Полный текст статьи здесь
P.S. Очень подробный и понятный разбор архитектуры LSTM от нас можно почитать здесь, а вот тут лежит наша большая статья про другие архитектуры-альтернативы трансформеру
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from КПД
Inference-Time Scaling for Diffusion Models beyond Scaling Denoising Steps
[Статья][DeepMind не часто публикует код]
Введение
Данная статья уже появлялась на Love. Death. Transformers и была разобрана у Сиолошной . Тем не менее, выскажу свое скромное мнение 😉.
Inference-time scaling уже продемонстрировал впечатляющие результаты в контексте языковых моделей, где длинные цепочки рассуждений позволяют значительно улучшать качество на сложных задачах.
У диффузионных моделей механизм улучшения качества генераций за счет большего объема вычислений есть “из 📦” - выбор количества шагов сэмплирования. С ростом количества шагов расшумления качество полученных генераций и их соответствие запросу 🔼, но начиная с какого-то момента происходит насыщение, и дальнейшее повышение не приводит к значимым улучшениям, а иногда даже наоборот.
Поэтому в данной статье предлагают улучшать генерации за счет сэмплирования разных случайных шумов, начальных точек в процессе генерации, и выборе лучшего случайного зерна 🌱.
[Статья][DeepMind не часто публикует код]
Введение
Данная статья уже появлялась на Love. Death. Transformers и была разобрана у Сиолошной . Тем не менее, выскажу свое скромное мнение 😉.
Inference-time scaling уже продемонстрировал впечатляющие результаты в контексте языковых моделей, где длинные цепочки рассуждений позволяют значительно улучшать качество на сложных задачах.
У диффузионных моделей механизм улучшения качества генераций за счет большего объема вычислений есть “из 📦” - выбор количества шагов сэмплирования. С ростом количества шагов расшумления качество полученных генераций и их соответствие запросу 🔼, но начиная с какого-то момента происходит насыщение, и дальнейшее повышение не приводит к значимым улучшениям, а иногда даже наоборот.
Поэтому в данной статье предлагают улучшать генерации за счет сэмплирования разных случайных шумов, начальных точек в процессе генерации, и выборе лучшего случайного зерна 🌱.
Forwarded from Aspiring Data Science (Anatoly Alekseev)
#hpt #hpo #critics
Суммаризировал свои претензии к современным подборщикам гиперпараметров.
1) Не надо говорить, что тюнинг моделей - это black box optimization. Никакая это не новая уникальная задача, где неизвестно, что происходит под капотом, мы одну и ту же задачу решаем день за днём, день за днём, даже данные зачастую похожи. Можно, конечно, притворяться, что для нас каждый раз как первый раз, но имхо это тупо.
2) Вот хочу я затюнить градиентный бустинг над деревьями с помощью Optuna или Hyperopt. Почему я должен каждый раз указывать, какие гиперпараметры я хочу оптимизировать? Они что, часто меняются у xgboost-а? В современных моделях их несколько десятков. Я не хочу их все помнить. Я не знаю, какие из них важны. Я не хочу каждый раз разбираться, какие комбинации совместимы, а какие нет. Ваша библиотека мне жизнь упрощать собирается или нет?
3) Хоть как-то учитываются значения целевой функции в ближайших окрестностях найденных оптимальных параметров? Да конечно, нет, всем начхать на это, тебе находят точечное "лучшее" решение, которое потом на поверку оказывается крайне нестабильным.
4) Байесовская оптимизация с помощью гауссовых процессов - ну это не круто, слишком слабая модель. Вы хоть раз слышали, чтобы сореву на каггле выиграли гауссовым процессом?
5) мне не нравится, что всё CPU/GPU время, которое я палю при HPT некоторой задачи, служит лишь какой-то временной цели, никак не обобщается, и никак не поможет мне (или другим людям) при решении подобных задач в будущем.
6) Ни в одной доке библиотек HPO/HPT я не видел оценок, каких же преимуществ, в терминах ML метрик, можно ждать от тюнинга. Казалось бы, авторы проводят много тестов, в т.ч. автоматизированных, им и карты в руки, ну поделитесь вы статистикой? но нет.
7) а хоть одна из библиотек байесовской оптимизации, предлагая очередных кандидатов, вообще оценивает время обучения модели при таких параметрах?
8) вопрос к алгоритмам HalvingSearch/Hyperband, а насколько надёжно по ранним итерациям можно судить о том, какая метрика будет достигнута к концу обучения? А как же нелинейности кривой обучения? А мы точно так не откинем хорошие решения, которые наибольший "импульс" получают к концу обучения?
9) а хоть одна библа вообще смотрит на декоррелированность прогнозов модели с прогнозами других моделей? это же такая естественная мысль. моделька же не в вакууме будет жить, а, скорей всего, в ансамбле.
THERE SHOULD BE A BETTER WAY!!
Суммаризировал свои претензии к современным подборщикам гиперпараметров.
1) Не надо говорить, что тюнинг моделей - это black box optimization. Никакая это не новая уникальная задача, где неизвестно, что происходит под капотом, мы одну и ту же задачу решаем день за днём, день за днём, даже данные зачастую похожи. Можно, конечно, притворяться, что для нас каждый раз как первый раз, но имхо это тупо.
2) Вот хочу я затюнить градиентный бустинг над деревьями с помощью Optuna или Hyperopt. Почему я должен каждый раз указывать, какие гиперпараметры я хочу оптимизировать? Они что, часто меняются у xgboost-а? В современных моделях их несколько десятков. Я не хочу их все помнить. Я не знаю, какие из них важны. Я не хочу каждый раз разбираться, какие комбинации совместимы, а какие нет. Ваша библиотека мне жизнь упрощать собирается или нет?
3) Хоть как-то учитываются значения целевой функции в ближайших окрестностях найденных оптимальных параметров? Да конечно, нет, всем начхать на это, тебе находят точечное "лучшее" решение, которое потом на поверку оказывается крайне нестабильным.
4) Байесовская оптимизация с помощью гауссовых процессов - ну это не круто, слишком слабая модель. Вы хоть раз слышали, чтобы сореву на каггле выиграли гауссовым процессом?
5) мне не нравится, что всё CPU/GPU время, которое я палю при HPT некоторой задачи, служит лишь какой-то временной цели, никак не обобщается, и никак не поможет мне (или другим людям) при решении подобных задач в будущем.
6) Ни в одной доке библиотек HPO/HPT я не видел оценок, каких же преимуществ, в терминах ML метрик, можно ждать от тюнинга. Казалось бы, авторы проводят много тестов, в т.ч. автоматизированных, им и карты в руки, ну поделитесь вы статистикой? но нет.
7) а хоть одна из библиотек байесовской оптимизации, предлагая очередных кандидатов, вообще оценивает время обучения модели при таких параметрах?
8) вопрос к алгоритмам HalvingSearch/Hyperband, а насколько надёжно по ранним итерациям можно судить о том, какая метрика будет достигнута к концу обучения? А как же нелинейности кривой обучения? А мы точно так не откинем хорошие решения, которые наибольший "импульс" получают к концу обучения?
9) а хоть одна библа вообще смотрит на декоррелированность прогнозов модели с прогнозами других моделей? это же такая естественная мысль. моделька же не в вакууме будет жить, а, скорей всего, в ансамбле.
THERE SHOULD BE A BETTER WAY!!
Forwarded from Дратути Антон
Учиться быть руководителем
Тема весьма избитая, скорее всего, кто-то вам может тут вам выпулить супер курс с кучей ресурсов. Здесь лишь про моё мнение!
Я искренне убеждён, что нужно учиться быть руководителем🌿 . Нет такого, что у кого-то от природы дар вести проекты, строить процессы, развивать сотрудников и т.д.
Аналогия из разработки очень простая: ты можешь учиться пользоваться инструментом, а можешь методом тыка и интуиции попробовать им воспользоваться. И то, и друго работает, но есть нюанс😀 . Одно дело пользоваться браузером, а другое — ПО для управления атомным реактором. Вот управление для меня — это сродни второму примеру, где важен каждый компонент, где неверное решение может с одной стороны невелироваться сложностью системы, а с другой стороны запустить медленный процесс с большими последствиями 🤯 .
Учиться можно по разному. Например, я выделяю для себя следующие ресурсы в порядке приоритетов:
— Мой руководитель и лиды в моей службе. Это самые ближайшие люди, которые имеют прямо здесь и сейчас очень богатый опыт и готовы им поделиться, нужно лишь только придти. Ребят, если читаете — спасибо вам, что помогаете мне😍 ;
— Youtube. Я часто смотрю выступления со конференций, по типу Teamlead Conf, а также смотрю подкасты с разными руководителями, чтобы подчерпнуть их опыт, понять их образ мышления;
— Книги. У меня не получается много читать, но тем не менее, иногда получается подчерпнуть важную информацию. Особенно полезно возвращаться, когда хочешь проработать конкретный кейс.
Из того, что я не делаю, но пора бы начать🔼 :
— Нетворк. Слушать руководителей в команде хорошо, слушать умных людей в ютубе тоже хорошо. Но еще хорошо иметь товарищей не из моего отдела, не из компании, чтобы взаимоопыляться. Тут хорошо бы найти способы нетворкаться, если знаете — пишите в комментарии;
— Курсы. Хорошие курсы — это в первую очередь пришедшие туда люди и экспертиза наставников с большим стажем;
— Конференции. Одна из баз для нетворка и иногда нетривиальных выводов.
Какие навыки развивать? Оооооо, ну тут всё очень сложно. Нужно справедливо себе отвечать на вопрос — "а что проседает сейчас?". Это нормально, если всё пока около нуля (хотя скорее всего, вы себя недооцениваете). Как вариант придти к своему руководителю и попробовать вместе с ним выстроить приоритеты.
Какие навыки бывают? Разные. Я как-то смотрел на карту тимлида (https://tlroadmap.io/), общался с руководителем, и среди всех мнений выписал, а на что нужно фокусироваться.
Сколько времени надо? Много. Некоторые вещи и за год сложно сформировать (например, стратегическое мышление, как мне кажется), а что-то приходит в сознание относительно быстро (например, какие практики имеет смысл использовать в команде). К сожалению, руководителем нельзя стать за 21 день (тут я больше верю в обучении C++).
Какой бы я себе дал совет 5 лет назад (именно тогда я начал задумываться про руководство)? Начинай учиться. Удивительно, но когда начинаешь понимать образ мыслей руководителей, начинаешь понимать, чо они от тебя все хотят. Ретроспективно я проследил за собой, чего от меня хотели руководители в тех или иных ситуациях, когда я был разработчиком.
Ставьте 🔥, если хотите побольше такого материала. Пишите комменты, что думаете про эту тему сами.
Вы всегда можете побустить мой канал: https://t.me/blog_toxa?boost
Тема весьма избитая, скорее всего, кто-то вам может тут вам выпулить супер курс с кучей ресурсов. Здесь лишь про моё мнение!
Я искренне убеждён, что нужно учиться быть руководителем
Аналогия из разработки очень простая: ты можешь учиться пользоваться инструментом, а можешь методом тыка и интуиции попробовать им воспользоваться. И то, и друго работает, но есть нюанс
Учиться можно по разному. Например, я выделяю для себя следующие ресурсы в порядке приоритетов:
— Мой руководитель и лиды в моей службе. Это самые ближайшие люди, которые имеют прямо здесь и сейчас очень богатый опыт и готовы им поделиться, нужно лишь только придти. Ребят, если читаете — спасибо вам, что помогаете мне
— Youtube. Я часто смотрю выступления со конференций, по типу Teamlead Conf, а также смотрю подкасты с разными руководителями, чтобы подчерпнуть их опыт, понять их образ мышления;
— Книги. У меня не получается много читать, но тем не менее, иногда получается подчерпнуть важную информацию. Особенно полезно возвращаться, когда хочешь проработать конкретный кейс.
Из того, что я не делаю, но пора бы начать
— Нетворк. Слушать руководителей в команде хорошо, слушать умных людей в ютубе тоже хорошо. Но еще хорошо иметь товарищей не из моего отдела, не из компании, чтобы взаимоопыляться. Тут хорошо бы найти способы нетворкаться, если знаете — пишите в комментарии;
— Курсы. Хорошие курсы — это в первую очередь пришедшие туда люди и экспертиза наставников с большим стажем;
— Конференции. Одна из баз для нетворка и иногда нетривиальных выводов.
Какие навыки развивать? Оооооо, ну тут всё очень сложно. Нужно справедливо себе отвечать на вопрос — "а что проседает сейчас?". Это нормально, если всё пока около нуля (хотя скорее всего, вы себя недооцениваете). Как вариант придти к своему руководителю и попробовать вместе с ним выстроить приоритеты.
Какие навыки бывают? Разные. Я как-то смотрел на карту тимлида (https://tlroadmap.io/), общался с руководителем, и среди всех мнений выписал, а на что нужно фокусироваться.
Сколько времени надо? Много. Некоторые вещи и за год сложно сформировать (например, стратегическое мышление, как мне кажется), а что-то приходит в сознание относительно быстро (например, какие практики имеет смысл использовать в команде). К сожалению, руководителем нельзя стать за 21 день (тут я больше верю в обучении C++).
Какой бы я себе дал совет 5 лет назад (именно тогда я начал задумываться про руководство)? Начинай учиться. Удивительно, но когда начинаешь понимать образ мыслей руководителей, начинаешь понимать, чо они от тебя все хотят. Ретроспективно я проследил за собой, чего от меня хотели руководители в тех или иных ситуациях, когда я был разработчиком.
Ставьте 🔥, если хотите побольше такого материала. Пишите комменты, что думаете про эту тему сами.
Вы всегда можете побустить мой канал: https://t.me/blog_toxa?boost
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Дратути Антон
Визибилити
На выходных просмотрел роликов несколько роликов с канала: https://www.youtube.com/@tobecto. Мне, конечно, рано быть😀 , но всегда интересно послушать людей, которые думают на больших масштабах. Я кайфанул с многих роликов, но по вайбу заполнился Эмиль Абдулнасыров, CTO Ламоды. Ролик про человека, который явно что-то понял в этой жизни 🔼 !
Но среди всего есть еще и видео про визибилити: https://www.youtube.com/watch?v=A8OK2mvH17Y. Он выбивается из формата, о чём ребята сразу же и говорят. Мне бы этот ролик, да года 4 назад🥺 .
Весь подкаст ребята пытаются построить определение, что же такое "визибилити". Это может быть прозрачность действий, это может быть личная видимость на разных уровнях. В общем, термин многогранен.
Для себя я подчерпнул следующее:
1. Модель для донесения информации о том, чем ты сейчас занимаешься, может быть следующей: продукт, технологии, люди.
2. Нужно понимать, на каком уровне мыслит руководитель и поставлять в понятном для него виде информацию. Ну, например, странно будет придти СТО и рассказывать 10 минут о том, как вы чинили какой-то мелкий баг👨🦳 ;
3. Информация должна быть записана и доступна. У руководителя всегда должен быть доступ к информации о текущем статусе проекта.
4. Визибилити иногда решает, кому доверить проект. В ролике была озвучена аналогия с ремонтной бригадой: когда люди обычно выбирают, с кем делать ремонт, в первую очередь они спрашивают у знакомых, редко оперируя терминами, подходящими под KPI. Типа: "Ну норм ребятам сделали, да были пару косяков, но в целом хорошо".
Также было и правда много интересных мыслей между делом. Записал себе на проработку, через пару месяцев вернусь, гляну — ок не ок😍 .
Это, кстати, один из тех роликов про образ мышления людей старше. Рекомендую смотреть всем🌿
На выходных просмотрел роликов несколько роликов с канала: https://www.youtube.com/@tobecto. Мне, конечно, рано быть
Но среди всего есть еще и видео про визибилити: https://www.youtube.com/watch?v=A8OK2mvH17Y. Он выбивается из формата, о чём ребята сразу же и говорят. Мне бы этот ролик, да года 4 назад
Весь подкаст ребята пытаются построить определение, что же такое "визибилити". Это может быть прозрачность действий, это может быть личная видимость на разных уровнях. В общем, термин многогранен.
Для себя я подчерпнул следующее:
1. Модель для донесения информации о том, чем ты сейчас занимаешься, может быть следующей: продукт, технологии, люди.
2. Нужно понимать, на каком уровне мыслит руководитель и поставлять в понятном для него виде информацию. Ну, например, странно будет придти СТО и рассказывать 10 минут о том, как вы чинили какой-то мелкий баг
3. Информация должна быть записана и доступна. У руководителя всегда должен быть доступ к информации о текущем статусе проекта.
4. Визибилити иногда решает, кому доверить проект. В ролике была озвучена аналогия с ремонтной бригадой: когда люди обычно выбирают, с кем делать ремонт, в первую очередь они спрашивают у знакомых, редко оперируя терминами, подходящими под KPI. Типа: "Ну норм ребятам сделали, да были пару косяков, но в целом хорошо".
Также было и правда много интересных мыслей между делом. Записал себе на проработку, через пару месяцев вернусь, гляну — ок не ок
Это, кстати, один из тех роликов про образ мышления людей старше. Рекомендую смотреть всем
Please open Telegram to view this post
VIEW IN TELEGRAM