Ни для кого не секрет, что гендерный разрыв все еще существует в STEM. Несмотря на небольшое увеличение в последние годы, исследования показывают, что только женщины составляют около четверти от общей рабочей силы STEM в Великобритании. Хотя причины разные, многие женщины отчет чувствуя себя сдерживаемым отсутствием представительства, четких возможностей и информации о том, что на самом деле включает в себя работа в этом секторе.
Сокращение разрыва в STEM — это не быстрое решение, а коллективное усилие всех в отрасли. Различные организации, такие как Женщины в машинном обучении (WiML) активно работают над созданием более инклюзивной среды, в которой преумножаются успехи женщин. Они также служат важным источником информации для многих женщин, которые хотят узнать больше о том, каково это работать в STEM.
Вот почему в этом году Международный день женщин-инженеров, мы попросили сообщество WiML поделиться с нами наиболее частыми вопросами, которые они получают о технических собеседованиях. Чтобы поделиться их взглядами и обсудить, что на самом деле значит работать в DeepMind, мы собрали Михаэлу Рошку (инженер-исследователь), Ферьял Бехбахани (научный сотрудник) и Кейт Паркин (руководитель отдела подбора персонала — исследования и разработка).
Как узнать, готов ли я подать заявку на работу в отрасли?
Михаэла: Нередко вы сомневаетесь в себе или чувствуете, что недостаточно подготовлены для должности в этой области. Никогда не будет идеального времени для подачи заявления, и вы можете легко убедить себя, что есть чему поучиться, но это не должно быть сдерживающим фактором в вашем решении подать заявление.
Конечно, правильный набор навыков будет зависеть от конкретной роли, которую вы претендуете, но если вы хотите работать над будущими исследованиями в области машинного обучения, читать научные статьи и внедрять современные алгоритмы, вы готовы… так что обращайтесь!
Любопытный? Узнайте больше о наших исследовать и инженерия команды.
Какие показатели наиболее важны для найма? Бумажные публикации, средний балл успеваемости, отраслевой опыт?
Катя: Мы набираем сотрудников на множество должностей в организации, поэтому качества, на которых мы фокусируемся, соответственно различаются.
Большинство нанимаемых нами ученых-исследователей имеют докторскую степень, поэтому мы не переоцениваем публикации. У нас также нет определенного маркера для достижения степени или среднего балла. Когда дело доходит до опыта, нам всегда интересно узнать о прошлых стажировках кандидата и/или добровольном опыте работы в отрасли. Мы ищем подтвержденные способности не только в «исследованиях», но и в реализации, проектировании и применении. Читать о побочных проектах и вкладах с открытым исходным кодом также приятно видеть при поиске потенциальных кандидатов, поэтому не стесняйтесь ссылаться на свой Github, сторонние проекты или код.
Для инженеров-исследователей важно помнить, что их роль состоит из части исследования и части инженера, поэтому мы всегда ищем людей, которым нравится воплощать теорию в вычислительную форму.
Для инженеров-программистов мы ищем четкую способность сообщать о проблемах и решениях. Инженеры-программисты DeepMind регулярно сталкиваются с неоднозначными проблемами, в основе которых лежат инженерные сложности. Доказательства работы над аналогичными проектами или опыт ускорения исследований и использования инструментов для расширения исследований являются ключевыми.
Есть ли у вас какие-либо советы по написанию успешного резюме?
Катя: Создание идеального резюме или резюме — большая работа. К счастью, существует бесчисленное количество ресурсов, которые могут помочь вам выполнить работу. Для простоты мы предлагаем сосредоточиться на следующих моментах:
- Держите его около двух страниц
- Включите дополнительную информацию (языки программирования, общества, награды, волонтерство)
- Следите за шрифтом и форматированием
- Читайте и перечитывайте текст — не забудьте проверить орфографию и грамматику.
- Добавьте соответствующие технические навыки (язык программирования/библиотеки)
- Ссылка на ваш личный Github/LinkedIn/портфолио
Можете ли вы порекомендовать какие-либо ресурсы, которые могут быть полезны для профессионального развития?
Ферял: Существует широкий спектр доступных ресурсов, которые помогут вам изучить и развить свои навыки в области машинного обучения. К ним относятся вводные курсы с открытым доступом на YouTube (т. е. Курс Нандо де Фрейтаса по глубокому обучению, Курс Дэвида Сильвера по обучению с подкреплением и Серия лекций DeepMind x UCL), посты в блогах с обзорами конкретных методов (например, дистиллировать) и более продвинутые материалы конференций по машинному обучению, такие как НейриПС, ICML и ICLR.
Существует также ряд летних школ (т. МЛСС и DLRLSS), которые помогают поддерживать студентов и профессионалов, заинтересованных в обучении у ведущих экспертов в этой области. Во многих летних школах также размещаются видеоролики и практические упражнения прошлых лет, которые могут стать отличным ресурсом для обучения в удобном для вас темпе.
Также приятно обращаться к таким организациям, как Женщины в машинном обучении (WiML) которые специально помогают женщинам в этой области повысить свою техническую уверенность и голос, а также распространять свои достижения в более широком сообществе.
Что я могу ожидать в процессе собеседования?
Ферял: Процесс собеседования в DeepMind может варьироваться в зависимости от конкретной роли, на которую вы претендуете. По моему опыту, процесс собеседования для Научный сотрудник Роль состояла из четырех этапов:
Фаза первая – первоначальный разговор с командой по подбору персонала
Это должно охватывать ваш фон, опыт, мотивацию для подачи заявки и планы на будущее. На этом этапе у вас также будет возможность задать любые вопросы, которые могут у вас возникнуть о роли или процессе собеседования.
Второй этап – технические собеседования.
Эта часть процесса включает в себя несколько сессий, в том числе одну с технической викториной, которая охватывает широкий спектр тем в области компьютерных наук, статистики, математики и машинного обучения. Это ключ к тому, чтобы вы пересмотрели все в целом для этой сессии! На этом этапе также будет собеседование по кодированию, где вам (на выбранном вами языке) придется проработать несколько вопросов и конкретную проблему с конечной целью прийти к реализации решения.
Третий этап – исследовательские интервью.
Этот этап состоит из различных коротких (т. е. ~ 30 минут) интервью с исследователями и рассказывает о вашем конкретном исследовательском опыте и интересах. Здесь у вас будет возможность рассказать о своем исследовании, что даст интервьюерам лучшее представление об общем направлении вашего исследования. На этом этапе постарайтесь продемонстрировать свое техническое понимание области и не стесняйтесь рассказать о своих достижениях и исследовательских идеях. Это не обязательно, но я бы также посоветовал прочитать последние статьи опубликовано командой DeepMind, чтобы попытаться лучше сформулировать ваши сильные стороны!
Этап четвертый – культурное интервью
Ближе к концу процесса собеседования вы снова свяжетесь с командой по подбору персонала, чтобы обсудить культуру и миссию DeepMind. Я рекомендую вам прочитать о DeepMind миссия и подумайте о том, как ваши карьерные цели могут вписаться в него.
Насколько большое внимание уделяется исследовательским навыкам/знаниям по сравнению с умением программировать на технических собеседованиях в DeepMind? Как вы готовились к техническому собеседованию?
Михаэла: Из-за универсальности, необходимой для проведения исследований в области машинного обучения, процесс собеседования имеет относительно равномерное разделение между кодированием и оценкой исследовательских навыков. На первом этапе основное внимание уделяется математике, статистике, машинному обучению и компьютерным наукам, а на более поздних этапах основное внимание уделяется кодированию. Имейте в виду, что на протяжении всего собеседования интервьюер пытается оценить ваши навыки решения проблем, поэтому сосредоточьтесь на общении и объясните свои ответы.
К своему собственному интервью я готовился, просматривая некоторые заметки из моих университетских лекций, включая курс статистики, который я прослушал. В то время я мало что знал об обучении с подкреплением, поэтому я провел дополнительное исследование и посмотрел книгу Дэвида Сильвера. курс UCL по теме. Для моего интервью по программированию я выбрал python. Чтобы подготовиться и попрактиковаться в скорости, я решил несколько вопросов по кодированию без использования интегрированной среды разработки (IDE) или моего любимого редактора — только простой текстовый редактор.
Могут ли инженеры-исследователи руководить исследовательскими проектами?
Михаэла: Абсолютно! Инженеры-исследователи в DeepMind — и в других местах — часто возглавляют проекты любого масштаба. Они могут быть первыми авторами докладов на конференциях или работать в более крупной команде, включающей группы разного размера и занимающей несколько месяцев.
Примеров много, но вот некоторые: АльфаНоль, улучшение исследования в обучении с подкреплением с использованием генеративного моделированияа также открытый исходный код основных библиотек, таких как Реверберация.
Как выглядит день из жизни ученого-исследователя?
Ферял: Быть ученым-исследователем означает, что мой день никогда не выглядит прежним. Мое время часто уходит на размышления о моих исследовательских проектах, программирование, встречи и обсуждение идей с другими, чтение статей и посещение презентаций или групп чтения.
Как и всегда в исследованиях, то, что я делаю, может меняться в зависимости от того, работаю ли я над крайним сроком написания, работаю над конкретным проектом или думаю о том, что делать дальше. К счастью, DeepMind действительно гибок в том, как можно организовать свое время и расписание. Мы используем «систему контрольных точек», которая разделяет исследования на более мелкие измеримые периоды (например, 3–6 недель), что действительно помогает планировать исследования и разбивать их на конкретные этапы.