​​Роль тимлида в бизнесе

Культура тимлидства в России у нас пока низкая: многим кажется, что нужно взять самого скилованного разработчика, дать ему прибавку 15-30% и сказать "ты тимлид, возьми Скрам и построй разработку шобы всё было мне понятно. Кстати, ты всё равно остаёшься разработчиком, поэтому не забывай писать код". Чушь.

Первое и самое главное правило: тимлид не должен писать код. Это должно быть жёстко. Если тимлид пишет код, значит он отвратительный руководитель, у которого либо всегда пожары, либо ему не до тимлидства. Роль не выполняется.

Кроме правильных процессов (это быстро приходит в порядок, я писал об этом в статье Как начать скрамить), тимлид должен:
Систематизировать знания: звучит цинично, но тимлид не должен прикипать к своей команде, потому что его задача — снизить bus factor. Тимлид должен создавать документацию и базу знаний, чтобы при смене всей команды бизнес не встал.

Обучать и интегрировать людей: вторая по важности задача. Когда есть документация, нужно срезать косты на обучение и интеграцию людей. Да, можно сказать, что этим должен заниматься HR, но хороший тимлид и выполняет роль HR. Мы в JQ Estate делали хэндбук, чтобы людям проще интегрироваться.

Объяснять, что делает команда разработки: разработка не должна быть чёрным ящиком для остальных отделов в компании. Демо-дни из скрама и прочие презентации нужны, чтобы вся компания знала, что сделала команда разработки и что она будет делать дальше.

Следить за настроением команды: спринты спринтами, но бизнес это марафон. Тимлид должен следить за состоянием команды, держать всех в тонусе и не давать перегорать из-за больших нагрузок. Ну и, конечно, давать фидбэк и получать его — если человек приходит увольняться из-за маленькой зарплаты, то что-то пошло не так. Рекомендую вопрос мотивации держать открытым, чтобы все знали как они могут получать больше. Бтв, в Т—Ж хорошая статья: Как поднять себе зарплату.

Пиарить команду: посмотрите на Злых марсиан. Чем громче команда, тем больше людей к ней пытается попасть и тем проще нанимать людей по адекватным ценникам, а не x3 от рынка, потому что никто её не знает. Команда должна быть престижной. Тот же хэндбук Джкью пример такого пиара: когда я кинул вакансию с этим хэндбуком в @javascript_jobs, я за первый час получил под 40 откликов. Слава богу, у нас конкуренции и продуктовых команд мало — расскажи что вы делаете и уже будет интерес.

Результат работы хорошего тимлида? Хорошая база знаний, мощная команда разработки, понятные всей компании релизы в срок и интерес со стороны новых людей.

Теперь вопрос: и когда писать код?

Есть что добавить? 👉🏻 @evgenyrodionov

Продолжим!

Как выглядит работа датасотониста?
- Выбрать проблему достойную решения.
- Достать или собрать данные для обучения.
- Feature engineering
- Построить модель
- Запустить в продакшен, убедиться что есть польза
На каждом шаге можно вернуться к одному из предыдущих, что постоянно и случается.

Что же делают на каггле? Самую кроху фичаинжениринга и само моделирование. Это меньшая из всех проблем вообще.

Что ещё очень важно понимать, так это то что точность модели не транслируется в деньги напрямую.

Но зато весь дроч на каггле именно на accuracy, precision и recall. Полностью игнорируя потраченное время, вычислительную сложность полученной модели. А реальность такова, что логистическая регрессия по соотношению качества и тех 5 минут что вы на неё потратили выебет вообще всё и заработает за год всего на пару копеек меньше, чем более сложная модель.

Ну ладно, какая-то польза от каггла есть. Это поможет автоматизировать этот почти не требующий мозгов кусочек работы датасотониста. Посмотрите хоть вон на https://www.h2o.ai/driverless-ai/

Уверен что эта работа точно будет скоро полностью автоматизирована, вспомните гугловые нейронки, которые дизайнят нейронки.

Скоро напишу про распределённое обучение и бигдату. Подписывайтесь http://twitter.com/SiliconBangalor/ лайкайте, шарьте.

Я знаю что не дописал всё что обещал, но тут в твиттере задали действительно хороший вопрос. Слегка перефразирую и обобщу его.

Как войти в эту область профессии, раз каггл — игра в бирюльки, а курсы сконцентрированы на той же узкой специфике?

Ребят, так же как и куда угодно. Базовые знание что такое модель как она может работать и всё такое уже есть у каждого кто не глух и не слеп — MLем прожужжали все уши. Более конкретные области применения, те проблемы ответ на которые ML — я для вас сформулировал двумя постами выше.

Можете играть в каггл или учиться на своих там курсах, но это мало поможет.

Найдите интересную проблему в том бизнесе где вы работаете, там где от этого будет экономический эффект. Что угодно: автоматизация работы модераторов там, если не хватает рук, уменьшение отписок от рассылки или там деинсталляций приложенек, персонализация и увеличение конверсии там где четко видно разное поведение двух и более групп пользователей, что угодно.

Сам навык определения таких областей — это уже хлеб.

Поставьте себе задачу, найдите решение, спрашивайте помощи у тех кто может вам помочь, изучите всё чего не хватает по дороге. Бац! И вы настоящий датасотонист, а не все эти теоретики с митапов и хакатонов.

Вернёмся ка к спарку, gpu, параллельному обучению и всему вот этому.

Давайте представим что мы работаем не в самой маленькой компании, ну скажем в delivery hero и для простоты сейчас 2016 год. В этом году delivery hero выручит на всех рынках вместе 300млн или условно миллион в день. Для того чтоб получить верхнюю границу предположим что средний заказ всего 10 евро, итого 100к заказов в сутки. И мы, скажем, строим элементарную систему рекомендаций — что бы ещё положить в корзину. И делаем мы это используя данные за последние 3 месяца. Наш training set — 10млн заказов.

Это количество не то что в ноутбук, оно в телефон помещается. На кой хрен, спрашивается, вам может понадобится что то кроме питона или какого-нибудь там R или на крайний случай vowpal wabbit?

Дети, не ебите мозг. Самое главное в этой работе — как быстро вы можете делать очередную итерацию вашей модели и оценивать полученные результаты. И быстрее чем сделать это на ноутбуке не выйдет.

Речь конечно, в основном, про транзакционные данные, но это то, где зарыто ОЧЕНЬ много денег.

Представим что наш хреновый рекоммендер увеличил средний заказ на 0.1%. Очень посредственный результат, но в деньгах это уже 300к в год. Поздравляю, свою зарплату за этот год вы отбили, а работы было ну на неделю-две.