FAANG Master

Пингвины из-за тарифов вынуждены искать новую работу.

FAANG Master, теперь в 3D

Шутки шутками, но я на этих шутках потерял за 1.5 месяца $64k (5.3M рублей) NW(net worth).

Почему сотрудники Google и Meta получают на порядок больше, чем в Amazon? Если зайти на https://www.levels.fyi/?compare=Google,Amazon,Facebook&track=Software%20Engineer то складывается впечатление, что разница между Amazon и Google/Meta для одного и того же уровня небольшая. Но дело в том, что это стартовые оферы, которые вы получаете при найме на работу. Дальше Google и Meta каждый год дает своим сотрудникам refreshers. Это дополнительные акции, которые рассчитаны на 4 года с момента получения. Например, ваш изначальные офер был: base: $216k, bonus: $32k, RSU на 4 года: $880k. Дальше после первого года работы вам дадут еще $200k * performance. Например, ваш перфоманс был EE (exceed expectation). Тогда вы получите еще $200k * 1.25 = $250k на следующие 4 года к уже имеющимся $880k. Т.е. у вас уже будет $880k+$250K. Аналогично после второго, третьего и т.д. года работы. Итого за 4 года только акций вы получите: $880k + $250k * (3/4) + $250 * (2/4) + $250k * (1/4) = $1.255M если акции за 4 года не изменяются в цене. Обычно они еще растут в 2-4 раза за 4 года. Итого, можно получить очень много денег. В Amazon или Microsoft рефрешеры несравнимо хуже, чем в Google или Meta. Например, в моем случае, мой изначальный офер был $360k акций на 4 года. По факту, я получил $1.2M за 4 года в виде только акций (не считая зп и бонусы). Одна из причин - рост акций после получения рефрешера в начале 2023 года.

Двухминутная прожарка Java: https://youtu.be/m4-HM_sCvtQ?si=rDJdWTLQ1iZhZr3e

Собеседовал кандидата, который меня пытался впечатлить знанием C++ Кандидат очень опытный, опыта больше чем у меня. Во время решения задач больше внимания уделял тому, как можно напихать больше крутых фич из C++ в решение задачи. Отвлекался на все подряд и постоянно отходил от основной цели - придумать алгоритм и его написать. В итоге не смог решить ни одну задачу. При написании кода глубоко уходил во второстепенные вещи и не смог никак продвинуться. На таких собеседованиях не проверяется знание всех прикольных фич в языке. Проверяется, в первую очередь, способность конвертировать идеи в работающий код. Этого не произошло. Дальше простейшего цикла человек не продвинулся.

Сложности начала работы в FAANG с позиции Senior Очень многие приходят в FAANG уже имея существенный опыт за плечами. Большинство из них приходят на позицию Senior. Какие особенности, по сравнению с другими компаниями, вас ожидают: 1) Знание библиотек, фреймворков, технологий, тулов обнуляется. В других компаниях вы скорее всего работали с известными open source или коммерческими технологиями, тулами, библиотеками, фреймворками и т.д. За годы опыта вы стали в них экспертами. Но когда вы приходите в FAANG это становится не релевантно, т.к. тут все разработано внутри компании. Поэтому вам надо будет это изучать с нуля, и ваш опыт и знания других тулов на прямую не пригодится. 2) Domain knowledge в существенно проценте случаев обнуляется. Многие стремятся попасть в FAANG-компанию, а не в конкретную команду. Да и не всегда есть возможность выбирать. Я, например, когда пришел в Facebook - пришел в компанию. Команду я себе искал в первые 3 месяца работы. Но выбор только из тех команд, которые в вашей локации и нанимают сейчас людей вашего уровня. Сейчас это уже не так. Сейчас есть team matching до прихода в компанию, но он тоже не из всего. А только их тех команд, которые сейчас нанимают в вашей локации и человека вашего уровня. Поэтому большинство приходит в команды, не зная предметной области. Поэтому приходится изучать все с нуля. 3) Пройдет какое-то время, пока вы поймете принцип performance review и как работают промоушены. То, как работают промоушены в FAANG, может сильно отличаться от того, к чему вы привыкли. У вас уже выработался определенный стиль работы и привычки. Вам придется адаптироваться к новому стилю работу, подстраиваться под местный performance review. 4) Сильная конкуренция со стороны разрабов, кто в FAANG с самого начала карьеры. Многие ваши сильные стороны и годы опыта обнуляются (domain knowledge, знание технологий). У вас другие привычки и стиль работы. А те, кто пришел в FAANG с универа, нигде больше не работал, очень хорошо адаптированы под промоушены (там есть требования по первым 1-2 промоушенам). Знают хорошо местный стек технологий, тематику и что важно и что не важно для хорошего performance review и для промоушена. Промоушен Senior->Staff сам по себе не простой, но все эти факторы, что я перечислил делают его еще сложнее для людей, кто пришел на позицию Senior не из FAANG имея 10+ лет опыта за плечами.

Начал спрашивать более редкие задачи и отличающиеся по условию от Leetcode Решил зайти на leetcode, посмотрел на топовые задачи по популярности. Увидел в топ 30 задачи, которые я обычно спрашиваю. Нашел в нашей базе задачи, которые в топ 50-100 или нет в топе, а также условие на литкоде другое от того, что у нас в базе задач. Первые наблюдения - процент прохождения снизился, но еще более снизился перфоманс. Те кто проходит - решают задачу дольше, итеративно, с большим числом ошибок. При этом сложность задач такая же или даже проще. Т.е. это еще больше подтверждает гипотезу, что большинство просто воспроизводят задачи из памяти: https://t.me/faangmaster/570 Смотрите мой пост как запоминать задачи: https://t.me/faangmaster/571

Сверхпродуктивные джуны В FAANG-компаниях это явление достаточно частое. Это программисты, которые только что закончили университет и попали в FAANG. До этого они зачастую проходили 1–2 стажировки в этих же компаниях. Многие из них очень замотивированы, любят соревноваться с другими программистами — как отличники-перфекционисты среди студентов. У них нет какого-либо опыта вне FAANG. Они быстро адаптируются к корпоративной культуре и понимают, как работает система промоушенов. Многие из них уже через три года занимают позицию Senior. Часто они производят огромное количество кода, который работает, но всё ещё выглядит как код джуна. Из-за его объёма такой код нередко не комментируется и просто апрувится — иначе на ревью ушло бы всё время. Также их джуновость проявляется в принятии решений, построении долгосрочной архитектуры, понимании продукта в целом. Такие "джуно-синьеры" часто находятся бок о бок с людьми, у которых 10+ лет опыта на той же должности. И зачастую выглядят выгоднее — они сверхоптимизированы под метрики и промоушены внутри конкретной компании.

Минутка ностальгии: первый опыт программирования, книга, среда разработки Впервые я познакомился с программированием в 1999 году. Ни дома, ни в школе компьютера не было. Поэтому я ходил в какой-то кружок. Абсолютно ничего не понимал. Просто перепечатывал код, который рассказывал преподаватель. Первый язык, на котором я написал программу, был Pascal. Первые программы были стандартными: "Hello World", сумма чисел с вводом из командной строки и т.д. Писали это в среде разработки Borland Turbo Pascal. Компьютеры были 486 с MS-DOS и 5-ти дюймовым дисководом. В компьютерном классе был главный крутой компьютер с Windows 95 и Pentium 1. Но на нем не довелось поработать, только посмотреть издалека на графический интерфейс. Первую программу на Java я написал в начале 2006 года. Это было в среде разработки Intellij Idea. Первая книга по Java у меня была: "Как программировать на Java" Дейтел. Дейтел. Выглядела она примерно так: https://www.labirint.ru/books/221364/ Мои первый приложения были с UI на Swing. Всякие калькуляторы, потом написал настольную игру и даже мессенджер по типу аськи с клиентами на Swing и сервером. Пишите в комментариях, как вы познакомились с программированием.

Не густо предлагают. Но какой-то прототим запилить можно...

Уже пишут с предложениями инвестиций. Раньше днем с огнем не найти было инвесторов. Надо срочно какой-то AI стартап придумать... Пишите предложения в комментах.

Когда у тебя просят референс в твою текущую компанию.

Когда у меня просят референс в мою текущую компанию.

Интервью Demis Hassabis Интересное интервью с Demis Hassabis. Чем известен - работает в Google, основатель DeepMind, создал AlphaFold за что получил нобелевскую премию по химии за 2024 год. Играет в шахматы, пиковый рейтинг - 2300. DeepMind создал AlphaGo, AlphaZero, которые играют в Go и шахматы лучше всех людей и движков. Интервью про AI: https://www.youtube.com/watch?v=yr0GiSgUvPU

Собеседовал кандидата, который раньше работал в нашей компании Мне показалось, что это первый человек, который решал задачи на самом собесе и не видел их раньше, но при этом решил. Перфоманс был далеко не лучшим, но в итоге решил задачки. Было видно, что придумывает решение в процессе, а не из памяти.

Сложно ли работать в FAANG-компаниях с технической точки зрения Под технической точкой зрения я имею ввиду техническую сложность задач. Насколько сложные задачи с точки зрения кодинга. Мое мнение - нет. Это обычная работа. Хоть масштаб задач и другой, вам не надо многие вещи решать с нуля. Тут уже много готовых технологий, библиотек, фреймворков, которые разработаны внутри компании и заточенны под ее нужды. В большинстве случаев достаточно соединить несколько готовых частей, следовать внутренним практикам и все будет работать. Просто, как соединенить несколько деталей Lego. Есть, конечно, новая и сложная работа, но желающих ей заняться, обычно, много, поэтому далеко не факт, что вам придется с нуля что-то придумывать с технической точки зрения. Деревья вертеть вам не нужно, а если будет нужно, то делать вы это уже умеете, т.к. прошли собес. Несмотря на это, в работе много организационных и не технических сложностей. Об этом будет в отдельном посте. Но все же есть технические особенности: 1) Внутренние тулы/технологии. Очень много всего разработанно внутри компании, поэтому вам придется осваивать их с нуля. Какие-то из них удобные, какие-то нет. У большинства очень скудная документация. Также не получится загуглить ответ по этой технологии, т.к. комьюнити очень маленькое и находится внутри компании. Приходится искать ответ на внутренних ресурсах, задавать вопросы, пинговать людей, копать код самому. 2) Приходится писать на нескольких языках или на не вашем сильном языке. В Амазоне, часто, видел людей, которые писали на Java, но до этого ее не знали. В Meta приходится писать на нескольких языках: Hack, Python, C++, JS, хотя до этого эти языки или не знал или знал очень поверхностно. 3) Могут быть высокие требования к коду. В Meta это не так, но в нашей команде в Amazon это было так. Поэтому потребуется какое-то время на адаптацию, чтобы заалайниться по читаемости, фоматированию, тестам и т.д. Обычно 3-6 месяцев достаточно, если вы обучаемый человек. 4) Придется адаптироваться к новым способам получения информации. Гуглом, stackoverflow, за 8 лет, по рабочим вопросам я мало пользовался. Нужно искать на внутренних ресурсах, группах и т.д. Особенно, большой слом, в этом смысле, это Meta. Тут используется Workplace и не используются письма. LLM пока тоже слабо помогают. 5) Придется адаптироваться к новым процессам. Процесс написания и ревью дизайна, oncall, планирования, управления проектами отличается от других компаний. Поэтому у вас уйдет какое-то время на адаптацию (6-12 месяцев).

В продолжение темы стоков... Я храню часть сбережений в акциях. За последний месяц мои сбережения уменьшились на почти $50k из-за заявлений Трампа и падения фондового рынка... Кроме того, это повлияло на стоимость акций, которые я только планирую получить, там падение уже на сотни тысяч... Но это было уже не раз и всегда поднималось обратно и выше. Надеюсь тут будет также.

Свежее интервью Yann LeCun Yann LeCun - главный по AI в Meta. Чем известен - один из создателей Deep Learning. Его также называют отцом/крестным отцом AI. Получил премию Тьюринга за 2018 (аналог нобелевской в Computer Science). Создал CNN (Convolutional neural network), а также формат DjVu. https://www.youtube.com/watch?v=RUnFgu8kH-4

На сколько можно увеличить свои сбережения, работая в FAANG? Не смотря на то, что зп программиста сильно больше средней зп, обычно, чем больше ты зарабатываешь, тем больше тратишь. Большинство программистов могут откладывать деньги на отпуск, покупку электроники и т.д. В лучшем случае на первоначальный взнос по ипотеке. А также платить не за аренду, а за ипотеку и за кредит по машине. Купить квартиру и машину (дороже 3-5 миллионов рублей) на сбережения может далеко не каждый. Работая в FAANG, у вас будет выше будет базовая зп, но основное финансовое преимущество FAANG-компаний - стоки. Практически всегда, для поддержания хорошего уровня жизни вам будет достаточно базовой зп. В это входит: аренда или оплата ипотеки, коммуналка, транспорт, еда, одежда, отпуск, электроника, мебель, развлечения. А стоки можно использовать в качестве основного источника сбережений. Например, на позиции Staff Software Engineer (E6) в Facebook, вам дадут ~$1.6M долларов на 4 года. После налогов это примерно $0.8M. Но доп преимущество стоков - они могут расти. В 2010-2020, типичный сценарий был, когда твои акции вырастали в 4 раза за 4 года. В 2020-2025 более типично это в 2 раза за 4 года. Т.е. с большой вероятностью мы можете получить ~$1.6M за 4 года на руки в виде чистых сбережений. Эта цифра для США и для позиции Staff в Facebook. В зависимости от компании, позиции и локации это цифра будет другой.