FAANG Master

Промоушены и офисная политика Когда речь заходит о промоушенах, многие блогеры начинают описывать формальные требования для следующего уровня. И если ты консистентно демонстрируешь поведение, скилы и импакт следующего уровня, то тебя автоматически промоутят. Это не совсем так. Что нужно понимать, чтобы глубже погрузиться в то, что ещё влияет на промоушены: 1) Компании — это не благотворительные организации. Это бизнес, который старается максимизировать прибыль, выручку, стоимость компании, акций, число пользователей и минимизировать расходы. Компании не заинтересованы платить больше, повышать кого-то, если только это абсолютно необходимо. 2) Промоушенами занимаются люди. Это не автоматический и объективный процесс. У людей есть свои интересы, симпатии, эмоции, мысли. 3) Критерии промоушена не обьективны и не универсальны. Это не строгие математически точные критерии. Нельзя обьективно доказать, что тот или иной человек соответсвует критериям или нет. Это субьективное мнение людей принимающих решение о промоушене. 5) Обсуждение и принятие решения о промоушене занимают несколько минут на человека. Никто глубоко не погружается в метрики, критерии и т.д. Менеджер презентует кейс, фидбеки, и принимается решение о промоушене или нет. То есть всё сводится к тому, что о тебе думают, знают, и какое впечатление имеют люди, которые презентуют, дают фидбеки и принимают решение. 6) Возможность промоушена зависит от наличия позиции и бюджета на позицию. Команда, отдел или компания может попросту не иметь бюджет на позицию следующего левела. Если вы притендуете на позицию менеджера или тех лида/staff, то все эти позиции уже заняты, а на новые нет бюджета. Возможно, вам придется ждать, пока текущий тех лид уйдет из компании или команды, или уйдет на повышение и вы сможете занять его место. 7) Менеджеры могут быть не заинтерисованными в том, чтобы вы вставали на его уровень или уходили из команды на повышение. Обычно, менеджеры, не занимаются разработкой или ее управлением. Для этого есть разрабы, тех лиды, PM, TPM. Поэтому то как выглядит менеджер на перфоманс ревью зависит от перфоманса команды. Менеджеру выгодно держать на уровне своей команды хороших и скиловых разрабов. Он поможет хорошим разрабам с промоушенами junior->middle->senior. Т.к. они при этом останутся в рамках его команды. Промоушены senior+ могут быть ему персонально не выгодными, т.к. ваш скоуп будет больше чем ваша команда. Читайте продолжение темы в следующих постах. Там я опишу что важно для промоушена, кроме скилов, а также дам практические рекомендации. Смотри также мои другие посты на эту тему, в том числе про промоушены junior->middle->senior: https://t.me/faangmaster/644

После публикации квартального отчета акции Мета взлетели. Мои выросли за день на $26.5k сегодня (2.1 миллиона рублей).

Еще одно исследование улучшения продуктивности программистов при помощи AI Исследование влияния AI на продуктивность программистов проводили на 100 тысячах разработчиках из более чем сотни компаний. Исследование проводил Стэнфордский университет. Результаты исследований презентовал Yegor Denisov-Blanch, исследователь из Стэнфордского университета. Интересные выводы: 1) Нет корреляции между тем, как программисты сами оценивали изменение своей продуктивности и тем как продуктивность изменилась в реальности. Т.е. нельзя использовать опросники программистов про влияние AI на свою продуктивность. Нужно делать реальные замеры и не опираться на опросы. 2) Продуктивность менялась от уменьшения продуктивности на десятки процентов до увеличения продуктивности на 40% в зависимости от условий, типов задач, сложности задачи и языка программирования. 3) В задачах, на которых продуктивность увеличилась на 40%, половину пришлось переделывать. Т.е. увеличилась продуктивность, но и потребовалось существенную часть переделывать. Это как два шага вперед и один шаг назад. В реальности продуктивность на этих задачах выросла на 15%-20%. 4) Продуктивность выросла на следующих типах задач: простые задачи, популярные языки программирования (python, js), маленькие базы кода. 5) Продуктивность выросла меньше или уменьшилась на следующих типах задач: сложные задачи, редкие языки программирования или большие базы кода. Там есть и другие интересные выводы, больше в презентации: https://www.youtube.com/watch?v=tbDDYKRFjhk Про другое похожее исследование я писал тут: https://t.me/faangmaster/722

Meta понизила в должности Yann LeCun Yann LeCun это Chief AI Scientist в Meta. Известный как крестный отец Deep Learning. Лауреат премии Тьюринга за 2018 за создание Deep Learning (аналог нобелевки в Computer Science). Эго индекс хирша равен 160. В последнее время он критиковал LLM и утверждал, что LLM это не путь к AGI. В Мета сформировали новый отдел Meta Superintelligence Labs, который возглавит 28-летний миллиардер Alexandr Wang. Его стартап, Scale AI, был куплен Meta за $14B. А новым Chief AI Scientists в этом отделе будет Shengjia Zhao с 3 годами опыта работы (с тремя Карл!). Эти три года он поработал в Open AI над последними моделями. И недавно мета его переманила за огромные деньги. Индекс хирша у человека 25. И, в основном, за одну статью Gpt-4 technical report. Yann LeCun теперь будет репортить Alexandr Wang, а по науке им будет руководить Shengjia Zhao с тремя годами опыта работы.

Что у меня спрашивали на собесе в Revolut в 2019 Сейчас может уже многое изменилось. Но мой собес выглядел так. 1) Home Task Assignment. Дали задание, которое нужно было сделать дома. Задание было такое: сделать API, которое реализует функции снятия со счета, зачисление и перевод денег. API желательно было реализовывать без Spring. Они используют SparkJava и его fork - Javalin. Я, вроде, написал без каких либо фреймворком и библиотек, на чистой Java. Но лучше, наверное, было бы на Javalin. Ключевой момент реализации это сделать это Thread Safe. Например, перевод денег может вызвать dead lock. Поэтому перед собесом лучше освежить многопоточность (книга Java Concurrency In Practice). Задача на dead-lock разобрана в этой книге и у меня на канале: Thread Safe перевод денег между двумя банковскими аккаунтами. Если будете делать реализацию с базой данных, то нужно также повторить как работают транзакции в базе и dead-lock в базе. Например, это есть в книге Designing Data-Intensive Applications (Chapter 7 Transactions, p.221-273). 2) Техническое собеседование. На нем мы обсудили Home Task Assignment. У меня поспрашивали по опыту, по многопоточности, по транзакциям в базу данных, по уровням изоляций Designing Data-Intensive Applications (Chapter 7 Transactions, p.221-273). Дали пару простых задачек на кодинг, там буквально на 5-10 строчек, на знание stream API в Java (map, reduce). Офер дали на £100k базовой зп и несколько десятков тысяч опцион, который они обещали превратиться за 4 года в многие сотни тысяч. Я отказался. Мне офер еще повысили до £120k. Я также отказался.

Револют меня спамит вакансиями. Поэтому если хотите переехать в Лондон, то револют неплохой вариант. Там много выходцев из России/СНГ. Основатель - выпускник МФТИ. Это такой тинькоф для Европы. Я туда собесился в 2019 и прошел собес. Но отказался от офера. Если интересно, могу поделиться, что спрашивают на собесе.

Ну и наконец, появился домашний питомец - Бобр https://www.youtube.com/shorts/iNJTbvAH6i8

С бабули хватит, она летит на Марс: https://www.youtube.com/shorts/HNSmqsvBN8Q

История о том как я сдал гос экзамен по математике на ~высший бал в МФТИ Когда я поступал в МФТИ, то вступительная физика для меня не была проблемой. Я участвовал и побеждал на заключительных этапах олимпиады по физике. И без подготовки, я сдал вступительный по физике на максимальный бал. Математику я сдал очень плохо на пробных/олимпиаде, которая проходила в мае. В начале июля я сдал вступительный по математике уже сильно лучше, но не максимальный бал. В итоге я поступил. Математика для меня не была легким предметом, поэтому я ей уделял много внимания. И когда на 3м курсе пришло время гос. экзамена по математике (в который входил математический анализ, аналитическая геометрия, линейная алгебра, дифференциальные уравнения, теория функций комплексного переменного), то я применил тот же подход, что и при подготовке к олимпиадам, а после к подготовке к собесам в фаанг: https://t.me/faangmaster/599, https://t.me/faangmaster/597, https://t.me/faangmaster/571 Я нашел много задач прошлых письменных экзаменов по математике, решал все задачи сначала самостоятельно, потом разбирал решения, потом снова пытался сам себе их рассказать. И повторял 100-200 задач в течении недели. В итоге я написал письменный экзамен на 62 балла из 65. При этом в тот год отл начинался с 38. На устном экзамене меня с такими баллами на письменном особе не спрашивали. Спросили пару определений и теорем и отпустили с отлом.

Вышла статья, в которой провели рандомизированное контролируемое исследование на реальных задачах, повышает ли AI производительность программистов В этот раз брали не синтетические, изолированные задачи, вроде сделать тетрис или змейку, или решить литкод задачу. Брали реальные задачи в больших базах кода. Результат неожиданный. Программисты, которые использовали AI, сказали, что были на 20% более продуктивными. При этом, в реальности, они выполнили задачи на 19% медленее, чем те, кто не использовал AI. https://arxiv.org/abs/2507.09089

Мета строит два новых AI дата-центра стоимостью с сотни миллиардов долларов После покупки Scale AI за $14B и хайринга топовых инженеров из Google, Open AI и Apple за десятки и сотни миллионов долларов, Meta начала строительство двух новых гигантских AI дата-центров: Prometheus, размером с Манхетен и потребляемой мощностью в несколько гигават, и Hyperion. Первый будет готов в 2026, второй к 2030. Общая стоимость этих дата центров будет составлять несколько сотен миллиардов долларов.

Наиболее частые причины, почему увольняют программистов За 18 лет я видел огромное число коллег, которые были уволены. За последние 3 года это число выросло на порядок из-за массовых сокращениях в BigTech/FAANG. За эти 3 года в FAANG ситуация сильно изменилась и уволить могут кого угодно. В этом посте я не буду вдаваться в подробности того, как выжить в FAANG в период массовых сокращений. У меня есть отдельный пост про это: Гайд по выживанию массовых сокращений(layoffs) в Meta В данном посте я сосредоточусь не на массовых сокращениях в FAANG последних лет, а на всей индустрии в целом и за много лет наблюлюдений. Основные причины, по моему мнению: 1) Конфликты с менеджером. Менеджер — это не тот человек, с кем стоит иметь конфликты на работе. Компания — это не демократия. Компания — это иерархичная структура, близкая к диктатуре/армии. Менеджер — это человек, который решает, уволить вас или нет, поднять вам зарплату или нет, повысить вас или нет. Иметь конфликты с менеджером не приведёт ни к чему хорошему. Это не значит, что нужно во всём с ним соглашаться, но в случае несогласия нужно оставаться профессионалом, вести дискуссию вежливо, с уважением и конструктивно. Спорить не с человеком, а с идеями. В большинстве компаний менеджеры не занимаются технической частью, поэтому вам не придётся вести дебаты по техническим вопросам. Если вы чувствуете, что не можете работать со своим менеджером, лучше сменить команду или компанию. Если менеджер дает вам фидбек, с которым вы не сонласны, то начните с того, с чем вы согласны и спросите какие шаги вы можете предпринять, чтобы улучшить и сразу же покажите, что вы сделали шаги по улучшению. Иногда ваше внутренее восприятие себя отличается от того, как вас воспринимают другие. Если вы получили фидбек и так про себя не думаете, то значит есть люди, кто про вас так думают и нужно продемонстрировать, что это не так действиями, а не споря с фидбеком и тем более с менеджером. 2) Не умеют работать со сложностями в работе. Работа над проектом никогда не бывает простой. Вы всегда будете сталкиваться с разного рода трудностями. Это могут быть технические сложности или организационные. Некоторые люди при столкновении с трудностями застревают, не дают знать, что они застряли, начиются жаловаться и винить всех и вся. После чего продалбывют все сроки и обвиняют в этом других людей. Вас наняли для того, чтобы вы решали проблемы, а не жаловались на них. Пробуйте решить проблему самостоятельно, если не получается, дайте об этом знать. Найдите людей, кто может вам с этим помочь. Не стоит замыкаться в себе и продалбывать сроки проекта. Регулярно давайте апдейты текущего статуса, ищите помощи, ищите людей, с кем нужно поговорить, спросить, обсудить, получить какую-то недостаюшую информацию, договориться о чем-то и т.д. Даже если вы продолбаете сроки, то про сложности в проекте будут знать все остальные, а также, что вы их проактивно решали, а не застряли и никому не говорили. Смотрите также мой пост про то, чего не стоит делать при онбординге в новую компанию: https://t.me/faangmaster/284

Joma рассказывает как собеседовался в Scale AI на позицию одного из первых разработчиков Немного контекста. Joma известный тех блогер, работал в фангах(в том числе в фейсбуке). Снимал развлекательный контент. Scale AI - стартап, который мета недавно купила за 14 миллиардов доллларов. Стартап позволяет аутсорсить разметку данных для обучения AI. Joma в видео рассказывает как его собесил основатель компании(Alexander Wang) и как он подкатывал к другой со- основательнице(Lucy Guo). Она, кстати, ему ответила в комментах под видео. Сам видос: https://youtu.be/HTXTVfBCeSY?si=9XUaWyi4p8sJ61N2

Пару месяцев назад получил форму для налоговой с доходами за прошлый налоговый год. За прошлый год заработал £575k/$776k/60M рублей гросс. Это без учета Capital Gain. Пока далеко до AI - инженеров.

Короткий видос про Soham Parekh, который одновременно работал в нескольких стартарах: https://youtu.be/-_6dHIPVoTM?si=5EdYq6kp03T6C7_h

Полный список новых сотрудников нового отдела Мета, по разработке супер интеллекта. Практически новый галактикос. Взлетит ли такой подход? У Реала, Челси времен Абрамовича, ПСЖ успехи не пришли сразу же после громких покупок.

Среди нанятых в Meta за десятки или сотни миллионов долларов, есть выпускник МГУ и бывший сотрудник Яндекса Это Александр Колесников. Известен как один из создателей ViT. Профиль на google schoolar: Alexander Kolesnikov Получил PhD в Institute of Science and Technology Austria. Работал в Google Brain, Deepmind и недавно перешел в Open AI.

Meta наняла еще одного разраба за более чем $200M На этот раз это Ruoming Pang из Apple. До этого он работал в Google.

Как может повлиять развитие AI на программирование Многие сравниванию развитие AI с появлением интернета. И действительно, есть много сходств. Появление первых браузеров и поисковых систем в 90е можно сравнить с появлением LLM и chatGPT. Появление многочисленных .com-компаний в 90е можно сравнить с появлением многочисленных .ai-компаний. Появление пузыря доткомов с огромными инвестициями просто за появление сайта без реального рабочего продукта и доходов можно сравнить с миллиардными инвестиция просто в слоганы ai продуктов (даже не идеи). После этого пузырь лопнул, многие компании исчезли, во многих были массовые сокращения. Скорее всего, это же ожидает и нас. Хотя, возможно, и нет, т.к. структура инвестиций другая по сравнению с второй половиной 90х. Возможно, пострадает не вся индустрия и не будет всеобщего кризиса индустрии. Но в итоге интернет взлетел. Сейчас это ключевая технология. Его скорость с 90х выросла на порядки. Появились новые классы продуктов: интернет магазины, социальные сети, онлайн кинотеатры, оплата через интернет, современные поисковые движки и много чего другого. Если отбросить идею того, что AI заменит всех программистов и посмотреть на то, как интернет повлиял на программирование, то можно провести несколько аналогий. 1) Интернет создал новый класс программирования - разработка веб приложений. До середины 90х, программисты, в основном, разрабатывали desktop-приложения. Аналогично, появление AI создает/может создать новый класс программирования: создание систем, где одним из ключевых элементов является AI. Это могут быть различного рода AI-агенты. 2) Появление веб разработки привело к появлению новых протоколов взаимодействие приложений через интернет: HTTP, SOAP, REST, RCP и т.д. В сфере AI-разработки уже тоже появляются новые проколы. Например, Model Context Protocol (MCP), который позволяет стандартизировать взаимодействие LLM с другими системам, тулами, базами данных. 3) Появление веб разработки привело с созданию новых паттернов, архитектур приложений, которых не было раньше. Аналогично, в AI разработке уже есть разные подходы: Fine-tuning, Retrieval-augmented generation (RAG) 4) Появление интернета, браузеров и поисковых систем трансформировало процесс разработки. Раньше программисты пользовались бумажными книгами, справочниками, документациями. После появления интернета они начали использовать google, stack-overflow, документации в интернете. С появлением LLM, люди будут спрашивать все у chatGPT и их аналогов. 5) Появление веб разработки привело с созданию новых языков программирования. Таких как Java, C#, python, PHP, perl, Ruby. Пока AI к этому не привел, но все еще может быть. AI может и не стать таким же большим как интернет и останется нишевой областью, как web 3.0 (крипта, блокчейн), AR/VR для виртуальной реальности, IoT (интернет вещей). А может и поглотить всех и вся. Но текущий уровень развития еще очень и очень от этого далек (далек в технологическом и научном смысле, не по времени).