Какие у тебя критерии новой работы?

Критерии новой работы для Data Scientist

Я подхожу к выбору новой должности комплексно, учитывая различные аспекты профессионального развития и качества жизни.

Технические критерии

1. Интересные задачи и данные Для меня критически важно, чтобы работа включала решение реальных бизнес-проблем с использованием современных методов ML/DS. Интерес вызывают:

• Задачи с большими объемами данных (big data)
• Нетривиальные ML-проблемы (рекомендации, аномалии, оптимизация)
• Возможность применения передовых техник (deep learning, NLP, компьютерное зрение)

2. Качество инфраструктуры Опыт показывает, что без хорошей инфраструктуры эффективность падает. Ищу:

• Современный ML stack (PyTorch, TensorFlow, scikit-learn)
• Системы управления экспериментами (MLflow, Weights & Biases)
• Облачные платформы или специализированные GPU-кластеры
• Хорошие инструменты для версионирования данных (DVC)

3. Командное окружение Качество команды определяет качество работы. Важны:

• Опытные коллеги, от которых можно учиться
• Продуктивная культура code review
• Готовность к обмену знаниями и менторству
• Инженерный подход (не только исследование)

Организационные критерии

4. Возможность роста

• Четкие пути карьерного развития (от junior к senior)
• Возможность развития в направлении ML Engineering или Tech Lead
• Бюджет на обучение и конференции

5. Влияние на результаты Хочу видеть, как мой код работает в production:

• ML-модели должны регулярно развертываться в production
• Есть четкие метрики успеха
• Решения напрямую влияют на бизнес-результаты

6. Баланс между исследованием и production Идеальный баланс:

• 50-60% времени на production задачи (улучшение моделей, оптимизация)
• 30-40% на исследование и экспериментирование
• 10% на техдолг и документацию

Бизнес-критерии

7. Финансовые условия

• Зарплата соответствует уровню и рынку
• Система бонусов или акций
• Прозрачность в оплате труда

8. Стабильность и масштаб

• Компания имеет устойчивый бизнес
• Достаточный объем данных для ML
• Понимание ценности ML в организации

Культурные и личностные критерии

9. Гибкость работы

• Возможность удаленной работы (полностью или гибридно)
• Гибкий график
• Понимание важности work-life balance

10. Миссия и ценности

• Компания решает значимую проблему
• Корпоративная культура соответствует моим ценностям
• Сотрудники гордятся своей работой

Красные флаги

Я избегаю компаний с:

• Хаотичным процессом разработки (no code review, no testing)
• Огромным техдолгом и legacy code
• Отсутствием инфраструктуры для ML (все на ноутбуке)
• Политиками и микроменеджментом
• Переквалификацией (обещание DS работы, а на деле BI/data analyst)

Порядок приоритизации

1. Интересная задача — без этого все остальное теряет смысл
2. Команда и культура — больше всего на то как ты развиваешься
3. Инфраструктура — ограничивает или расширяет возможности
4. Финансы — важны, но не первое (в разумных пределах)
5. Гибкость — повышает качество жизни

В целом, ищу место, где смогу расти как специалист, писать quality code, и видеть реальное влияние своей работы на результаты.