Какую ищешь команду?

Профиль идеальной команды для меня

После 10+ лет в ML/DS я уже знаю, с какой командой я буду наиболее продуктивен. Вот подробный профиль.

Состав и размер

Оптимальный размер: 6-10 человек

1 Lead/Principal DS (менторство + архитектура)
2-3 Senior DS (production systems, difficult problems)
2-3 Junior/Mid DS (support, feature engineering)
1-2 ML Engineers (deployment, inference optimization)
1 Data Engineer (pipelines, infrastructure)
1 Product Manager (requirements, prioritization)

Почему именно такой размер:

• Достаточно для разделения труда
• Не слишком иерархична (max 3 уровня)
• Есть на кого делегировать
• Есть от кого учиться

Уровень expertise

Минимум 1 Principal/Lead Data Scientist, который:

• Публиковал papers или работал в FAANG/ML companies
• Может провести code review и дать feedback
• Задаёт стандарты качества
• Не боится сказать "это нельзя, потому что..."

2-3 Senior Data Scientists, которые:

• Имеют 5+ лет опыта
• Специализируются в разных областях (NLP, CV, time-series, RL, etc.)
• Могут наставлять junior'ов
• Участвуют в архитектурных решениях

Технический стек команды

Идеальный стек для меня:

Infrastructure:

• Cloud: AWS / GCP / Azure (не on-premise)
• Data Warehouse: Snowflake или BigQuery
• Container: Docker + Kubernetes (или хотя бы Docker)
• CI/CD: GitHub Actions / GitLab CI / Jenkins

ML/Data:

• Python 3.10+ (не старый код)
• PyTorch или TensorFlow для DL
• Scikit-learn для классических алгоритмов
• Experiment tracking: MLflow, wandb, или Neptune
• Feature store: tecton, feast, или homemade

Data Quality:

• Data validation (Great Expectations)
• Monitoring (Prometheus + Grafana, или DataDog)
• dbt для transformation pipelines

# Хороший знак: есть well-documented ML pipeline
# Плохой знак: "у нас есть Jupyter ноутбуки с версиями v1, v2, v3_final, v3_final_real..."

Характер работы

Баланс между research и production

Я ищу 40% research / 60% production split:

• 40% — экспериментирование, новые идеи, статьи
• 60% — улучшение production моделей, A/B тесты, мониторинг

Не хочу:

• 90% production support (burn out от on-call)
• 90% research (модели, которые никогда не пойдут в prod)

Задачи должны быть разнообразны:

• Feature engineering (30%)
• Model development (30%)
• A/B testing (20%)
• Production support & monitoring (20%)

Культура команды

1. Psychological Safety

• Можно сказать "я не знаю" без стыда
• Есть нормальные post-mortems при ошибках (без finger-pointing)
• Ценят questions и divergent thinking

2. Data-Driven Decision Making

• Решения принимаются на основе данных, не HiPPO (Highest Paid Person's Opinion)
• Есть A/B тесты для значимых решений
• Метрики clearly defined

3. Ownership & Autonomy

• Я "owns" проект от начала до конца
• Нет микроменеджмента
• Есть clear goals (OKRs) и я сам выбираю путь

4. Collaborative, Not Competitive

• Люди готовы помочь, не "борются" за внимание
• Code reviews конструктивные, не критиковующие
• Есть пространство для парной работы

Тип компании

Предпочитаю:

1. Series C-D стартапы (уже есть product-market fit, но ещё растут)
2. Mid-size tech companies (50-500 employees)
3. FAANG/Big Tech (для research-heavy роли)

Не подходит мне:

• Pre-seed/Seed (нет ресурсов для ML)
• Huge corporations (400+ слои иерархии)
• Legacy companies (медленное принятие решений)

Доменные области интереса

В порядке предпочтения:

Tier 1 (Very Interesting):

• Финтех (fraud detection, credit risk, algorithmic trading)
• Здравоохранение (diagnosis, drug discovery)
• E-commerce (recommendations, demand forecasting)

Tier 2 (Interesting):

• AdTech (CTR prediction, attribution)
• Logistics (routing, forecasting)
• Social Networks (feed ranking)

Tier 3 (Okay):

• B2B SaaS analytics
• HR Tech
• Gaming

Never:

• Crypto scams
• Schemes, gambling
• Anything unethical

Work-Life Balance

Требования:

• Не более 45 часов в неделю в среднем
• No on-call по ночам (максимум во время critical incidents)
• 20+ дней отпуска в году
• Возможность remote work (минимум 2 дня в неделю, лучше 100%)
• Flexible hours (не нужно быть онлайн 9-5)

Расширенный лист желаний

• Возможность публикации. Статьи, конференции, open-source
• Бюджет на обучение. $2K-5K в год на курсы, книги, конференции
• Гибкость в инструментах. Дают ноут с моей ОС (Linux, Mac, Windows)
• Интернациональность. Команда из разных стран (разнообразие идей)
• Tech сообщество. Есть внутренние tech talks, meetups

Красные флаги при поиске команды

1. Все Data Scientists на контрактах (нестабильность)
2. Новый DS приходит, а старый уходит каждые 6 месяцев
3. "Мы всегда в авралах, это нормальная культура"
4. Lead Data Scientist не знает основ ML
5. Нет стандартов: у каждого свой стиль кода
6. "Вы первый DS в компании" (= не будет менторства)

Процесс поиска

Когда я кандидирую, я не только прохожу интервью, но и интервьюирую их:

Вопросы, которые я задаю:

1. Какие модели сейчас в production? Какие версии? Как часто ретрейните?
2. Покажите ваш ML pipeline. Где bottleneck?
3. Расскажите о последней ошибке в production. Как её обработали?
4. Какой процент времени уходит на meeting'и vs coding?
5. Есть ли примеры, когда ML модель значительно повлияла на бизнес?
6. Как долго новый DS доходит до первого pull request?

Вывод

Я ищу команду, где:

• Technical excellence — стандарты качества высокие
• Psychological safety — можно быть собой
• Growth — всегда есть чему учиться
• Impact — моя работа видна бизнесу
• Balance — не burn out за 2 года

Я не ищу идеальную команду, но ищу место, где я смогу расти и вносить вклад одновременно.