odmin227 Mar 20 at 12:00

Превратите свой пет-проект из хобби в карьеру

Medium

12 min

21K

Machine learning*Studying in ITStart-up developmentIT careerArtificial Intelligence

Tutorial

Привет, Хабр!
Меня зовут Данил Картушов, в этом посте я расскажу, почему и как именно pet-project'ы могут стать ключом к вашей карьере.
Надеюсь, что после этого поста ты сможешь раскрыть свой потенциал к обучению и по-новому взглянуть на процесс обучения.

📖 Предисловие

Помнишь мем о том, что в IT невозможно попасть без опыта, то новичкам места нет и после университета остаётся только путь на завод?

И ты знаешь, в каждой шутке есть доля правды. В наше время недостаточно пройти даже десяток курсов. Можно и не найти работу, ведь требуется приложить колоссальные усилия, делать гораздо больше, чем просто решать задачки на семинарах и смотреть лекции.

Конечно, решение отдельных задач — это отличный способ освоить конкретные навыки. Но, занимаясь только этим, ты как будто собираешь кубики лего или детали пазла без единого плана. Ты упускаешь важную составляющую — понимание взаимосвязи между всеми элементами, композицию!

Ведь на работе ты собираешь или будешь собирать и интегрировать в общую конструкцию, взаимодействовать со всей системой. Но как же быть, если на работу тебя еще не взяли, но и опыта после курсов еще нет?

И вот тут-то на сцену выходят pet-проекты — это твоя мини-версия будущей работы или альтернативного пути, где ты можешь испытать себя в роли тимлида, исследователя или разработчика. Ты можешь представить свой проект на конференции или превратить его в свой стартап!

Представь уровни погружения в знания как треугольник Маслоу. Звучит необычно? Но посмотри, как это работает:

На первом уровне мы находимся с лекциями. Это верхний слой нашего треугольника, где всё начинается с контекста. Тут работает твоя интуиция, образы, визуал. Ты улавливаешь абстракции, но часто возникают вопросы. Например, как поведет себя модель без определенного параметра или с добавлением регуляризации?
Следующий уровень — семинары. Здесь ты применяешь полученные знания на практике. Это момент, когда теория становится осязаемой, ты её «ощупываешь», подтверждаешь и закрепляешь. По моему опыту, это ключевой этап для запоминания.
Третий уровень привносит кейсы из бизнеса, хакатоны и подобное. Теперь ты не просто знаешь теорию, ты видишь, как она решает реальные задачи в конкретных условиях. Это погружение в контекст, в историю, которая стоит за каждой задачей.
На четвертом этапе находятся пет-проекты. И не просто какие-то, а те, что решают реальные проблемы пользователей, напоминающие микро-стартапы. Это твой шанс попробовать себя в роли создателя, исследовать и применить накопленные знания для решения практических задач.
И, наконец, последний уровень — работа. Нет лучшего способа усвоить навыки, чем применять их каждый день, решая реальные рабочие задачи. Работа дает непревзойденный опыт и понимание, как применять знания на практике.

🛠️ Practice First подход

А ведь действительно можно заметить, как классическое обучение сейчас очень сильно отстает и существует в отрыве от практики. Знаешь тот классический подход в большинстве курсах, он пропускает примерно 50% важной информации. Неудивительно, что многие новички после курсов часто обращаются с вопросами в духе: “А что почитать дополнительно?”, “Какие лекции стоит посмотреть?”, “А этому меня не учили...”.

Это связано с тем, что ты приобретаешь отдельные детали пазла, но не соединяешь в целую конструкцию! Не получаешь подкрепления в виде реального опыта и понимания того, как и когда их применять. Не возникает вопрос: существуют ли альтернативные решения? В конечном итоге теряется важная часть мыслительного процесса и бизнес-контекста.

Я для себя открыл уникальный подход: как минимизировать затрачиваемые усилия и достигать лучших результатов. Иными словами, попытки охватить весь спектр машинного обучения кажутся нецелесообразными. Ведь когда возникает потребность в конкретном знании или инструменте, например, в линейной регрессии или понимании механизма Self-Attention, ты непременно столкнёшься с этим на практике. Именно тогда и появляется время для изучения, которое становится приоритетной задачей. Погружение в детали в такой момент позволяет усваивать информацию наиболее эффективно.

Я называю это Practice First подход, но ты можешь предложить в комментариях свой вариант!

Этап 1 — Сфокусируйтесь на проблеме. Представим, что интерес к изучению NLP возник не на пустом месте. В первую очередь стоит разобраться, какие актуальные задачи может решить NLP.
Этап 2 — Переходите к действию. Несмотря на кажущуюся очевидность, важно начать решать проблему практическим путем. Это дает ясность в том, какие шаги предпринять дальше.
Этап 3 — Столкновение со сложностями. В процессе работы наверняка возникнут моменты, когда будет ощущаться недостаток знаний. Именно тогда и проявится необходимость в теории, указывая на то, что следует изучить для преодоления препятствий.

Знаешь если ты действительно хочешь освоить этот навык я в конце приложу еще материалы, что бы ты мог лучше разобраться в анализе ошибок и practice first подходе.

🏆 Успешный успех Пет-проектов

Знаешь, мне очень нравится одна фраза, которая действительно заставляет задуматься:

Хороший проект — это ваш будущий стартап.

Но давайте разберёмся, почему именно? Если мы берём на себя решение какой-то проблемы, то почему бы не предложить её решение пользователям? В конце концов, именно это и отличает успешные стартапы: они решают реальные проблемы реальных людей.

Классические пет-проекты, с которыми я сталкивался, отличаются от большинства начальных этапов стартапов именно наличием конкретной проблемы, на решение которой они направлены.

В отличие от стартапов, которые быстро разворачивают новые функции, стараются быть удобными для пользователя и обладают высокой гибкостью, пет-проекты не несут прямой обязанности результативности, однако могут эволюционировать в стартап при наличии упорства и правильном подходе к развитию.

Корпоративная среда имеет свою уникальность — четкие бизнес-требования и специализация создают определенные рамки и ограничения, выйти за которые часто невозможно. В то же время, пет-проекты представляют собой прекрасную возможность для тех, кто стремится исследовать новые горизонты в своей профессиональной деятельности.

🚀 Этапы пет-проекта

Мы наконец то дошли до практической части и с этого момента, я расскажу тебе о том как на мой взгляд действительно должно происходить формирование пет-проектов.

Поиск проблемы и проблематики — многие, особенно новички, упускают этот важный момент. Наличие проблемы — это уже большой успех. Это означает, что есть задача для решения и аудитория, которая сталкивается с этой проблемой и, возможно, готова платить за её решение. Принцип “What? Why? How?” может оказаться здесь очень полезным.
Идея и систем дизайн — кследующим шагом является поиск идей и решений, а также составление и поддержка дизайн документа на протяжении всего проекта. Дизайн-документ позволит предвидеть будущие проблемы, как некий roadmap, и создать единое видение проекта в команде. Также рекомендуется создать Customer Journey Map и User Story Mapping.
CustDev и PoC — Затем необходимо опросить людей о наличии проблемы и необходимости её решения. Важно выяснить, с чем сталкиваются эти люди. А с чем сталкиваются эти люди. Создайте Proof of Concept, например в Jupyter или с использованием GPT, чтобы проверить осуществимость решения.
MVP и проверка гипотез — После этого создается минимально жизнеспособный продукт (MVP), который уже могут использовать люди. На этом этапе можно проводить A/B тесты, опрашивать пользователей и тестеров, проверять различные гипотезы.
Запуск Пилота — Пилотный проект представляет собой законченную деятельность с подтвержденной основной гипотезой. Это проект, который уже можно смело показывать публике. Однако всегда есть возможность находить новые гипотезы и идеи в рамках проекта.
Продвижение — Отличным заключительным этапом будет рассказать о своем проекте. Выступить на конференции, написать статью на Хабре и так далее. Возможно, именно с этого момента к вам начнут поступать интересные предложения о работе!

Организация github/gitlab

Организация репозитория проекта на начальном этапе играет ключевую роль. Если твой проект будут рассматривать другие, то крайне важно, чтобы он был понятным и воспроизводимым.

Сегодня уже становится базой, что на собеседованиях могут задавать вопросы на основе твоего GitHub профиля или резюме. И если управление версиями и работа с репозиториями еще не стали частью твоей повседневной рутины на работе, скоро это обязательно произойдет!

Вот несколько моих личных шагов, которые я регулярно выполняю при создании репозитория. Делясь ими, я как бы отдаю часть своего сердца:

ReadMe

Одним из ключевых элементов, по которому можно оценить проект, является файл ReadMe. Лично мне нравятся сдержанные ReadMe, которые одновременно содержат всю необходимую информацию.

Вот рекомендации, что должно быть в твоем ReadMe, чтобы оно было максимально информативным и полезным:

Название и используемые инструменты в хот баре, чтобы наглядно показать, какие технологии и инструменты применялись в проекте.
Описание проекта: здесь важно ответить на вопросы: Что это за проект? Для кого он создан? Зачем он нужен? Такое описание поможет быстро дать понять суть проекта потенциальным пользователям и коллегам.
Инструкция по установке: подробно опиши процесс установки проекта. Для разработчиков (dev, contributor) желательно предоставить отдельные инструкции, включая особенности установки зависимостей, настройки среды и т.д.
Ссылки на документацию, поддержку и контакты для связи: укажи, где можно найти дополнительную информацию о проекте, как получить поддержку и куда обращаться с вопросами. Это упростит коммуникацию с пользователями и другими разработчиками.

Структура

Если ты посмотришь большинство крупных опенсорс проектов. то увидишь, что по большому счету они одинаковые по своей структуре.

ML_project/
│
├── data/                   # Директория для хранения данных
│   ├── raw/                # Исходные данные, необработанные
│   ├── processed/          # Обработанные данные, готовые для обучения моделей
│   └── external/           # Внешние данные, например, из других источников
│
├── docs/                   # Директория для документации и файлов проектирования
│   ├── systemdesign.md     # Систем дизайн документ
│   └── *docs/              # Папка или файлы с документацией в формате .md
│
├── notebooks/              # Jupyter notebooks для исследований, прототипирования
│
├── src/                    # Исходный код проекта
│   ├── __init__.py         # Инициализация Python пакета
│   ├── data                # Скрипты для обработки данных
│   │   └── make_dataset.py
│   ├── features            # Скрипты для генерации признаков
│   │   └── build_features.py
│   ├── models              # Модели, включая скрипты обучения и оценки
│   │   ├── train_model.py
│   │   └── predict_model.py
│   └── visualization       # Скрипты для визуализации данных и результатов
│       └── visualize.py
|
├── tests/                  # Тесты для проверки кода
│
├── environment.yml         # Конфигурация среды (например, для Conda)
│
├── Dockerfile              # Для создания Docker-контейнера проекта
│
├── .gitignore              # Список игнорируемых git файлов и папок
│
├── requirements.txt        # Список зависимостей Python для pip
│
└── README.md               # Описание проекта, инструкции

Ведение веток

Активное использование Git может стать твоим надежным помощником в разработке. Он не только позволяет откатывать изменения, если что-то пошло не так, но и облегчает работу с проектом за счет ветвления и слияний.

Вот несколько советов, как эффективно использовать Git:

Используй ветки: они позволяют тебе работать над различными аспектами проекта параллельно. Например, при разработке новой функции создай ветку с именем dev/feature_name. Если тебе нужно исправить ошибку, назови ветку fix/object_name. Это поможет поддерживать порядок и четкость в управлении проектом.
MR и PR: Merge Requests (в GitLab) и Pull Requests (в GitHub) — это мощные инструменты для обзора кода и внесения изменений. Они позволяют другим участникам проекта просматривать, обсуждать и одобрять внесенные тобой изменения перед тем, как они будут включены в основную ветку проекта.

Если тебя интересуют более продвинутые стратегии работы с ветками в Git, в конце я оставлю тебе ссылку на дополнительные материалы!

Github actions

Теперь, когда ты начал активно использовать ветвление и Git, благодаря советам умного человека, перед тобой открываются возможности, предоставляемые github actions. Этот инструмент позволяет автоматически выполнять различные действия в твоем проекте при событиях push и merge/pull request.

При выполнении действий, которые ты укажешь для определённых веток (например, при dev/* или *fix/**), будут запускаться тесты на воспроизводимость, а также линтеры и форматтеры кода. Кроме того, при каждом MR в ветку main к этому могут добавляться дополнительные действия, такие как публикация пакета.

Подробнее про это ты можешь узнать погуглив CI/CD

Воспроизводимость

Poetry — это один из удобных инструментов для управления зависимостями и пакетами в проектах на Python, обеспечивающий удобное версионирование. Poetry позволяет легко устанавливать пакеты и управлять ими для различных версий Python.

Pyenv — великолепно дополняет Poetry. Pyenv может локально установить нужную версию Python или определенный снапшот исключительно для вашего проекта, обеспечивая необходимую версию среды исполнения.

Docker — незаменим для контейнеризации. Docker гарантирует, что ваш проект будет собран и запущен в изолированной среде, тем самым исключая возможные проблемы совместимости с операционной системой.

Читаемость кода

Названия функция и аргументов — распространённая ошибка заключается в использовании непонятных или абстрактных наименований для функций. Название функции должно отражать её назначение или содержимое объекта. Избегайте использования слишком общих обозначений типа i, x, c, b, param, func и т. п.

Докстринги — не менее важной частью являются докстринги. Это подробное текстовое описание, документация ваших функций и классов. Они необходимы, во-первых, для автоматизации документации, во-вторых, для удобства других разработчиков. По традиции, как и многие, я использую формат докстрингов Numpy.

Линтеры и форматтеры — учитывая, что невозможно помнить все правила PEP8, руководства по стилю numpy и прочие, были разработаны линтеры и форматтеры. Они автоматизируют процессы проверки качества кода и могут исправлять большинство ошибок. Недавно я начал использовать Ruff, который объединяет в себе множество полезных функций.

Документация

Всем известно, насколько удобно быстро прочитать докстринги к коду, однако это всё ещё не делает документацию полноценной. Согласитесь, было бы значительно удобнее иметь под рукой своеобразную книгу, где подробно изложены инструкции по сборке проекта. В такую книгу можно было бы включить информацию о взаимодействии с API, базами данных, а также дизайн-документацию и многое другое.

Для создания и управления такой документацией существует несколько инструментов:

Sphinx— мощный инструмент, созданный специально для документирования кода, который поддерживает генерацию множества форматов вывода из reStructuredText.
MkDocs — инструмент, позволяющий создавать документацию из Markdown-файлов с легкостью и простотой.
GitBook — платформа для создания красивой документации, которая интегрируется с Git, позволяя легко обновлять и синхронизировать содержимое.

💪 Мотивация

Найти ментора
Найди кого-нибудь из мидлов или сеньоров, кто хорошо разбирается в нише вашего проекта, и попроси его раз в месяц или две недели проводить для вас код-ревью и давать обратную связь.
Где найти ментора?
Всё достаточно просто — финалисты хакатонов, чаты, сообщества, митапы, авторы телеграм-каналов. Можешь даже мне написать!
Как это поможет в мотивации?
Теперь у тебя есть кнут и пряник от ментора: твой труд подкрепляется обратной связью (которую тоже нужно уметь давать). Ты активируешь дофамин! В приложении оставлю ссылку на лекцию про dopamine mindset & control motivation.
Работать в команде
Некоторые проекты лучше и интереснее делать вместе. Это позволяет освоить работу в команде, распределить роли и ускорить выполнение проекта, проводить кросс-ревью. В итоге появляется больше идей.
Сколько в идеале должно быть людей в команде?
По моему опыту, идеальный состав — это 3-5 человек. Так никто не останется без работы.
Как распределять задачи?
В рамках обучения наиболее эффективно давать задачи тому, у кого меньше всего знаний по проекту, а проверять — человеку с наибольшими знаниями. Так ты закрываешь нижний порог знаний. Также советую использовать метод MoSCoW для распределения приоритетов, что сильно поможет вашей команде!
Взаимодействовать с пользователями
Проводите CustDev, проверяйте гипотезы. Пользователи подскажут новые локальные проблемы и интересные направления для проектов. Это бесконечный цикл решения проблем и оптимизации старых процессов, создания новых функций. Твоя главная метрика — это мнение и комфорт пользователей.
Рассказать о своем проекте общественности
Не ограничивайтесь только пользователями. Попробуйте рассказать о своем проекте на конференциях, в социальных сетях, на Хабре. Так ты можешь получить мнение более квалифицированных людей и др.

🔍 Как это все поможет найти работу?

Резюме

Если ты всё ещё не умеешь правильно составлять резюме, то вот тебе гайд. Важно грамотно оформлять результаты по правилу XYZ: "Делал X с помощью Y и получил Z".

Часто вспомнить и сформулировать результаты работы бывает сложно — мы не привыкли фиксировать результаты, в команде это не обсуждается или просто забывается из-за прошедшего времени. Попробуй обратиться к коллегам за инсайтами и конкретными цифрами. Также можно перечислить все свои задачи и указать, к каким результатам они привели. Иногда озарение приходит и при чтении чужих резюме — поищи в LinkedIn, чтобы вдохновиться, как другие описывают свой опыт.

Всё это нужно уметь грамотно оформить на английском языке по формуле XYZ, которая в одном предложении звучит как «Accomplished [X] as measured by [Y], by doing [Z]». Где X — это всегда глагол действия: Managed the project, Led a team of, Grew revenue, Developed a tool... Y обозначает количественную или качественную меру: resulting in, which improved engagement by _%, that reduced testing time by _%... А Z выражает, как именно были достигнуты такие результаты: by working with..., optimizing sales process, conducting situational analysis.

❗Важно, когда пишешь о результатах, использовать метрики:

Удалось улучшить Recall на 20%.
DAU вырос на 200 человек.
И так далее.

Существуют так-же различные чаты по оценке резюме

Сингулярити (и другие, например, сообщества ODS).
Чаты по вакансиям.
Отправить HR, с которым ты уже знаком или ранее сталкивался.
Отправить руководителю отдела или кого-либо из профессионалов в интересующей тебя сфере.

📚 Послесловие

Спасибо, что дочитал до конца! Я надеюсь, твой проект получится действительно крутым, обязательно делись своими результатами в комментариях.

Если тебе действительно понравился такой контент, подписывайся на мой телеграм-канал. Там я публикую разборы различных архитектур ML-моделей и просто интересные находки в области RecSys, Gen AI, NLP, LLM. В общем, это канал о моём пути в 99-й квантиль ML-инженеров! Пиши, не стесняйся ✌️