Нужен ли ШАД, чтобы попасть в ML

Нужен ли ШАД, чтобы попасть в ML Попросил выпускника-«старичка» рассказать о своих мыслях по поводу ШАДа. С некоторыми тезисами я не согласен, а другие требуют уточнений. Но решил поделиться как есть. Короче, не судите строго! Дальше слегка обработанный текст нашего выпускника. В ML я пришёл около десяти лет назад. Хайпа вокруг ШАДа тогда почти не было: сильному студенту хватало немного подтянуть матан, чтобы поступить. Сейчас я работаю в Яндексе, в команде речевых технологий. Почти каждый мой стажёр однажды спрашивает: «Идти ли в ШАД?» — хотя на самом деле его волнует другое: «Если поступлю, меня точно возьмут на джуна/миддла?» Я сам через это прошёл: поступил, отучился, а теперь провожу собесы. По кандидатам быстро видно, кто действительно учился, а кто вписал ШАД в резюме в надежде, что диплом никто не спросит. Бывает и наоборот: человек без ШАДа знает и умеет больше выпускника. Поэтому давайте честно разберёмся, где польза, а где миф. Ожидания vs Реальность Многие представляют так: два года интенсивной работы, а потом диплом, с которым берут куда угодно. За пределами Яндекса его у меня не спросили ни разу. Работодателю важно, что ты умеешь, а не где учился. Хотя строчка в резюме всё равно работает, как и сильный техвуз: её замечают. Внутри Яндекса картина другая. Многие руководители сами выпускники, кто-то преподаёт. Они знают программу изнутри, поэтому к твоей базе относятся с другим уровнем доверия. Но и здесь диплом только открывает дверь. Дальше смотрят, как ты решаешь задачи. По-настоящему ценное в ШАДе — не бумажка, а три вещи, которые в одиночку получить куда сложнее. 1. Фундамент Поступал я на третьем курсе, уже работая стажёром, и был уверен, что в ML разбираюсь. По меркам того времени так и было: табличные модели, метрики, первые статьи. Сегодня это уровень вводного курса. Первая же домашка всё расставила по местам. Объяснить, почему логрег минимизирует именно такую функцию потерь, я не смог. Пользоваться инструментами умел, а их устройства не знал. Окупилось это через полгода. Модель в проде начала вести себя странно, и я нашёл причину, а не крутил гиперпараметры наугад, как раньше. Умение не просто запустить, а объяснить, почему работает — и есть главный результат учёбы. 2. Нагрузка (и навык планирования) ChatGPT тогда не существовало, всё писали руками. Сейчас списывать у нейронок там тоже не дают. Как я научился выдерживать этот темп, лучше покажу на примере. Первый семестр, октябрь. На работе нужно пересобрать выборку и переобучить модель к демо в четверг. На ту же неделю выпадает дедлайн по домашке, которую я, конечно, отложил. Предупредить лида мне даже в голову не пришло: сам взялся совмещать, сам и выкручивайся. Три ночи подряд сидел над задачами до четырёх утра. Днём собирал пайплайн на автопилоте. Четверг, демо. На графике прирост почти в десять пунктов. Лид долго смотрит на него, потом спрашивает, как я делил данные. Оказалось, при пересборке часть теста попала в трейн. Весь прирост был утечкой. Заметить её свежей головой было бы делом пяти минут. На демо сидел продакт, так что краснел я при свидетелях. Домашку в итоге тоже сдал на тройку: к третьей бессонной ночи голова уже не варила. Вечером лид позвал меня поговорить. Вопрос был один: почему я молчал? Спринт он спокойно бы перестроил, а учёбу считал хорошим вложением и готов был под неё подстроиться. Договорились так: в дни занятий я ухожу раньше, о дедлайнах предупреждаю заранее. Легче не стало, но я кое-что понял. Выдерживать нагрузку — значит не геройствовать ночами, а планировать и вовремя говорить, где не успеваешь . Это навык, который потом не раз спасал меня в работе. 3. Люди Это недооценивают сильнее всего. Мои однокурсники теперь работают во многих ML-командах, с которыми я пересекаюсь. Когда хочу узнать, как соседи решали похожую задачу, я не пишу в общий чат. Я пишу тому, с кем полгода сидел над домашками до двух ночи. А про новые вакансии слышу раньше, чем их публикуют. Так стоит ли идти? Да, если хочешь понимать модели, а не только пол