Я проанализировала 30+ резюме американцев, которые получили оффер, и вот что я узнала. Американские резюме не сравнятся по красоте с нашими. Наши резюме, созданные внутри русскоязычного IT-сообщества, часто представляют собой шедевры переоптимизации. Каждая строчка выверена до идеала: жесткие метрики, сильные глаголы действия и ключевые слова под фильтры ATS. Кандидаты пытаются доказать свою сверхэффективность, описывая каждый проект так, будто они в одиночку спасли бизнес от банкротства. Текст получается безупречным, но абсолютно механическим. Типичный буллет из «нашего» резюме выглядит так:

Orchestrated the end-to-end migration of 15+ legacy microservices to AWS, leveraging Infrastructure as Code to slash infrastructure costs by 35% and optimize system availability to 99.99%.

Резюме локальных американских специалистов, получивших офферы на позиции Senior-уровня, выглядят иначе. На первый взгляд они кажутся слишком простыми и даже небрежными. В них нет перегруженных конструкций. Вместо агрессивных попыток продать себя через выдуманные проценты эффективности там присутствует спокойный сторителлинг. Американцы описывают свой опыт обычным языком, объясняя контекст работы, зону ответственности и то, как они взаимодействовали с командой. Тот же самый опыт американец опишет следующим образом:

Migrated legacy microservices to AWS using Terraform. This eliminated system downtime during deployments and reduced monthly infrastructure spend.

В итоге возникает замкнутый круг. Иностранный кандидат получает отказ, считает свое резюме недостаточно идеальным и полирует его еще сильнее. Текст становится еще более пластиковым. Американский рекрутер видит в этом работу ChatGPT или попытку фальсификации опыта, поэтому снова отклоняет кандидата. В это же время местный специалист проходит скрининг благодаря понятному человеческому стилю и четкому описанию рабочих процессов. Рынок труда в США перенасыщен роботизированными профилями. Чтобы выделиться, иммигрантам нужно перестать бесконечно докручивать цифры и вернуть в свои резюме индивидуальность и простоту. Как вы считаете, где проходит грань между хорошей адаптацией опыта под рынок США и избыточным, искусственным вылизыванием текста?

Очень лениво заниматься абсолютно всем. То ли я выгорел, то ли вконец офранцузился, то ли просто начинаю стареть — так или иначе, браться за любую задачу максимально влом. Тем не менее, есть три задачи, до которых, возможно, в ближайшие пару месяцев у меня дотянуться ручки: 1) Сделать лидерборд современных моделей по FLORES+, наподобие того, что мы недавно сделали для BOUQuET — чтобы для языков, добавленных во FLORES, но не вошедших в Букет, тоже была оценка наилучших доступных моделек. 2) Попробовать обучить свою COMET-подобную модельку для оценки качества перевода (настолько мультиязычную, насколько можно) и поучаствовать с ней в WMT2026. 3) Попробовать обучить хорошую базовую модель (хотя бы для перевода, а в идеале и для других задач) для нахско-дагестанских языков (чеченского, ингушского, лезгинского, даргинского, аварского). Буду писать, что получилось, по мере прогресса) Если есть желание как-то в этом поучаствовать, или просто дать какой-нибудь совет или просьбу, то пишите)

Как меняется время и работа Можно бесконечно спорить, даёт ли AI прирост в эффективности, но одно очевидно уже сейчас - AI меняет саму структуру работы. Сегодня на философском семинаре вспоминал времена, когда работа включала в себя большой объём рутинных действий. Например, пока готовишь презентацию, долго выбираешь картинки, выравниваешь заголовки, вёрстку, редактируешь и вычитываешь тексты. Сегодня это всё делается одним запросом в чатик с LLM. Кажется, на общем воодушевлении от новых возможностей, мы ещё не осознали, чего лишаемся. Тема сегодняшней встречи была “присвоение времени”, и именно про влияние новой природы работы на время (или, точнее, на индивидуальный темпоральный режим) сегодня стоит подумать отдельно. Рутинные задачи внутри интеллектуально сложной работы обычно давали два бонуса: • позволяли ментально отдохнуть, • давали пространство подумать. Сейчас легко превратиться в оператора языковой модели 24/7 - это режим работы, когда человек не столько выполняет задачу, сколько постоянно обслуживает цикл работы модели: пишет запрос, ждёт, проверяет результат, исправляет, уточняет, снова запускает модель. В таком цикле сложно понять, где работа начинается, где её конец (наверное, когда пятичасовые лимиты заканчиваются). Да и кто из нас не запускал агентов на ночь, не проверял результаты работы во время прогулок? LLM ломают прежнюю темпоральность работы. Вопрос, который сегодня встаёт: что делать в эти 5-15-30 минутные промежутки времени, пока AI выполняет задачу? Эти отрезки времени слишком короткие для глубокой работы, тревожные для отдыха, подвешенные отвлечения. И проблема не в том, как продуктивно использовать паузы пока агент выполняет задачи - а в том, как не поехать кукухой как жить, когда весь наш рабочий день превращается в непрерывную цепочку подвешенных задач и пауз. Джуди Вайсман в книге "Времени в обрез" описывает, как постоянная подключённость, требование быть всегда онлайн, дробит день и повышает общую тревожность. AI выкручивает эту включённость на максимум, потому что сейчас всё сложнее ответить что-то вроде “я отправлю эту презентацию через два дня”.

Далеко идущие цели. Или как за выходные потратить 80% недельной Pro-подписки OpenAI за $200 на экспериментах с /goal. /goal – это режим для AI-агента (я использовал Codex CLI), который позволяет задать агенту цель. Он будет идти до неё, пока не достигнет. Важно, что перед финальным ответом, агент вернётся к исходной цели и перепроверит, а точно ли он её достиг? Как сделать так, чтобы AI-агент мог работать над задачей по-настоящему долго? Мы должны задать следующее: 1. Конечный результат. Чем подробнее – тем лучше. 2. Критерии, описывающие, что такое "готово". 3. Какие у модели есть ограничения. Ключевой пункт на самом деле. Потому что он создаёт для модели feedback-loop. 4. Инструменты, с помощью которых соблюдение ограничений можно проверить. Как это можно организовать на практике: 1. Идём в GPT-5.5 Pro. 2. Надиктовываем ему детально идею проекта, который хотим реализовать. 3. Сообщаем, что сейчас будем собирать детальное ТЗ, которое нужно сразу записывать в md-файлы для подготовки итогового zip-архива (чтоб не потерял ничего по пути). 4. Просим провести с собой глубокое интервью (с вариантами ответов и подсветкой правильного по мнению модели – так проще проходить опрос на 100 вопросов), чтобы вы с GPT понимали детали реализации на 100% одинаково. 5. Далее, опционально, можно уточнить "А будет ли готово к продакшну то решение, которое сейчас описано в ТЗ?". И получить ещё пачку вопросов в интервью с вариантами ответов, чтобы подсветить другие аспекты проекта. 6. Разбиваем с помощью GPT ТЗ на конкретные задачи. Выполнение каждой должно быть проверено через запуск тестов. Unit+автотесты+playwright для UI-тестов. Это те самые ограничения, которые обеспечивают feedback-loop после каждой задачи. 7. На базе сформированного архива просим сделать `/goal`-промпт, который будет ссылаться на md-файлы внутри архива (ибо ограничение в 3000 символов на `/goal`). 8. Готово. После прохождения всех описанных выше этапов – я получил 26 часов работы в /goal-режиме на выполнение 400+ задач по реализации проекта. Схема достаточно общая. Посмотреть на долгий /goal она позволит. Получение production-ready продукта не гарантировано. Придётся напильником доводить до того, что нужно. Есть моменты, в которых её можно улучшить. Например, более суровый feedback-loop и описание каждой из задач в определённом формате. Про свои находки в этих (и других) направлениях расскажу в следующих постах.

Помните Sega Dreamcast? Ту самую консоль, которая "опередила время" и ушла слишком рано? Энтузиасты решили, что пора бы раскрыть ее потанцевал и превратить ее в полноценный мини-ПК с Windows CE Desktop. Производительность — ностальгическое слайд-шоу. Но, работает! На приставке с чипом SH-4 200 МГц и 16 МБ ОЗУ появились Проводник, Диспетчер задач, Калькулятор и Часы. Разработчики даже пытаются поднять TCP/IP через Broadband Adapter. Решение стало возможным, так как в 1999 году Microsoft и Sega выпустили Windows CE Toolkit для разработчиков игр, однако сама консоль тогда не работала под этой ОС — урезанная версия 2.12 просто лежала на дисках для отдельных игр, и нынешний проект впервые превращает этот скрытый рантайм в полноценный рабочий стол. Как бы это не стало и нашим будущим с такими ценами на память в мире, где одни станут пользователями, зависимымт облачных сервисов на современных гаджетах-терминалах, а другие технонигилистами, выискивающими старое железо на барахолках, зато с локальным софтом!

В силу своей работы в Okko я всегда с большим интересом читаю статьи от Netflix. Эта показалась мне особенно любопытной - как минимум сама идея. Главная страница Netflix представляет собой двумерную сетку: горизонтальные полки и айтемы внутри каждого. В базовом варианте главная собирается мультистадийно: отдельно ранжируются коллекции, отдельно - элементы внутри них, и далее все это сшивается по базовым правилам. Зачастую у каждой стадии своя модель и свой таргет - между ними нет связи: нельзя модельно определить, если верхний row уже содержит новинки, значит в следующем нужно подобрать нишевый контент. Отсюда идея GenPage: Towards End-to-End Generative Homepage Construction at Netflix: пусть всю страницу формирует одна авторегрессионная модель. Промпт - история и контекст юзера, ответ - вся страница целиком: row_id, item_id и их порядок в одном сиквенсе. Тогда каждое следующее предсказание принимается с оглядкой на все, что уже простроено на странице выше - ровно та связность, которой нет в классическом варианте. На этапе претрейна обычный next-token prediction. В обучающих цепочках лежат показы с позитивной интеракцией с главной страницы - таким образом модель уже на этапе предобучения начинает понимать специфику формирования main page. Дообучение представлено в двух вариантах. Первый, Weighted Binary Classification, смотрит на каждый показанный айтем на главной по-отдельности: если полный досмотр - большой вес, если watch time небольшой -  вес меньше. Модель учат для каждой позиции оценивать, насколько ценно поставить туда именно этот айтем. Правда такой подход все еще не решает проблему совместного формирования главной. Второй вариант (через офлайн RL) оптимизирует reward всей страницы целиком. Сначала обучают отдельную модель, которая предсказывает, насколько хороша любая сгенерированная страница. Регрессионная модель обучается на таргет суммы зависящих от watch time reward значений (досмотр до конца - большой плюс, скип - большой минус). Дальше для одного юзера сэмплируют несколько кандидатских страниц и оптимизируют модель с учетом такой прокси оценки reward. В АБ подход с WBC дал статзначимый прирост неназванной метрики engagement +0.24% и заодно оказался на 20% быстрее, из-за того что выкинули несколько стадий ранжирования, плюс авторегрессионно предсказывают только часть айтемов, оставшиеся - одним forward pass. RL в АБ не завели, утверждают что на офлайн оценках растет разнообразие и средний reward. Что имеем по итогу? Техрепорта конечно ждать не стоит, как и подробностей реализации. Результаты не прорывные и выглядят немного наспех собранными - не довели RL модель до АБ, хотя это такая же обученная модель в офлайне, подозреваю что в АБ-тесте просто были плохие метрики. Опять же, мне откликается идея генеративного UI на основе персонализации, ведь на стриминговых площадках обложки айтемов это и есть по сути главный визуал. Таким образом можно улучшать не только качество рекомендаций, но и пользовательское восприятие сервиса.

Пробежал 007 First Light Всё не хотел писать, пока не распробую тактический режим. В итоге решил, что напишу про него отдельным постом, а здесь именно про сюжетную часть игры. Это очень хорошее линейное приключение, где много чего взяли от серии Hitman, много чего из взятого улучшили, и добавили немало своего. Для меня "Первый свет" точно является кандидатом на лучшую игру года и ещё раз доказывает, что действительно классно сделанные линейные игры с историей всегда будут в полном порядке. В игре в принципе не так уж и много механик, но все они хорошо проработаны, поддержаны дизайном миссий и геометрией уровней, дизайном энкаунтеров, поэтому их более чем хватает. Возможно самую малость затянули ближе к концу, когда ты уже понимаешь, что отдельные части боёвки начинают повторяться, но разве что чуть-чуть. Даже в последних двух миссиях есть интересные моменты по задачкам и боям, которые не встречались до этого, с новыми механиками и противниками. Пожалуй, самое главное, что удалось игре, это создать живого и интересного персонажа, которому хочется переживать. Скорее всего, Бонд от IO останется с нами на некоторое время, чему можно только порадоваться. По левел дизайну нет каких-то прям вау моментов для меня (как в той же Pragmata), но всё сделано очень крепко, игрока ведут за руку по локациям там, где это нужно, отпускают, где можно это сделать и всё это очень кропотливо и системно реализовано, с вниманием к деталям и разным игровым ситуациям. Довольно хорошо реализованы уровни под разный игровой стиль: стэлс поддержали, насколько было возможно, можно играть просто в бодрый боевичок. На среднем довольно щадящая сложность и нет каких-то мест, где можно подзастрять, что логично, так как проект явно желает выйти на более широкую аудиторию. Отдельно отмечу очень хороший аудио дизайн: всегда слышно, где находятся противники, где кто в тебя стреляет, куча обратной связи на любой локации в любой момент времени. Очень хорошо сделанные хабы, их в игре несколько, гулять и изучать по каждому одно удовольствие. Здесь всегда есть разные небольшие задания или просто нарративные моменты для создания атмосферы. Из минусов, пожалуй, есть некоторые логические несостыковки в сюжете и реакциях Бонда на отдельные моменты, которые кажутся притянутыми за уши, но их не так уж и много, на мой взгляд. А, и в игре очень классно завернули туториал в сюжет, и сами механики очень хорошо преподносятся игроку. Один из лучших туториалов, что я видел в играх от третьего лица в принципе. Если интересны хорошие приключения от третьего лица, 007 First Light это однозначно та игра, на которую стоит обратить внимание. #пробежал #gamedesign #leveldesign #narrative #007FirstLight #FirstLight #мнение

Как когнитивные особенности людей ограничивают творческие способности Пост можно использовать, как экспертную шпаргалку при работе с людьми – когда они говорят "нет идей! нет решений!" Самое красивое в этом тексте – примеры, они под пинами ниже 😁🫶 Фиксация – хорошо задокументированное явление в человеческом творчестве. Возникает, когда люди склонны полагаться на доминирующее ментальное представление или знакомый путь решения во время генерации идей Эта тенденция может развиваться со временем в ходе сессии генерации идей, ограничивая исследование альтернатив (Лучинс, 1942) Десятилетия когнитивных исследований выявили два основных механизма возникновения фиксации (1) эффект частичного списка подсказок, когда первоначальная активация подавляет активацию связанных понятий (Сламецка, 1968, Роедигер, 1973) Ментальная модель каждого может препятствовать разнообразию идей, тк первоначальные идеи могут сужать пространство ментального поиска, усиливая определенные ассоциации и блокируя альтернативные пути (2) эффект бессознательного плагиата, при котором внешние примеры активируют определенные понятия, на которые люди непреднамеренно и неосознанно полагаются (Johnson et al. 1993, Schacter 1999) Например, когда людей просят создать новые несуществующие слова, они неосознанно включают в них особенности примеров, приведенных в инструкции (такие как количество слогов или окончание на одну и ту же букву), даже когда их явно просят избегать использования этих особенностей (Marsh et al. 1999) И крутых примеров пачка: 📌 Когда студентам показывают рисунки других людей перед выполнением творческого задания, они становятся гораздо более склонны включать конкретные особенности этих примеров в свою собственную работу, вместо того чтобы исследовать принципиально иные подходы (Dahl and Moreau 2002) 📌📌 Разработчики продуктов, которым показывают примеры существующих продуктов, генерируют меньше и менее новых идей, поскольку эти примеры активируют определенные ментальные схемы, которые ограничивают исследование знакомыми структурными формами (Smith and Blankenship 1991, Smith et al. 1993, Luo and Toubia 2015). 📌📌📌 Люди, добившиеся успеха в прошлом, как правило, генерируют менее разнообразные последующие идеи, потому что они фиксируются на особенностях своих ранее реализованных идей – Bayus (2013) 📌📌📌📌 Эксперты особенно подвержены фиксации, поскольку их глубокие знания стабилизируют их ментальные модели, снижая гибкость по сравнению с новичками (Dane 2010, Luo and Toubia 2015) Отсюда

Заметки на полях Переманивание «звезды» часто разрушает и звезду, и новую команду Компании предполагают, что результаты принадлежат человеку. Поэтому они покупают сотрудника, который добился успеха в другом месте, и ожидают автоматического переноса его эффективности. Но вместе с человеком не переносятся отношения, доверие, доступ к информации, взаимопонимание с коллегами, процессы. В результате эффективность звезды снижается, новая команда вынуждена перестраиваться вокруг неё, возникает внутреннее неравенство, другие сильные сотрудники демотивируются, производительность команды может упасть. Далее звезде говорят настроить работу и процессы. То есть от «звезды» ожидают, что она самостоятельно воссоздаст организационную среду, которая раньше формировалась годами и зависела от десятков людей. При этом ей часто не дают: - достаточных полномочий; - времени на диагностику; - права менять состав команды; - поддержки функциональных руководителей; - доступа к критическим данным… Получается ловушка: человека наняли как носителя готового решения, хотя он был лишь частью работавшей системы. А когда перенести результат не удаётся, провал объясняют его личной несостоятельностью. Так вот если вы - тот самый «звёздный» сотрудник, главная ошибка - зайти в компанию в роли спасителя: «Я уже знаю, как правильно. Сейчас принесу процессы из прошлой компании и всё починю». Не нужно поддерживать миф, будто прошлый результат был исключительно вашей заслугой. Это создаёт завышенные ожидания, которые позднее обернутся против вас. Правильная позиция другая: Я не переношу готовую систему. Я умею диагностировать систему, находить ограничения и строить новую конфигурацию под конкретный контекст. Полезный документ: Исходное состояние → ключевые ограничения → гипотезы изменений → необходимые условия → ранние индикаторы прогресса. Стоит насторожиться, если компания говорит: «Полномочия появятся, когда вы докажете результат». «Команду менять нельзя, но результат нужен другой». «Процессы можете менять, только никого не расстраивайте». «CEO поддерживает изменения, пока они не затрагивают его решения». «Сделайте как в вашей прошлой компании». «Нам нужен быстрый результат, диагностика не нужна». «Вы сильный человек, сами договоритесь со всеми». «Формального бюджета нет, но вы должны проявить предпринимательский подход».

Сад будущего: Izestee выпустили прозрачный аэропонный горшок за $89 Бренд Izestee представил компактную домашнюю систему аэропоники, которая полностью отказывается от использования почвы. Растения в этом гаджете развиваются в специальной прозрачной камере, а их корневая система буквально висит в воздухе. Вместо традиционного полива внутрь устройства подается мелкодисперсный туман, насыщенный водой и всеми необходимыми минеральными веществами. Такой метод позволяет корням получать питание максимально равномерно и эффективно, ускоряя рост. Кроме того, благодаря прозрачному корпусу, пользователи могут в деталях наблюдать за развитием корневой системы. Стоимость инновационного девайса на старте продаж составляет от $89 до $99, в зависимости от выбранной комплектации и торговой площадки.