Pascal Janetzky провёл в машинном обучении 8,5 лет. За это время он сформулировал пять факторов, которые определяют профессиональный рост и успех проектов. Технические навыки - база, но долгосрочный результат строят терпение, здоровый оптимизм, дисциплина, правильно выбранный проект и хорошая команда. Эта статья - адаптация его выводов для русскоязычного ML-сообщества, где информационный хаос добавляет сложности каждому из этих пунктов.
Почему технических навыков недостаточно: контекст 8 лет в ML
Janetzky не отрицает важность технической экспертизы. Он указывает на другое: после определённого порога компетенций дальнейший рост определяют не новые фреймворки, а человеческие качества и окружение. За 8,5 лет он видел, как сильные инженеры выгорали на нестабильных проектах, а средние специалисты выдавали прорывные результаты в здоровой командной среде.
Пять факторов, которые он выделяет, универсальны. Они работают в академических исследованиях, в индустриальной разработке и в стартапах. Разница лишь в том, как именно они проявляются. В академии терпение - это способность пережить четвёртый reject статьи. В индустрии - готовность переписать пайплайн данных, когда заказчик в пятый раз меняет требования. В стартапе - умение не бросить продукт после трёх месяцев без значимого роста метрик.
Разберём каждый урок с практическими инструментами, которые можно применить сегодня.
Урок 1: Терпение - как пережить отказ и довести проект до топ-конференции
Janetzky приводит личный пример: его статью отклоняли несколько раз, прежде чем она попала на топ-конференцию. Каждый reject приносил новую порцию обратной связи. Вместо того чтобы бросить работу, он фиксировал замечания рецензентов, дорабатывал эксперименты и отправлял снова. Результат - публикация, которая без этого цикла итераций осталась бы на уровне сырой идеи.
Acceptance rate на NeurIPS, ICML, ICLR колеблется в диапазоне 20-27%. Это означает, что даже качественная работа с высокой вероятностью получит отказ. Отказ - не оценка вашей компетентности, а стандартный этап процесса. Восприятие отказа как приговора блокирует обучение, которое происходит именно в момент доработки.
Почему отказ - это не приговор, а этап итерации
Обучение нейронной сети - это тысячи итераций gradient descent, где loss не падает монотонно. Он дёргается, плато, иногда растёт. Никто не бросает обучение после первого плато. С исследовательскими проектами та же логика: отрицательный результат - это точка данных, которая указывает направление корректировки.
Практический подход к обработке отказов включает три элемента. Первый - отделение самооценки от результата. Отклонённая статья не означает, что вы плохой исследователь. Второй - систематическая работа с обратной связью: каждый комментарий рецензента превращается в задачу в трекере. Третий - фиксация промежуточных улучшений: даже если статью не приняли, вы получили более чистый код, дополнительные эксперименты, лучшее понимание проблемы.
Инструмент, который помогает выстроить этот процесс - система управления экспериментами. Мы на AI-MANUAL детально разбирали MLflow: полное руководство по управлению экспериментами, где логирование метрик и версионирование моделей превращают хаос итераций в воспроизводимый процесс.
Урок 2: Здоровый оптимизм - вера в процесс, когда метрики не растут
Здоровый оптимизм по Janetzky - это не слепая вера в успех. Это уверенность в своём процессе работы. Когда метрики стоят на месте третью неделю, именно процесс удерживает от паники и хаотичных решений. Вы не думаете «я бездарность», вы смотрите в чек-лист: проверил ли я данные на дрифт? перебрал ли learning rate? запустил ли ablation study?
Процесс, который сам поддерживает оптимизм, строится на трёх опорах. Первая - регулярные ревью прогресса раз в неделю, где фиксируются даже небольшие улучшения. Вторая - маленькие контрольные точки: не «построить State-of-the-Art модель», а «воспроизвести бейзлайн из статьи за два дня». Третья - чек-листы для типовых ситуаций: что делать, если loss не падает, если валидация переобучается, если данные несбалансированы.
На AI-MANUAL мы применяем этот подход при тестировании новых моделей. Первый прогон часто даёт посредственные результаты - модель не заточена под конкретный бенчмарк, промпты требуют адаптации. Вместо вывода «модель слабая» мы проходим чек-лист: разные temperature, few-shot примеры, chain-of-thought. В половине случаев четвёртая-пятая итерация меняет картину радикально.
Урок 3: Дисциплина - фокус на важном в мире, где каждый день выходит новый State-of-the-Art
Сотни новых статей в arXiv ежемесячно. Десятки моделей на Hugging Face. Каждое утро начинается с ощущения, что вы уже отстали. Это FOMO - страх упустить важное, который толкает читать все новости подряд и не оставляет времени на собственную работу.
Стратегия дисциплины начинается с определения приоритетов. Ваш исследовательский фокус - это не всё интересное, а конкретная область, где вы наращиваете экспертизу. Janetzky рекомендует выделять фиксированное время на изучение нового - например, два часа в пятницу. Остальное время принадлежит глубокой работе над текущим проектом.
Техника глубокой работы: блок 2-3 часа без уведомлений, мессенджеров и почты. В этом блоке вы не читаете новости, не смотрите бенчмарки новых моделей, только продвигаете свой проект. Четыре таких блока в неделю дают 8-12 часов чистого прогресса - больше, чем неделя в режиме постоянного переключения.
Как отличить хайп от реального прорыва: простой фильтр для ML-специалиста
Фильтр состоит из четырёх критериев. Первый - воспроизводимость: есть ли код и веса модели в открытом доступе? Статья без репозитория - сигнал ждать, а не бросаться внедрять. Второй - сравнение с сильными бейзлайнами: авторы сравнились с предыдущим SOTA или только с устаревшими методами? Третий - мнение трёх доверенных экспертов в вашей сети: если никто из них не обратил внимания на новинку, вероятно, она не критична. Четвёртый - применимость к вашей задаче: модель, которая улучшила BLEU на переводе, бесполезна для классификации изображений.
На AI-MANUAL мы применяем этот фильтр ежедневно. Из 50 новинок в неделю в базу знаний попадают 5-7 - те, что прошли все четыре критерия. Остальное - шум, который не стоит вашего времени. Подробнее о том, как отсеивать хайп, мы писали в разборе усталости AI-сообщества от хайпа.
Урок 4: Правильный проект - как не выгореть на теме, которая «вот-вот взлетит»
Janetzky выделяет три параметра проекта: новизна, стабильность и соответствие вашим сильным сторонам. Новизна даёт интерес и мотивацию. Стабильность - предсказуемость результатов: вы знаете, что данные доступны, метрика адекватна, инженерная инфраструктура существует. Соответствие сильным сторонам означает, что проект опирается на ваши ключевые компетенции, а не требует навыков, которых у вас нет.
Дисбаланс по любому из параметров ведёт к выгоранию. Проект на сырых данных без инженерной поддержки: стабильность нулевая, каждый день уходит на борьбу с форматами и пропусками, а не на моделирование. Тема, требующая глубокой математики при слабом бэкграунде: вы тратите месяцы на изучение теории и не выдаёте результатов. Проект, который повторяет то, что вы делали последние три года: новизна отсутствует, мотивация падает до нуля.
Пример из практики: специалист по компьютерному зрению соглашается на NLP-проект, потому что «трансформеры везде одинаковы». Через два месяца он обнаруживает, что токенизация, работа с длинными последовательностями и оценка перплексии - это отдельная вселенная, в которой его CV-опыт не даёт преимущества. Проект буксует, сроки горят, мотивация на нуле.
Чек-лист: оцените свой ML-проект за 5 минут
Пять вопросов для аудита текущего проекта:
- Тема вызывает у меня интерес или я делаю это «потому что надо»?
- Данные стабильны и доступны? Я могу получить их завтра в том же формате, что и сегодня?
- Метрика успеха измерима и не зависит от решений третьих лиц?
- Ключевые компетенции для этого проекта - мои сильные стороны или я учусь с нуля?
- Если проект затянется на полгода, я сохраню мотивацию или брошу через два месяца?
Если на вопросы 2-4 вы ответили «нет», проект требует пересмотра условий или передачи тому, чьи компетенции лучше соответствуют задаче. Это не поражение, а грамотное управление ресурсами.
Урок 5: Хорошая команда - среда, где можно ошибаться и расти
Janetzky называет команду самым важным фактором. Его формулировка: среда, где можно ошибаться, не бояться высказываться и комфортно работать. Механизм конвертации такой среды в результаты: психологическая безопасность позволяет запускать смелые эксперименты, быстрые неудачи дают обучение, обучение накапливается и в кризисной ситуации команда выходит в продуктивную зону - не парализована страхом, а действует на основе накопленного опыта.
Признаки здоровой команды: на ретроспективах обсуждаются ошибки без поиска виноватых, младшие специалисты открыто задают вопросы старшим, предложения по изменению архитектуры не воспринимаются как личный вызов. В токсичной среде ошибку скрывают до последнего, вопросы не задают из страха показаться некомпетентным, а любое предложение встречает оборону - «у нас так не принято».
Психологическая безопасность: не модный термин, а условие для инноваций в ML
Исследование Google Project Aristotle проанализировало 180 команд и выявило, что главный предиктор эффективности - психологическая безопасность. Команды с высоким уровнем безопасности чаще предлагали радикальные идеи, быстрее восстанавливались после неудач и в итоге выдавали более высокие бизнес-результаты.
В ML это проявляется особенно остро. Прорывные архитектуры - трансформеры, diffusion models, RLHF - рождались не в вакууме, а в командах, где исследователи могли сказать «а что если мы выбросим рекуррентность полностью?» и не получить в ответ насмешку. Команда, которая боится предлагать изменения, будет аккуратно тюнить learning rate на устаревшей архитектуре и никогда не создаст ничего нового.
Практический инструмент - ретроспективы без обвинений. Формат: что пошло хорошо, что пошло не так, что сделаем иначе в следующем спринте. Обсуждение ошибок фокусируется на процессе, а не на людях. Не «Вася неправильно настроил пайплайн», а «пайплайн не имел автоматической валидации, добавим проверку на следующем спринте».
Тема командного взаимодействия в эпоху AI-агентов раскрыта глубже в нашем материале о коде и когнитивных ловушках, где мы разбираем, как скорость генерации кода становится фиктивным KPI, а реальная работа смещается в сторону ревью и архитектурных решений.
Как применить эти уроки в своей работе: план на ближайший месяц
Три конкретных шага, которые можно сделать на этой неделе.
Первый - проведите аудит текущего проекта по чек-листу из урока 4. Если нашли дисбаланс, запишите, какой параметр нарушен и что нужно изменить: запросить инженерную поддержку, сузить scope, передать часть задач коллеге с релевантными компетенциями.
Второй - внедрите одну практику дисциплины. Начните с двухчасового блока глубокой работы три раза в неделю. Отключите уведомления, закройте мессенджеры, поставьте таймер. Первая неделя покажет, сколько реально полезной работы вы делаете за пределами этого блока - обычно цифра удивляет.
Третий - инициируйте разговор в команде о психологической безопасности. Не нужно сразу проводить ретроспективу по всем правилам. Достаточно задать вопрос на ближайшем стендапе: «Было ли такое, что вы не высказали идею, потому что боялись реакции?» Ответы могут вас удивить и стать началом изменений.
Эти уроки не требуют нового фреймворка, бюджета или разрешения руководства. Они требуют честного взгляда на свою работу и окружение. Технические навыки - это условие входа в профессию. Терпение, оптимизм, дисциплина, правильный проект и хорошая команда - это то, что определяет, останетесь ли вы в ней через 8 лет с результатами, которыми можно гордиться.