Зарплаты

С началом пандемии большинство разработчиков Кремниевой долины начали трудиться из дома. Довольно быстро они стали задаваться вопросом: зачем платить бешеные цены за аренду недвижимости, если домашний офис можно организовать где угодно? Средняя плата за аренду односпальной квартиры в Сан-Франциско составляет $3629. А, скажем, в Чикаго, Атланте или Филадельфии тоже вполне крупных городах она будет около $1650. Зачем платить лишние $2 тысячи, больше $20 тысяч в год, чтобы сидеть в своём стуле чуть поближе к штаб-квартире компании?

Многие задумались о переезде (по крайней мере, на время). Но хитрые финансисты Кремниевой долины своего не упустят. И теперь компании начинают имплементировать новую стратегию: регулируемая зарплата. Ваш доход будет снижаться соответственно тому, в насколько дешевый регион вы переедете. Гипер-экономию получить не получится, а удаленно жить где-нибудь в глуши может даже оказаться себе дороже.

Разговоры об этом шли уже давно, но теперь, по данным Bloomberg, первая фирма из Пало-Альто, VMware (принадлежащая Dell), уже ввела такую политику. Каждый удаленный сотрудник, решивший сбежать из дорогого Сан-Франциско, получит сокращение з/п. Если переехать к горам Денвера, получишь минус 18%. А если отправишься в Лос-Анджелес или Сан-Диего, будет минус 8%. В итоге релокация становится финансово невыгодной. Какая-то экономия получается, но всех проблем с переездом и обустройством на новом месте дело почти не стоит. Более того: чем выше зарплата (то есть, чем более важный и ценный сотрудник) тем менее выгодно ему становится переезжать.

Новая политика кажется довольно строгой, но после публикации материала Bloomberg один из сотрудников VMware написал пост, чуть детальнее поясняя ситуацию. Мол, изменению подлежит только базовая зарплата, а не бонусы. Поэтому снижение доходов у удаленщиков будет не настолько серьезным, как может показаться. Например, у него на зарплату приходится только половина от общей компенсации. А в других штатах США (не говоря о других странах) придется платить гораздо меньше налогов. И купить себе жильё будет потом в разы проще. Так что плюсы переезда для него все равно перевешивают недостатки.

Старший вице-президент VMware по управлению персоналом, Рич Лэнг, говорит, что компания меняет зарплату сотрудников в зависимости от средней стоимости труда в регионе и того, что предлагают другие работодатели. Лэнг признал, что, вероятно, некоторые сотрудники будут продолжать указывать, что они трудятся в Калифорнии, чтобы получать полную выплату. Но их будет меньше, чем можно было бы ожидать:

Мы просим сотрудников быть честными, это то, чего мы ожидаем. Но вообще-то правительства обязывают вас платить налоги там, где вы работаете и проживаете, иначе это нарушение законов. Так что мы выясним, что к чему. А если работник временно уезжает на пару месяцев, чтобы, например, побыть с семьей, на их зарплату это не повлияет.

Компания также выдает всем дистанционным сотрудникам по $400 на организацию их домашних офисов.

Второй вариант решения проблемы с удалёнщиками, сбегающими из Кремниевой долины, предложила компания Stripe, один из главных конкурентов PayPal. Она выделяет им по $20 000 чтобы те могли переехать из крупных городов в более дешевые сельские регионы. Но и тут есть подвох. Как часть этой же сделки, они получают -10% к зарплате (по информации Forbes). То есть, уже спустя полтора-два года компания свое отобьет. Зато сотрудники смогут более комфортно обосноваться на новом месте. И производительность труда не пострадает так сильно.

Фирма ServiceNow, разрабатывающая облачную платформу, тоже думает об изменении почасовой оплаты сотрудникам, уезжающим из Сан-Франциско. По словам руководителя компании Билла МакДермотта, такая система стартует уже в 2021 году:

Я полагаю, у нас должна быть среда, в которой руководство тоже участвует в принятии этих решений. Если слово будет только за сотрудниками, они станут работать буквально из любого места, и вам придется тратить много времени на организацию и поддержание культуры. Вам будет куда сложнее создавать сплоченную команду разработчиков.

Twitter и Facebook тоже сделали расплывчатые заявления о том, что они собираются корректировать зарплаты сотрудников в зависимости от их местоположения. Twitter уже предлагает людям, работающим на дому, бонус в $1000 и дополнительные отпускные. А Facebook на днях открыла вакансию директора удаленной работы. Он должен будет отвечать за переход компании на удалёнку, разрабатывать стандарты, устанавливать глобальные ценности, а также заниматься вопросами льгот и оплаты труда. Плюс компания заявила, что выделит удалёнщикам $1000 для обустройства домашнего офиса.

Раньше Facebook собиралась возвращаться к работе в офисе уже под конец 2020-го. Но потом увидела, что производительность во время пандемии не снизилась, а даже возросла. Теперь Марк Цукерберг говорит, что его сотрудники продолжат работать удаленно, потому что за этим будущее:

Мы станем самой прогрессивной компанией в сфере удаленной работы для нашего масштаба. В течение 5-10 лет не менее половины наших работников по всему миру перейдут на удалёнку на постоянной основе.

Однако Цукерберг также предупредил, что, если рабочие будут переезжать в районы с более низкими затратами, им придется сообщать об этом компании. И их зарплаты будут изменены в соответствии с новыми условиями проживания.

Мы будем корректировать зарплату в соответствии с вашим расположением. Люди, которые не будут с нами в этом честны, получат серьезные неприятности, вплоть до увольнения.

Даже в период пандемии и глобальной экономической неопределенности рынок труда в сфере ИТ живет по своим правилам. Здесь есть компании, которые готовы платить сотрудникам все больше, и видят в этом возможность к развитию.

Но почему все происходит так? Я проанализировал публичные высказывания руководителей известных ИТ-компаний на эту тему руководителей крупных компаний это помогло выделить несколько причин того, как сильные разработчики помогают сделать компании лучше.

Причина #1: В 10 раз лучше, чем нормально

Еще в 1960-х годах было проведено знаменитое исследование, в рамках которого девять разработчиков разной квалификации должн были за отведенное время решить ряд задач от написания кода до поиска багов. Исследователи предполагали, что лучший из разработчиков в среднем справится с заданием в 2-3 раза лучше. Однако оказалось, что наиболее умелый программист оказался гораздо лучше самого слабого он в 25 раз быстрее находил баги, на 20 минут быстрее справился с задачей по написанию кода, а его код работал в 10 раз эффективнее.

Генеральный директор Netflix Рид Гастингс в колонке на сайте CNBC упомянул это исследование и прокомментировал его:

У меня ограниченное количество денег на зарплаты, и есть проект, который нужно завершить. Передо мной встает выбор: нанять 10-25 инженеров средней руки или взять одну рок-звезду, которой я заплачу гораздо выше рынка, если это потребуется. В течение моей карьеры я пришел к выводу, что лучшие разработчики дают ценности не больше в 10 раз, это может быть и 100 раз.

[..]

Если вам нужен кто-то на операционную позицию например, мороженщик то самый лучший из них сможет запихивать шарики с мороженым в 2-3 раза большее количество рожков, чем обычный сотрудник. Но всегда будет лимит продуктивности, так что компания со средними сотрудниками и средней зарплатой будет себя хорошо чувствовать. А там, где необходим креатив, лучшие люди могут показывать результат в 10 и более раз лучше чем нормально.

По мнению топ-менеджера, такие сотрудники могут не просто решать лучше технические задания, но они более креативны и видят концептуальные паттерны, недоступные коллегам среднего уровня.

Причина #2: Талантливые инженеры помогают менеджерам

Помимо непосредственной результативности работы, найм только талантливых разработчиков помогает компании становиться эффективнее в целом. По мнению Гастингса, управление людьми это в целом непростая задача. А хорошо управлять середняками еще труднее, и на это уходит больше времени. В то же время команды, состоящие по большей части из дорогостоящих звезд по естественным причинам меньше, ими проще управлять.

В итоге компания естественным образом становится более эффективной в разных сферах от создания кода, до использования инструментов автоматизации.

Причина #3: Компания больше работает над публичным образом

Необходимость нанимать сильных разработчиков для того, чтобы выжить в конкурентной борьбе, также стимулирует компании лучше работать над публичным образом, доносить свое видение, философию и рассказывать о культуре.

К примеру, видеоплатформа Wistia активно рассказывает о важных вехах в жизни проекта. Таких, как например, решение взять кредит на выкуп доли изначальных инвесторов. Помимо этого, основатели часто записывают видео о различным мероприятиях, проходящих в офисе:

В итоге инженеры, которые выбирают, куда им пойти работать, могут проанализировать всю эту информацию о получить больше представления о компании, которая уступает по размеру IT-гигантам. И если культура им понравится, это может сыграть ключевую роль. А побочный эффект такой открытости компанию лучше понимают и ее текущие и потенциальные клиенты.

Причина #4: Сильные инженеры улучшают рекрутинг

Необходимость нанимать сильных инженеров заставляет компании более вдумчиво подходить к рекрутингу. CTO Stripe Грег Брокман рассказывал, что компания применяет для решения этой задачи принципы маркетинга замеряет метрики для определения эффективности каналов привлечения кандидатов, проводит эксперименты и постоянно оценивает их.

В частности, опытные разработчики не любят, когда им пишут рекрутеры, поэтому появляются инструменты, которые позволяют им даже вакансии получать тогда и так как им удобно. Например, некоторые российские компании используют бот, который присылает вакансии по нужному профилю и формату (удаленка/страна) прямо в Telegram.

Заключение

Несмотря на то, что выводы любимого Ридом Гастингсом исследования про 10x разработчиков разделяют не все (достаточно почитать этот тред на Hacker News), очевидно, что инженеры помогают компаниям становиться лучше. И делают они это не только с помощью написания кода и поисков багов, поэтому и их зарплаты скорее всего продолжат расти.

Привет, Хабр! Мы продолжаем свою серию аналитических статей о рынке зарплат и вакансий в IT. И сегодня на очереди ML-инженер, или специалист по машинному обучению, тем более, что 23 марта Skillfactory запускает новый поток продвинутого курсаMachine Learning и Deep Learning.

Machine Learning Engineer специальность 1 в разработке и проектировании сложных систем, которая в декабре 2020 года занимала 38,54 % вакансий отрасли и примерно 9 % всех вакансий на российском рынке IT. Так давайте разберёмся, сколько на самом деле получают специалисты по машинному обучению, как попасть в ML и куда можно развиваться. Поехали!

Ранее в нашем блоге уже выходили подобные материалы про дата-сайентистов и дата-аналитиков, если вы заинтересованы в этих специальностях рекомендуем ознакомиться.

Кто такой ML-инженер

Machine Learning Engineer это эксперт в области искусственного интеллекта. Именно он разрабатывает алгоритмы, по которым думает компьютер.

Машинное обучение позволяет автоматизировать труд человека. ML нужен для создания нейросетей, которые анализируют всё что угодно: от комбинаций в шахматах до максимальной персонификации рекламы в соцсетях. ML позволяет создавать программы для прогнозов, которые работают гораздо лучше человека.

А ещё специалист по машинному обучению создает ботов, которые общаются с клиентами. Так что именно им нужно говорить спасибо за Бот, позови оператора. Алиса, Siri и голосовой помощник Олег, это, кстати, тоже детище ML-инженеров.

Профессия инженера машинного обучения это подраздел Data Science. И деятельность ML-инженера больше ориентирована на практические задачи. Он решает бизнес-задачи, используя алгоритмы машинного обучения. Он может использовать существующие наработки или писать каждый раз новые это не важно. Единственная цель качественное выполнение задачи с наименьшими затратами ресурсов.

Что требуют работодатели от ML-Engineer

Пул навыков довольно большой. Мы проанализировали свыше 350 вакансий и заметили, что в большинстве из них чётко разделены компетенции специалиста по Data Science и ML. Но требования к вакансиям всё равно очень схожие.

Дело в том, что специалистов по машинному обучению прицельно ищут крупные компании, которые используют или планируют использовать алгоритмы искусственного интеллекта в своих проектах.

Работодатели в большинстве случаев знают, для чего им нужен специалист по ML и какими компетенциями он должен обладать. Вот те, что попадаются в вакансиях чаще всего:

Высокие математические навыки. Линейная алгебра, теория вероятностей, прикладная статистика всё это нужно знать на очень высоком уровне. В ML довольно часто используются байесовы сети, марковский процесс принятия решений, скрытые марковские модели, условные вероятности. А ещё нужно хорошо разбираться в дисперсионном анализе и уметь проверять статистические гипотезы.

Базис программирования. Python упоминается в абсолютном большинстве вакансий примерно 92 % всех, но также работодатели требуют знания R, Java, C++, Scala. Также необходимы навыки использования библиотек вроде pandas, OpenCV, Numpy, Eigen, NLTK, Spacy, scikit-learn или других.

Моделирование данных. Ещё один базовый навык, который необходим в большинстве вакансий. Именно от навыков моделирования данных зависит эффективность машинного обучения. В основном необходимо знать паттерны моделирования, алгоритмы итеративного обучения и стратегии оценки точности моделей.

SQL. В 73 % вакансий требуют знания SQL, но очень много вакансий, в которых необходимы навыки в NoSQL СУБД.

Английский язык. Все без исключения международные команды требуют уровень английского не ниже, чем Intermediate, а лучше Upper Intermediate. Для проектов на российском рынке это не обязательно, но почти всегда выделяется как дополнительный плюс.

Гибкие методологии разработки проектов. Примерно в трети вакансий упоминаются Agile, Scrum, Kanban и другие гибкие методологии. Опыт работы с ними считается плюсом, но не обязателен.

В целом требования в вакансии ML-инженера и дата-сайентиста довольно сильно пересекаются. Компании малого и среднего бизнеса не делают между ними практически никакой разницы и часто ищут сразу Data Scientist / ML-Engineer.

Софт-скилы предсказуемы. Они с минимальными расхождениями копируют требования из вакансий Data Scientist и Data Analyst:

• аналитический склад мышления, логика;

• коммуникативность;

• инициативность;

• внимательность к деталям.

Но все же есть и любопытные наблюдения. В целом софтскиллы упоминают в два раза меньше компаний, чем, к примеру, в вакансиях Data Analyst. Здесь ключевую роль играют хард-скилы. Личностные навыки и особенности характера вторичны.

Зарплаты и вакансии в России и не только

Подходим к самому интересному. По состоянию на 04.03.2021 и данным с hh.ru, в России имеются 1052 вакансии, которые содержат упоминания ML или машинного обучения.

Но больше половины из них это пересечение Python-девелопера с навыками в ML и дата-сайентиста, который должен хотя бы в общих чертах понимать, как работает машинное обучение.

Непосредственно к машинному обучению относится чуть больше 500 вакансий. За 2020 год востребованность специальности выросла более чем в 2 раза и продолжает расти.

Большинство вакансий открыто в Москве 55 %. Примерно 17,5 % размещены для Санкт-Петербурга. Примерно 24,5 % разбросаны по другим крупным городам России с населением выше 500 000 человек. Количество вакансий в населённых пунктах меньше 200 000 жителей не превышает 2 %.

В целом локации и востребованность коррелируются с отраслями Data Science и Data Analyst. Основной работодатель московские компании и международные бренды, у которых есть офис в Москве.

Основная проблема 80 % компаний не указывает вилку зарплат или хотя бы примерный уровень, на который может рассчитывать соискатель.

Мы проанализировали 200 вакансий к открытыми предложениями по зарплате. Результаты довольно неплохие. Медиана проходит по точке в 165 000 рублей. Это уровень месячной зарплаты, на который реально может рассчитывать специалист с 12-летним опытом в ML.

Junior ML-engineer или специалист, который хочет попасть в машинное обучение из смежных отраслей, может рассчитывать на оплату от 80 тысяч рублей.

Опытный сеньор может зарабатывать от 200 000 рублей. И это далеко не предел. В крупных международных компаниях отделы ML сегодня растут очень быстро, и специалист топового уровня может рассчитывать на зарплату 330 000 рублей.

В регионах ситуация значительно хуже. Примерно половина вакансий вообще смешивает специалистов по ML, DS и DA в одного. А в остальных навыки машинного обучения это дополнительная компетенция, а не основная.

Даже если компания понимает, зачем ей нужен ML, то с зарплатами в регионах не очень. Есть предложения для джунов от 25 000 рублей, а выше 80 000 уже считается отличной зарплатой для профи.

Зато на международном рынке всё хорошо у специалистов по машинному обучению.

По данным salary.com, годовая зарплата ML-инженера в США составляет 120 000 долларов по медиане. Это 10 000 долларов в месяц или, в переводе на деревянные, 730 000 рублей.

Glassdoor, к примеру, считает профессию специалиста по машинному обучению одной их самых защищённых на сегодня. И прогнозирует в ближайшие несколько лет ещё большее повышение спроса на неё.

С удалёнкой всё не очень радужно. Большинство компаний стремятся взять ML-инженера на фултайм в офис. Даже в условиях пандемии вакансий, которые допускают удалённую работу, это очень немного.

Откуда прийти и куда расти специалисту по машинному обучению

ML-инженер не очень дружелюбная специальность для новичков. В неё можно попасть с нуля, но для этого нужна как минимум крепкая математическая база. В идеале математическое или экономическое высшее образование. И даже в этом случае нужно быть готовым к сложностям изучать придётся очень много всего.

Для успешного продвижения и роста нужно понимать, как работает сфера Data Science целиком. Поэтому идеальные стартовые площадки для перехода в ML это дата-сайентист и дата-аналитик.

Также в машинное обучение могут перейти разработчики на Python. Для этого нужно будет разобраться с основными ML-библиотеками.

Специалист по машинному обучению довольно узкая специальность и в большинстве случаев является конечным этапом развития специалиста. Но при желании ML-инженер всегда может перейти и в аналитику данных, дата-сайенс или фулстек-разработку. С его опытом и умениями на любую из этих позиций его оторвут с руками и ногами. Старайтесь, учитесь и у вас получится.

ML-инженер универсальный специалист, подобный швейцарскому ножу. Для желающих стать таким специалистов, у нас есть специальный продвинутый курс Machine Learning и Deep Learning А промокод HABR даст скидку 50%.

Узнайте, как прокачаться и в других специальностях или освоить их с нуля:

• Профессия Data Scientist

• Профессия Data Analyst

• Курс по Data Engineering