Candidatura per ruoli tecnici

'Application for technical roles'

Non è un segreto che esista ancora una disparità di genere all’interno del settore STEM. Nonostante un leggero aumento negli ultimi anni, gli studi mostrano che le donne costituiscono solo circa un quarto della forza lavoro STEM complessiva nel Regno Unito. Mentre le ragioni variano, molte donne riferiscono di sentirsi frenate dalla mancanza di rappresentanza, opportunità chiare e informazioni su cosa comporti effettivamente lavorare nel settore.

Ridurre il divario nel settore STEM non è una soluzione rapida, ma uno sforzo collettivo di tutti nell’industria. Diverse organizzazioni come Women in Machine Learning (WiML) lavorano attivamente per contribuire a creare un ambiente più inclusivo in cui i successi delle donne vengono amplificati. Sono anche un importante punto di informazione per le numerose donne che vogliono saperne di più su come è lavorare nel settore STEM.

Ecco perché, in occasione della Giornata Internazionale delle Donne nell’Ingegneria di quest’anno, abbiamo chiesto alla comunità di WiML di condividere con noi le domande più comuni che ricevono riguardo ai colloqui tecnici. Per condividere le loro prospettive e discutere di come sia effettivamente lavorare a DeepMind, abbiamo riunito Mihaela Rosca (Ingegnere di Ricerca), Feryal Behbahani (Scienziata di Ricerca) e Kate Parkyn (Responsabile del Reclutamento – Ricerca e Ingegneria).

Come posso sapere se sono pronto a candidarmi per un ruolo nell’industria?

Mihaela: Non è raro avere dei dubbi su se stessi o sentirsi impreparati per una posizione nel campo. Non ci sarà mai un momento perfetto per candidarsi e si può facilmente convincersi che ci sia ancora molto da imparare, ma questo non dovrebbe essere un fattore deterrente nella decisione di candidarsi.

Ovviamente, le competenze giuste dipenderanno dal ruolo specifico che si sta cercando, ma se si è interessati a lavorare sulla ricerca futura dell’apprendimento automatico, leggere articoli di ricerca e implementare algoritmi all’avanguardia, allora si è pronti… quindi candidarsi!

Curioso? Scopri di più sulle nostre squadre di ricerca e ingegneria.

Quali metriche sono più importanti per la selezione? Pubblicazioni di articoli, GPA, esperienza nell’industria?

Kate: Assumiamo per molti ruoli in tutta l’organizzazione, quindi le qualità a cui ci concentriamo variano di conseguenza.

La maggior parte delle assunzioni di scienziati di ricerca che facciamo sono a livello post dottorato, quindi non diamo troppa importanza alle pubblicazioni. Inoltre, non abbiamo un criterio specifico per i titoli di studio o il GPA. Per quanto riguarda l’esperienza, siamo sempre interessati a leggere delle esperienze di tirocinio precedenti e/o esperienze volontarie nell’industria. Cerchiamo una capacità comprovata non solo nella “ricerca”, ma anche nell’implementazione, nell’ingegneria e nell’applicazione. È anche molto utile leggere di progetti personali e contributi open source quando si valutano potenziali candidati, quindi sentiti libero di collegare il tuo Github, i tuoi progetti personali o il tuo codice.

Per gli ingegneri di ricerca è importante ricordare che il ruolo è parte ricerca e parte ingegneria, quindi cerchiamo sempre persone che apprezzino la trasposizione della teoria in forma computazionale.

Per gli ingegneri software, cerchiamo la chiara capacità di comunicare problemi e soluzioni. Gli ingegneri software di DeepMind affrontano regolarmente problemi ambigui che presentano anche complessità ingegneristiche sottostanti. È importante vedere prove di aver lavorato su progetti simili o esperienze nell’accelerare la ricerca e nell’utilizzare strumenti per potenziare la ricerca.

Hai dei consigli per scrivere un CV di successo?

Kate: Creare il CV o il curriculum perfetto è un compito impegnativo. Fortunatamente, ci sono innumerevoli risorse disponibili che possono aiutarti a completare il lavoro. Per semplificare, suggeriamo di concentrarsi sui seguenti punti:

  • Mantenere una lunghezza di circa due pagine
  • Includere informazioni aggiuntive [linguaggi di programmazione, società, premi, volontariato]
  • Rimanere coerenti con il font e la formattazione
  • Leggere e rileggere il testo, senza dimenticare di controllare gli errori di ortografia e grammatica
  • Aggiungere competenze tecniche rilevanti [linguaggi di programmazione / librerie]
  • Collegare il tuo Github personale, LinkedIn o portfolio

Puoi consigliare delle risorse che sarebbero utili per lo sviluppo professionale?

Feryal: Ci sono molte risorse disponibili per aiutarti a imparare e sviluppare le tue competenze nell’apprendimento automatico. Queste includono corsi introduttivi open-access su YouTube (ad esempio il corso di Nando de Freitas su Deep Learning, il corso di David Silver su Reinforcement Learning e la serie di lezioni DeepMind x UCL), articoli di blog che forniscono panorami generali di tecniche specifiche (ad esempio Distill) e atti di conferenze sull’apprendimento automatico più avanzate come NeurIPS, ICML e ICLR.

Inoltre, ci sono anche diverse scuole estive (ad esempio MLSS e DLRLSS) che aiutano a supportare studenti e professionisti interessati a imparare da esperti di spicco nel campo. Molte delle scuole estive ospitano anche video e esercitazioni pratiche degli anni precedenti, che possono fungere da ottime risorse per l’apprendimento a proprio ritmo.

È inoltre fantastico guardare a organizzazioni come Women in Machine Learning (WiML) che aiutano specificamente le donne nel settore a costruire la loro fiducia tecnica e la loro voce, amplificando al contempo i loro successi alla comunità più ampia.

Cosa posso aspettarmi nel processo di intervista?

Feryal: Il processo di intervista presso DeepMind può variare a seconda del ruolo specifico per cui ti stai candidando. Dalla mia esperienza, il processo di intervista per un ruolo di Ricercatore Scientifico è composto da quattro fasi:

Fase uno – chat iniziale con il team di reclutamento

Questa fase serve a coprire il tuo background, l’esperienza, la motivazione per la candidatura e i piani futuri. In questa fase, avrai anche l’opportunità di fare domande sul ruolo o sul processo di intervista.

Fase due – interviste tecniche

Questa parte del processo prevede diverse sessioni, incluso un quiz tecnico che copre una vasta gamma di argomenti in informatica, statistica, matematica e apprendimento automatico. È importante che ti prepari in modo completo per questa sessione! In questa fase ci sarà anche un’intervista di coding in cui dovrai lavorare su alcune domande e un problema specifico con l’obiettivo finale di arrivare a una soluzione implementativa.

Fase tre – interviste di ricerca

Questa fase è composta da diverse brevi interviste (circa 30 minuti) con ricercatori e responsabili riguardo al tuo specifico background e interessi di ricerca. Qui avrai l’opportunità di tenere una presentazione sulla tua ricerca, che darà ai colloquiatori una migliore idea della tua direzione di ricerca complessiva. In questo momento, cerca di mostrare la tua comprensione tecnica del campo e sentiti libero di menzionare i tuoi successi e le tue idee di ricerca. Non è necessario, ma suggerirei anche di leggere gli articoli recenti pubblicati dal team di DeepMind per cercare di valorizzare meglio i tuoi punti di forza!

Fase quattro – intervista sulla cultura

Verso la fine del processo di intervista, ti collegherai nuovamente con il team di reclutamento per discutere della cultura e della missione di DeepMind. Ti consiglio di leggere la missione di DeepMind e pensare a come i tuoi obiettivi di carriera possano inserirsi al suo interno.

Quanto peso viene dato alle competenze/conoscenze di ricerca rispetto alla capacità di coding nelle interviste tecniche a DeepMind? Come ti sei preparato per la tua intervista tecnica?

Mihaela: A causa della versatilità richiesta per fare ricerca sull’apprendimento automatico, il processo di intervista ha una divisione relativamente equa tra coding e valutazione delle competenze di ricerca. La prima fase si concentra su matematica, statistica, apprendimento automatico e conoscenze di informatica, mentre le fasi successive si concentrano sul coding. Tieni presente che durante tutto il processo di intervista, l’intervistatore cerca di valutare le tue capacità di risoluzione dei problemi, quindi concentrati sulla comunicazione e spiega le tue risposte.

Per la mia intervista, mi sono preparata rivedendo alcune delle note delle mie lezioni universitarie, compreso un corso di statistica che avevo seguito. All’epoca non sapevo molto sull’apprendimento per rinforzo, quindi ho fatto alcune ricerche aggiuntive e ho guardato il corso di David Silver presso la UCL sull’argomento. Per l’intervista di coding, ho scelto Python. Per prepararmi e allenare la mia velocità, ho risolto alcune domande di coding senza utilizzare un ambiente di sviluppo integrato (IDE) o il mio editor preferito, solo un semplice editor di testo.

Gli ingegneri di ricerca possono guidare progetti di ricerca?

Mihaela: Assolutamente! Gli ingegneri di ricerca presso DeepMind – e altrove – spesso guidano progetti di tutte le dimensioni. Possono guidare come primi autori di articoli conferenza o come sforzi di team più ampi che coinvolgono gruppi di diverse dimensioni e si svolgono nel corso di diversi mesi.

Ci sono molti esempi, ma ecco alcuni: AlphaZero, migliorare l’esplorazione nell’apprendimento per rinforzo utilizzando la modellazione generativa e la condivisione delle librerie principali come Reverb.

Com’è una giornata nella vita di un ricercatore scientifico?

Feryal: Essere un ricercatore scientifico significa che la mia giornata non è mai uguale. Il mio tempo viene spesso dedicato a pensare ai miei progetti di ricerca, a programmare, a incontrare e discutere idee con gli altri, a leggere articoli e ad assistere a presentazioni o gruppi di lettura.

Come sempre nella ricerca, ciò che faccio può cambiare a seconda se sto lavorando verso una scadenza per un articolo, lavorando su un progetto specifico o pensando a cosa fare dopo. Fortunatamente, DeepMind è molto flessibile nel modo in cui si può organizzare il proprio tempo e il proprio programma. Utilizziamo un “sistema di milestone” che organizza la ricerca in frammenti più piccoli e misurabili (ad esempio 3-6 settimane), quindi questo aiuta molto nella pianificazione della ricerca e nella suddivisione in passi concreti.