Отзывы сотрудников PARI

Зоны ответственности прописаны не всегда чётко: задачи периодически накладываются, и разбираться, кто за что отвечает, приходится самому — это порой напрягает. Ещё хотелось бы чуть больше удалённых дней, хотя это не принципиально. С другой стороны, полтора года здесь реально прокачали навыки: темп высокий, руководство открыто к диалогу, и если можешь аргументировать цифрами — обычно дают проверить гипотезу.

За два года вырос как инженер — это факт, и во многом именно потому, что задачи здесь живые, а не переписанные из ТЗ в никуда. Но чёткости в постановке задач порой не хватает: требования иногда нужно самому доводить до рабочего состояния, что раздражает. Параллельно идут несколько приоритетов сразу, и умение самому решать, что сейчас важнее, — обязательное условие, а не желательное.

Требования к задачам иногда формируются уже по ходу работы, так что приходится вместе с командой на ходу уточнять детали и перекраивать приоритеты. При этом решения принимаются быстро, без длинных согласований, и если есть аргументы или результаты проверки гипотез — их слышат и дают протестировать. В периоды активных запусков параллельно идёт несколько крупных инициатив, тайм-менеджмент здесь не опция, а необходимость.

За год прошёл путь от подготовки данных и фичей до выката моделей в прод и проверки через A/B-тесты — ML здесь полноценная часть продукта с понятным влиянием на метрики. Инфраструктура рабочая, нет ощущения, что половину времени тратишь на борьбу с инструментами вместо самой задачи. Команда сильная, обсуждение подходов и постановок — обычная рабочая практика, а не формальность.

За два года с задачами скучно не было ни разу: тут не «посчитай метрики и положи в табличку», а полноценное участие в продуктовых решениях — разбираешься в том, как данные влияют на результат, споришь с командой по существу, предлагаешь подходы. Руководство нормально воспринимает инициативу, если за ней стоит логика и цифры, а не просто «было бы классно». Рядом сильные специалисты, у которых реально есть чему поучиться, и это ощутимо ускоряет рост.

Постановка задач не всегда приходит в законченном виде — нередко приходится самому докручивать запрос до состояния, с которым можно работать. Качество данных местами требует дополнительной проверки, что съедает время. Конкуренция приоритетов бывает ощутимой: несколько направлений идут параллельно, и фокус приходится расставлять самостоятельно, потому что сверху это за тебя никто не сделает. Темп высокий, процессы не выглажены до блеска.

Данных тут действительно много, и они далеко не всегда чистые — заметная часть времени уходит на исследование и проверку качества ещё до обучения. Перед крупными спортивными событиями нагрузка ощутимо возрастает, задачи множатся, и нужно быстро переключаться между проектами. Но если хочется полного цикла — от сырых данных до продакшена с реальным влиянием на продукт — место стоящее: Python, CatBoost, PyTorch, Airflow, внятные пайплайны, и модели здесь реально доводят до прода, а не хоронят в презентациях.