Solicitando Roles Técnicos

'Solicitando Roles Técnicos' - 'Requesting Technical Roles'

No es ningún secreto que la brecha de género todavía existe en STEM. A pesar de un ligero aumento en los últimos años, los estudios muestran que las mujeres representan solo aproximadamente una cuarta parte de la fuerza laboral total de STEM en el Reino Unido. Si bien las razones varían, muchas mujeres informan sentirse limitadas por la falta de representación, oportunidades claras e información sobre lo que implica trabajar en el sector.

Cerrar la brecha dentro de STEM no es una solución rápida, sino un esfuerzo colectivo de todos en la industria. Varias organizaciones como Women in Machine Learning (WiML) trabajan activamente para ayudar a crear un entorno más inclusivo donde los éxitos de las mujeres se amplifiquen. También son un punto importante de información para las muchas mujeres que desean aprender más sobre cómo es trabajar en STEM.

Es por eso que, para el Día Internacional de la Mujer en Ingeniería de este año, le pedimos a la comunidad de WiML que compartiera con nosotros las preguntas más comunes que reciben sobre las entrevistas técnicas. Para compartir sus perspectivas y discutir cómo es realmente trabajar en DeepMind, reunimos a Mihaela Rosca (Ingeniera de Investigación), Feryal Behbahani (Científica de Investigación) y Kate Parkyn (Responsable de Contratación – Investigación e Ingeniería).

¿Cómo sé si estoy listo para solicitar un puesto en la industria?

Mihaela: No es raro tener dudas sobre uno mismo o sentir que no estás preparado para un puesto en el campo. Nunca habrá un momento perfecto para solicitar y puedes convencerte fácilmente de que hay más cosas por aprender, pero eso no debería ser un factor disuasorio en tu decisión de solicitar.

• FermiNet Física Cuántica y Química desde Primeros Principios
• Derribando barreras globales para el acceso
• AlphaFold una solución a un gran desafío de 50 años en biología

Por supuesto, el conjunto de habilidades adecuado dependerá del puesto específico que estés buscando, pero si estás interesado en trabajar en el futuro de la investigación en aprendizaje automático, lee artículos de investigación e implementa algoritmos de vanguardia, ¡estás listo… así que solicita!

¿Curioso? Obtén más información sobre nuestros equipos de investigación e ingeniería.

¿Qué métricas son más importantes para contratar? ¿Publicaciones de artículos, GPA, experiencia en la industria?

Kate: Contratamos para muchos puestos en toda la organización, por lo que las cualidades en las que nos enfocamos difieren en consecuencia.

La mayoría de las contrataciones de científicos de investigación que realizamos son a nivel de doctorado, por lo que no nos centramos demasiado en las publicaciones. Tampoco tenemos un indicador específico para el logro de un título o el GPA. En cuanto a la experiencia, siempre nos interesa leer sobre las pasantías anteriores y/o las experiencias voluntarias en la industria de un candidato. Buscamos la capacidad demostrada no solo en la “investigación” sino también en la implementación, ingeniería y aplicación. También es genial ver información sobre proyectos paralelos y contribuciones de código abierto al examinar posibles candidatos, así que siéntete libre de vincular tu Github, proyectos paralelos o código.

Para los ingenieros de investigación, es importante recordar que el rol es parte investigación y parte ingeniería, por lo que siempre buscamos personas que disfruten de poner la teoría en forma computacional.

Para los ingenieros de software, buscamos la clara capacidad para comunicar problemas y soluciones. Los ingenieros de software en DeepMind regularmente se enfrentan a problemas ambiguos que también tienen complejidades de ingeniería subyacentes. La evidencia de haber trabajado en proyectos similares o de tener experiencias en acelerar la investigación y aprovechar herramientas para mejorar la investigación es clave.

¿Tienes algún consejo para escribir un CV exitoso?

Kate: Crear el CV o currículum perfecto es un trabajo importante. Afortunadamente, hay un sinfín de recursos disponibles que pueden ayudarte a hacer el trabajo. Para simplificarlo, te sugerimos que te centres en los siguientes puntos:

• Manténlo en alrededor de dos páginas
• Incluye información adicional [lenguajes de programación, sociedades, premios, voluntariado]
• Mantén la consistencia con la fuente y el formato
• Lee y vuelve a leer el texto: no olvides la revisión de ortografía y gramática
• Agrega habilidades tecnológicas relevantes [lenguaje de programación/bibliotecas de codificación]
• Vincula tu Github personal/LinkedIn/portafolio

¿Puedes recomendar algún recurso que sea útil para el desarrollo profesional?

Feryal: Hay una amplia gama de recursos disponibles para ayudarte a aprender y desarrollar tus habilidades en aprendizaje automático. Estos incluyen cursos introductorios de acceso abierto en YouTube (por ejemplo, el curso de Nando de Freitas sobre Deep Learning, el curso de David Silver sobre Reinforcement Learning y la serie de conferencias DeepMind x UCL), publicaciones de blogs que brindan descripciones generales de técnicas particulares (por ejemplo, Distill) y actas de conferencias de aprendizaje automático más avanzadas como NeurIPS, ICML e ICLR.

También existen numerosas escuelas de verano (es decir, MLSS y DLRLSS) que ayudan a estudiantes y profesionales interesados en aprender de expertos destacados en el campo. Muchas de estas escuelas de verano también ofrecen videos y ejercicios prácticos de años anteriores que pueden servir como excelentes recursos para aprender a tu propio ritmo.

También es genial buscar organizaciones como Women in Machine Learning (WiML) que ayudan específicamente a las mujeres en el campo a desarrollar su confianza técnica y voz, al mismo tiempo que amplifican sus logros ante la comunidad en general.

¿Qué puedo esperar en el proceso de entrevista?

Feryal: El proceso de entrevista en DeepMind puede variar dependiendo del rol específico al que estés aplicando. Según mi experiencia, el proceso de entrevista para el rol de Científico de Investigación consta de cuatro fases:

Fase uno: charla inicial con el equipo de reclutamiento

Esto es para cubrir tu experiencia, motivación para aplicar y planes futuros. En esta etapa, también tendrás la oportunidad de hacer cualquier pregunta que puedas tener sobre el rol o el proceso de entrevista.

Fase dos: entrevistas técnicas

Esta parte del proceso incluye varias sesiones, incluyendo una con una prueba técnica que abarca una amplia variedad de temas en ciencias de la computación, estadísticas, matemáticas y aprendizaje automático. ¡Es importante que te prepares bien para esta sesión! En esta etapa, también habrá una entrevista de codificación donde tendrás que trabajar en varias preguntas y un problema específico con el objetivo final de llegar a una solución implementada.

Fase tres: entrevistas de investigación

Esta etapa consiste en varias entrevistas cortas (aproximadamente 30 minutos) con investigadores y líderes sobre tu experiencia e intereses de investigación específicos. Aquí tendrás la oportunidad de dar una presentación sobre tu investigación, lo que le dará a los entrevistadores una mejor idea de tu dirección general de investigación. En este punto, intenta mostrar tu comprensión técnica del campo y siéntete libre de mencionar tus propios logros e ideas de investigación. No es necesario, pero también sugiero leer los artículos recientes publicados por el equipo de DeepMind para tener una mejor idea de tus fortalezas.

Fase cuatro: entrevista cultural

Hacia el final del proceso de entrevista, te conectarás nuevamente con el equipo de reclutamiento para hablar sobre la cultura y misión de DeepMind. Recomiendo que leas sobre la misión de DeepMind y pienses cómo tus metas profesionales pueden encajar en ella.

¿Cuánto énfasis se pone en las habilidades/conocimientos de investigación en comparación con la capacidad de codificación en las entrevistas técnicas en DeepMind? ¿Cómo te preparaste para tu entrevista técnica?

Mihaela: Debido a la versatilidad requerida para realizar investigaciones de aprendizaje automático, el proceso de entrevista tiene una división relativamente equitativa entre codificación y evaluación de habilidades de investigación. La primera etapa se centra en conocimientos de matemáticas, estadísticas, aprendizaje automático y ciencias de la computación, mientras que las etapas posteriores se centran en la codificación. Ten en cuenta que durante todo el proceso de entrevista, el entrevistador intenta evaluar tus habilidades para resolver problemas, así que concéntrate en la comunicación y explica tus respuestas.

Para mi propia entrevista, me preparé revisando algunas notas de mis conferencias universitarias, incluyendo un curso de estadísticas que había tomado. En ese momento no sabía mucho sobre aprendizaje por refuerzo, así que investigué un poco más y vi el curso de David Silver en UCL sobre el tema. Para mi entrevista de codificación, elegí Python. Para prepararme y practicar mi velocidad, resolví algunas preguntas de codificación sin utilizar un entorno de desarrollo integrado (IDE) ni mi editor favorito, solo un simple editor de texto.

¿Pueden los ingenieros de investigación liderar proyectos de investigación?

Mihaela: ¡Absolutamente! Los ingenieros de investigación en DeepMind, y en otros lugares, a menudo lideran proyectos de todos los tamaños. Pueden liderar como primeros autores de artículos de conferencias o como esfuerzos de equipos más grandes que involucran grupos de diferentes tamaños y que se llevan a cabo durante varios meses.

Hay muchos ejemplos, pero aquí hay algunos: AlphaZero, mejorando la exploración en el aprendizaje por refuerzo mediante la modelización generativa, y la liberación del código fuente de bibliotecas principales como Reverb.

¿Cómo es un día en la vida de un científico investigador?

Feryal: Ser un científico investigador significa que mi día nunca se ve igual. A menudo paso tiempo pensando en mis proyectos de investigación, programando, reuniéndome y discutiendo ideas con otros, leyendo artículos y asistiendo a presentaciones o grupos de lectura.

Como siempre en la investigación, lo que estoy haciendo puede cambiar dependiendo de si estoy trabajando hacia una fecha límite de publicación, trabajando en un proyecto específico o pensando en qué hacer a continuación. Afortunadamente, DeepMind es realmente flexible en cómo uno puede organizar su tiempo y horario. Utilizamos un “sistema de hitos” que organiza la investigación en partes más pequeñas y medibles (por ejemplo, de 3 a 6 semanas), por lo que esto realmente ayuda a planificar la investigación y dividirla en pasos concretos.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!