No Flame No Game

И еще одна хорошая новость: если вдруг вы хотели, но не успели попасть ко мне на коучинг (или у вас есть другие запросы на работу вместе - product advisory, найм/ обучение команды, и так далее), теперь можно оставить заявку у меня на сайте https://nfng.pro/?=1 На следующие несколько месяцев все расписано, но теперь у меня есть возможность добавить вас в официальный лист ожидания и связаться с вами при первой возможности 💖

Ну все, теперь точно официально 🤣

А вот так теперь выглядит user research: ездили сегодня в Imperial College, разговаривать с учеными, которые занимаются разработками в области наномедицины

Ребята, почитала вчера ваши комментарии и прямо загордилась, что вы меня так высоко определили 😍 но, к сожалению, ни в OpenAI, ни в Anthropic уже больше года нет продуктовых вакансий в Лондоне. И я, кажется, всех смутила своей любовью к этому эмоджи 🤗🤪 А стартовала я в Google - DeepMind - AI Labs. Это департамент, цель которого - тесно работать с исследователями в DeepMind и запускать стартапы на основе их новейших разработок. Первый «стартап», над которым я буду работать, - это линейка продуктов для ученых, который анонсировали на Google I/O https://research.google/blog/a-new-era-of-innovation-google-research-at-io-2026/ Для меня это 100% работа мечты, и я до сих пор не могу поверить, как удачно все сложилось. Хочу сделать серию постов про собеседования для продактов, на основе своих свежих впечатлений - пишите в комментариях, про что интересно узнать!

А у меня новости: в прошлый понедельник я вышла на новую работу 🤗 Угадаете, куда? Пишите догадки в комментариях, завтра расскажу! Несколько подсказок: - я все еще в Лондоне - все еще в AI - и я очень рада этой новой позиции 🤗

$10M за 100 миллионов емейлов Заинтересовала сегодня новость, что Гугл купил внутренние данные разорившейся компании Spirit Airlines за 10 миллионов долларов. Данные будут использованы для продуктовой разработки и обучения AI. Более того, Гугл был не единственным участником аукциона: им даже пришлось поднять свою изначальную ставку, чтобы выиграть. Что здесь интересного: 1) Эволюция от “взять бесплатные публичные данные” к “заплатить лицензию за доступ к качественному контенту” (например, News Corp или Financial times) к “владеть операционными данными”. Это очень явное свидетельство перехода от моделей, которые могут отвечать на вопросы, к агентам, которые могут совершать действия. Что еще важнее, это показатель, насколько критичным становится доступ к уникальным проприетарным данным. Если все могут обойти публичные источники и заплатить за лицензию, то - при прочих равных - ответы моделей в какой-то момент начнут сходиться. Эксклюзивные данные потенциально могут здесь дать конкурентное преимущество, которое сложно повторить: конкуренция смещается с моделей, качество которых уже примерно выходит на плато, на инфраструктуру. В этой ситуации, например, дистрибуция и маркетинг становятся частью технической стратегии, так как позволяют создавать новые feedback loops и увеличивать количество сигнала для обучения AI. 2) Операционка - новый стратегический ассет? Если раньше, когда компания разорялась, покупали, в основном, либо ее IP, либо клиентов, то кейс с Spirit Airlines потенциально создает новый класс ассета: данные, как компания работала и принимала решения. Сейчас рынок разметки данных преимущественно стоит на трех китах: • создать данные (Surge AI / Scale AI генерируют примерно 2 миллиарда долларов выручки в год на этой категории; Гугл платил Scale AI примерно 200 миллионов в год) • симулировать данные (тут у нас всякие платформы и решения для генерации синтетических данных) • купить данные: и вот здесь у нас, кажется, появляются новые возможности. Пока самые большие публично известные сделки держатся в районе $50-60M за год (это Reddit и NewsCorp) - возможно, Spirit Airlines создаст прецедент и изменит эту динамику. Этот тренд может также повлиять и на нас с вами: если компания продает доступ к действиям экспертов, это будет растить стоимость более уникальных специалистов и снижать стоимость дженералистов. Будет ли наша ценность как сотрудников определяться не только результатом, который мы создаем, но и насколько хорошо мы задокументировали, как мы к этому результату пришли? И, в таком случае, насколько важен сам результат - ведь негативные примеры тоже важны? 🙂 В удивительное время живем, ребята 😊

Как продакту готовиться к техническому интервью В последние несколько месяцев я активно собеседовалась - и заметила, что во многих компаниях появилась новая секция: где-то ее называют System design, где-то Technical sense, где-то Technical fluency, - суть примерно одна. Эту секцию я прошла во всех компаниях, где она была, - например, в Google и Revolut - хотя у меня нет инженерного бэкграунда. Хочу вам рассказать, как я готовилась и какие ресурсы мне помогли. Для начала, что это за секция? Чаще всего, задают два типа вопросов: 1) Рассказать в подробностях про один из продуктов, над которым ты работал (в идеале, нарисовать системную диаграмму). Что спрашивают: из каких компонентов состоит система, какие технологии использовали, какие были технические трейд оффы, на какие технические решения ты повлиял как продакт и какие были опции. 2) Кейс стади по одному из известных продуктов: например, расскажи, как бы ты построила Uber / Docusign / Facebook и так далее. Здесь важно начать с функциональных и нефункциональных требований, описать ключевые компоненты системы и нарисовать системную диаграмму. Дальше интервьюер может начать копать в глубину: а что будет, если количество пользователей вырастет в 10 раз? А что если этот компонент откажет? А какие могут быть способы улучшить latency / performance и так далее? Меня ни разу не спрашивали про выбор конкретной библиотеки или технологии на этом интервью. В целом, классно, если вы можете обсудить разницу между REST vs GraphQL или S3 vs R2 в рамках обозначенных требований - но это уже, скорее, уровень разработчика, и от продактов я таких ожиданий не видела. Тем более, никто не просил писать код 🙂 Основные задачи интервью - проверить, насколько продакт понимает: • ключевые концепты, например, webhooks, caching, sharding и так далее • как системные компоненты взаимодействуют между собой • как это влияет на пользовательский опыт. Как я готовилась В посте, который я писала на эту же тему несколько лет назад, я советовала несколько книг и курсы. В 2026 рекомендации сильно проще: • youtube канал Hello Interview https://www.youtube.com/@hello_interview - у них есть как мок интервью (например, про Uber), так и подробный разбор ключевых концептов. У них на сайте также много бесплатных ресурсов: https://www.hellointerview.com/learn/system-design/in-a-hurry/introduction • Claude / ChatGPT 🙂 Я посмотрела несколько мок интервью, а потом пошла тренироваться с Клодом. Если чувствовала, что плавала в каком-то моменте, читала про него более подробно. После этого сделала несколько пробных интервью: очень рекомендую не пропускать этот момент, чтобы попрактиковать параллельное рисование диаграммы и разговор. Для всех диаграмм использовала Excalidraw (один из самых популярных инструментов на рынке для подобного типа интервью). В целом, одних выходных мне хватило, чтобы подготовиться к первому собеседованию. Важное примечание: на моих рабочих проектах я много времени провожу с техническими лидами и вникаю в технические решения - это сделало мою подготовку в разы проще. Если вы еще так не делаете, рекомендую начать ☺️ как минимум, сесть со своим разработчиком и разобраться в техническом дизайне вашего продукта. Делитесь своим опытом: а что спрашивали у вас на подобных интервью? И как вы готовились?

Вообще дискуссия про AI evals заставила меня задуматься: а что сейчас считается базовым ожиданием от продакта? Какие навыки - must have: не на основе того, что спрашивают на интервью, а что реально используется в работе? Пишите в комментариях (указывайте только, пожалуйста, страну и размер компании, чтобы можно было лучше понять контекст) - поделюсь потом своими наблюдениями!

Хочу немного поворчать на тему AI evals Вижу какое-то огромное количество статей и курсов про AI evals за бешеные деньги - но я в упор не понимаю, чему там учить! 1) Что для мануальных, что для автоматизированных evals один и тот же алгоритм: • анализируем (==смотрим глазами) и категоризируем, где система ошибается • на основе этого доуточняем наши метрики и определение успеха (и позитивные примеры, если требуется) • описываем наши наблюдения в формате инструкций: вот первый критерий для оценки, вот как мы его меряем, вот примеры и контрпримеры; вот второй критерий для оценки - и тд • дальше отдаем это либо в мануальную разметку, либо создаем промпт для LLM as a judge. 2) Есть часть ошибок, которые решаются разработкой, например, простыми эвристиками или classifiers, а также дополнительными алертами и мониторингами. Но вряд ли такому учат на курсе про evals? В общем, объясните мне, я что-то упускаю? Или это очередная хайпокачка, где продают океанский воздух в банках? 🙂

Вообще после моего предыдущего поста мне пришло очень много ребят с запросом на карьерное переопределение: они уже построили сильную карьеру, запустили заметные продукты, выросли до руководящей роли — но следующая должность или повышение уже не вдохновляют. При этом непонятно, чего хочется вместо этого: сменить компанию, индустрию, роль, запустить свой проект или вообще по-другому организовать профессиональную жизнь. Я обычно работаю с этой темой 1-1, но тут придумала сделать более доступный групповой формат и хочу услышать ваши мысли. Если вам откликается, пройдите, пожалуйста, этот короткий опрос: если я запущу такой продукт, всем, кто прошел опрос, будет приоритетный доступ (пилотная группа будет небольшая) и скидка на участие 15% https://forms.gle/QFYaTRfdZsNYK7zV8