Alexey Grigorev on His Career, Data Science, and Writing

eugeneyan

Начните отсюда Тексты Выступления Прототипирование О сайте

Алексей Григорьев о своей карьере, data science и письме

На этой неделе мы беседуем с Алексеем Григорьевым, lead data scientist в OLX Group. Мы лично познакомились в прошлом году на Prod Tech Conference в OLX Group, где он рассказывал, как находить дубликаты изображений. Однако онлайн мы друг друга не узнали и поняли, что это был тот самый человек, только когда я спросил его об этом прямо перед этим разговором!

У Алексея интересная карьера. Он начинал как software engineer, специализирующийся на Java. Затем он наткнулся на нечто, что заставило его захотеть переключиться на data science. Он сделал это, получив степень магистра в области Business Intelligence (о чём он позже скажет, что это была не лучшая трата времени).

После этого, на единственном собеседовании, он получил свою первую роль в data science и с тех пор продолжал расти в карьере. В этом разговоре я расспрашиваю его о его образе мышления, а также о советах для тех, кто хочет повторить его карьерный путь.

Хотите посмотреть нашу беседу вживую? Вот видео.

• • •

Для начала, пусть Алексей представится…

Алексей: Привет, я Алексей, lead data scientist в OLX. Моя роль включает слишком много всего и предполагает курирование всего, что связано с machine learning. Я стараюсь помогать там, где нужна помощь, и быть в курсе всего.

Я также много работаю с инфраструктурой — например, забочусь о том, чтобы, когда у нас есть модель, мы могли отдать её реальным пользователям. Ещё я много менторю людей — например, аналитиков данных или инженеров, которые хотят прийти в machine learning. Я помогаю им обучить первую модель и затем задеплоить её.

В 2010 году ты окончил вуз по IT и стал software engineer, преимущественно на Java. Затем, в 2013-м, ты пошёл в магистратуру по BI. Что было у тебя в голове? Почему переключение с software engineering на данные? Что ты увидел в 2013-м?

Алексей: Забавно, что ты спросил, что я увидел. На самом деле я увидел видео — точнее, видеокурс Andrew Ng (смеётся). Я посмотрел этот курс и подумал: окей, вот чем я хочу заниматься. Это привело меня к тому, что я стал проходить ещё курсы — также на Coursera — и общаться с парой компаний, которые искали data scientists.

Однако все говорили мне, что у меня недостаточно образования и бэкграунд не подходит. Так я решил, что мне нужно получить степень магистра.

Тогда я не знал, что BI — это не совсем data science (смеётся). Но у меня всё же было несколько курсов по machine learning, да и курсы по BI оказались полезными.

Для людей, которые хотят повторить твой путь, как им стоит об этом думать? Стоит ли им идти в магистратуру или получать дополнительное образование, как сделал ты?

Алексей: Я думаю, что путь, который я выбрал, был не самым оптимальным. Я потратил два года на магистратуру, но думаю, что мог бы сделать переключение месяцев за 6. Просто смотреть курсы, делать проекты и пытаться найти работу. Но тогда было непросто получить работу без «правильного» образования; область была ещё новой, и люди не знали, кого нанимать и какой бэкграунд нужен.

Сейчас проще. Люди примерно понимают, что они хотят видеть в data scientist. Например, PhD — это приятный бонус, но не критичный фактор.

Так что я бы не советовал получать магистра — потратишь два года, а не все курсы реально нужны. Хотя я изучал полезные вещи, не все они оказались полезными для меня.

Если у кого-то нет ни магистра, ни PhD, ты бы его нанял?

Алексей: Ха-ха, конечно! (Улыбается). Да, я знаю, что в магистратуре или PhD можно получить полезные навыки. Но я не думаю, что это единственный способ.

Eugene: Ну вот, друзья. То есть lead data scientist, сам нанимающий менеджер говорит, что магистратура необязательна — если какие-то рекрутеры вам отказывают, можете показать им это видео (ха-ха).

После завершения магистратуры в 2015 году ты какое-то время был research assistant. Затем получил позицию data scientist в Searchmetrics, где занимался SEO, text mining и т. д. Как ты это сделал? Что тебе нужно было продемонстрировать нанимающему менеджеру и команде?

Алексей: Я помню это собеседование. Оно было длинным — всего одно собеседование. Обычно сейчас бывает серия. Но тогда было одно — 2,5 часа; довольно тяжёлое.

Большую часть времени мы обсуждали мою дипломную работу. Она была про math information retrieval. По сути, работа с формулами в Wikipedia. Скажем, у нас есть выражение e = mc**2; мы хотим знать, что e здесь — это энергия.

Мой вывод такой: хорошо иметь проект, о котором можно рассказать. Это не обязательно дипломная работа, магистратуру совсем не обязательно проходить. Но у тебя должен быть реальный проект, реальное применение machine learning.

Это особенно важно, если в твоём CV мало опыта, если это твоя первая работа на full-time. Это может быть дипломная работа, курсовой проект, side-project, соревнование на Kaggle. Если у тебя есть, о чём поговорить, — это большой плюс; это делает разговор более гладким.

Ещё одно, что заинтересовало нанимающего менеджера, — мой опыт работы с Java. У компании было много сервисов, написанных на Java, и им нужен был кто-то, кто сможет помочь интегрировать machine learning в эти сервисы.

Так что знание Java и наличие проекта (о котором я мог рассказать) сделали собеседование удачным.

Eugene: Отличный опыт.

У меня был похожий опыт, когда я был на трёхчасовом собеседовании, которое включало обед. Компания, e-commerce-стартап, заинтересовалась моим опытом в соревновании на Kaggle по классификации товаров. Оказалось, что у них тоже была проблема с классификацией товаров, и им нужен был кто-то, кто это исправит. В итоге меня наняли.

Но это очень нетипичный опыт, и я думаю, мне повезло. Может, тебе тоже повезло. И поэтому, на благо наших слушателей…

Как ты провалился на своей первой заявке? Какие собеседования ты провалил?

Алексей: (Смеётся) Извини, я тебя разочарую. После выпуска у меня было всего одно собеседование, после него я получил оффер и принял его.

Может, на самом деле это было ошибкой. Может, мне не стоило останавливаться на одном собеседовании. Может, мне стоило пройти собеседования с большим количеством компаний.

Не пойми меня неправильно, я очень доволен опытом в Searchmetrics. Это была действительно отличная работа. Я многому научился и встретил много отличных людей, с некоторыми из которых до сих пор поддерживаю связь.

Но сейчас, оглядываясь назад, я думаю, что всегда полезно иметь несколько возможностей на выбор. Возможно, в каких-то случаях полезно иметь оффер и продолжать ходить на собеседования в другие места. Может быть, где-то есть что-то получше. Но если не попробуешь — не узнаешь.

С 2015 по 2018 ты дважды работал data scientist. Затем в 2018-м пришёл в OLX как senior data scientist, а сейчас ты lead data scientist. Для людей, у которых уже есть несколько лет опыта, — что значит быть senior? Я знаю людей, которые получают звание senior, и у них внезапно начинается imposter syndrome.

Алексей: Прежде всего, давай поговорим о самом звании; «senior» — что это вообще значит?

Если поговорить с людьми из разных компаний, все ответы, возможно, будут разными. Но я думаю, есть один общий аспект во всех ответах.

Senior — это тот, кто может взять на себя end-to-end ответственность.

И главное слово здесь не end-to-end, а ответственность. Если есть проблема, senior — это тот, кто найдёт способ её решить. Даже если это сложный проект, даже если есть препятствия, он разберётся. Он найдёт нужных людей и уберёт блокеры. Вместо того чтобы сидеть с блокером, он найдёт решение. Это, на мой взгляд, самое важное качество senior.

Если говорить именно о data science, я думаю, senior — это тот, кто может провести проект end-to-end. Это включает общение со стейкхолдерами, понимание того, действительно ли ML — это правильный инструмент, перевод требований на язык ML, понимание того, стоит ли проблема решения, разбиение большой неопределённой задачи на более мелкие задачи для других членов команды.

Это не значит, что он рок-звезда, которая может делать всё. Он будет работать с другими людьми — с product manager, со стейкхолдерами. Но ему нужно будет оценивать ситуацию — действительно ли стоит тратить время на эту проблему? Нужен ли нам ML, или чего-то более простого достаточно? Он может работать с data engineers или строить data pipelines самостоятельно. Затем он обучит модель и развернёт её.

Если кто-то может делать всё это, он на 100% может называть себя senior data scientist. Я думаю, важная часть здесь — первая. Mid-level data scientist тоже может обучить модель или работать с data engineers над pipelines. Но чтобы стать senior, существенно важны коммуникация и постановка задачи.

Некоторые могут назвать эту позицию lead data scientist. Для меня главное различие в том, что senior в основном вовлечён в один проект. Он принимает все решения по одному проекту. Он всё ещё очень hands-on — проводит более 50% времени за кодом.

Для lead — это больше проектов, меньше hands-on. Это больше коммуникации с несколькими стейкхолдерами.

Eugene: Если резюмировать, senior data scientist — это тот, кому можно доверять. Даёшь ему проблему — и он независим, бежит с ней. (Алексей: Именно)

А как они это делают? Им нужно end-to-end понимание. Они могут не делать всё сами. Они могут привлечь других людей в помощь.

И дело не только в том, чтобы делать вещи правильно. Дело в том, чтобы ставить под вопрос даже решение, стоит ли это вообще делать. Вот что делает data scientist senior'ом.

У тебя довольно разнообразный опыт — и в стартапах, и в больших компаниях. Люди, которые ищут позицию, наверное, думают: пойти ли в стартап или в большую компанию. Что ты думаешь?

Алексей: Что мне нравилось в стартапе — это знакомство практически со всем. Я мог делать всё, что хотел, не было границ.

И работы было намного больше, чем все в компании могли в принципе сделать. В нашей data science team было всего три человека. Когда тебя трое, приходится действительно тщательно думать о том, что делать, чтобы это оказало наибольшее влияние на клиента. Как это повлияет на наш продукт? Как это поможет клиентам?

И у нас ничего не было — приходилось всё строить с нуля. Как сделать так, чтобы всё не развалилось (т. е. устойчиво), и при этом двигаться быстро? Нам приходилось идти на множество компромиссов. В каких-то областях мы решали двигаться быстрее. В других — выделяли больше времени, чтобы сделать продукт надёжнее и устойчивее.

Это был весёлый опыт.

Я думаю, такой опыт возможен и в большой компании. Но в большой компании больше людей. У тебя не всегда столько свободы, как в стартапе, чтобы принимать все эти технические решения. Особенно в корпорации — у тебя есть вся эта существующая инфраструктура и инструменты, которыми ты должен пользоваться, поэтому будут какие-то ограничения.

Тем не менее, у стартапа тоже будут такие ограничения — например, время и деньги, которые также вынуждают тебя быть креативным.

Что мне нравится в корпорациях — там всегда есть тот, кто может научить тебя, как это делать. В стартапе ты в основном сам по себе. В корпорациях можно найти более опытных коллег, более зрелые процессы, а также больше ресурсов.

Я бы посоветовал людям, которые только начинают, и если у них есть два оффера, — идти в стартап. Скорее всего, там получится более широкий опыт. Ты столкнёшься со многими разными вещами. Тебе придётся разговаривать с sales, engineers, product. Ты узнаешь больше.

Eugene: Ха-ха, люди послушают это и услышат только, что Алексей сказал «Стартап» (Алексей: смеётся).

Мне тоже нравится жизнь в стартапах, но я добавлю немного баланса.

Я думаю, что в большой компании ты можешь работать с масштабом (Алексей: кивает). OLX присутствует в 40-45 маркетплейсах. Ты узнаёшь о разных культурных различиях, различиях в регулировании и работаешь с масштабом сразу через несколько команд.

Для людей в самом начале карьеры — я думаю, ошибиться никак нельзя. Всё будет просто отличным опытом обучения.

За свою карьеру ты работал со многими data scientists. Подумай о самых эффективных data scientists, с которыми ты работал, или о людях, которых ты уважаешь. Что они такого делают, что эффективно? Каково твоё определение эффективного?

Алексей: Эффективный — это тот, кто делает работу за разумное время. К тому же прагматичный в какой-то мере, не перфекционист.

Я помню моего team lead в Searchmetrics. Я многому у него научился. Он был действительно эффективным. Он мог просто прийти с проблемой, копать глубоко и сфокусироваться на её решении. Через пару дней у него уже было решение.

Я ловил себя на мысли: эй, я хочу быть как он. Я хочу быстро придумывать идею и развивать её. Это было круто.

А ещё быть эффективным — это уметь фокусироваться. Я знаю, что это очень сложно. У тебя так много дел, и приходится проводить день в митингах. Теперь, когда я это знаю, я ещё больше восхищаюсь его работой.

Я думаю, что эффективности помогает фокус на проблеме. Когда речь идёт о data science, мы часто сразу думаем о решении.

Окей, у меня есть эта проблема, и я ударю по ней этим молотком machine learning. Мы видим это, когда люди начинают с самых свежих, огромных моделей TensorFlow.

Полезно сделать шаг назад и подумать: действительно ли нам нужно решать это самой навороченной моделью на свете? Или есть более простое решение?

Просто фокусируйся на решении проблемы, а не на том, как её решить. Обычно самый простой способ решить — это правильный способ.

Также об эффективном обучении — я думаю, важен правильный баланс курсов и практики. Не просто проходи курсы.

Иногда мы проходим туториал и думаем, что теперь умеем всё. Обычно это не так. У меня после просмотра туториала и попытки применить это к проекту получается, что я не знаю тему хорошо (Eugene: именно).

Тогда мне нужно много гуглить, много ресёрчить. Думаю, это и помогает. После прохождения курса делай проект. Или просто делай проекты и учись по ходу.

Eugene: Алексей сделал отличное замечание, и я хочу добавить. После того как ты прошёл курс и попытался применить то, что узнал, ты осознаёшь, что есть 1001 вещь, которой ты не знаешь.

То же самое происходит, когда ты пишешь. Ты думаешь, что что-то знаешь, и пытаешься об этом написать. И понимаешь, что у тебя в голове пусто.

Делать проекты и писать — отличные способы консолидировать своё мышление и заполнить пробелы.

Когда ты собеседуешь и нанимаешь людей, как ты об этом думаешь? Что заставляет тебя сказать «Мы не можем нанять этого человека»? И наоборот?

Алексей: Обычно, когда я собеседую, я задаю простой вопрос на Python. Это очень простая задача, похожая на fizz buzz. Она требует одного for-loop и одного if-statement внутри него. Некоторые решают её за 3-5 минут.

Если у кого-то в CV указан Python, а он не может её решить — это no-go. Если кто-то приступает к задаче и говорит: «Обычно я гуглю, как сделать for-loop в Python», — для меня это очень подозрительно (Eugene: да).

Я имею в виду — зачем тогда указывать Python в CV, если тебе нужно гуглить, как сделать for-loop? Для меня это большой красный флаг.

Кроме этого момента с Python, других showstopper'ов нет. Это показывает, что человек заявляет, что умеет программировать, но на самом деле не умеет.

С другой стороны — что выделяется?

Наличие проектов выделяется. Наличие end-to-end ответственности, проведение проекта end-to-end, умение рассказать о компромиссах, которые приходилось делать, обо всех решениях, о том, почему проект начался. Это выделяется.

Я понимаю, что не все будут работать на таком уровне, чтобы быть способными ответить на это. Но полезно задаваться вопросом — зачем мы это делаем. А потом уметь продумать этот вопрос и нормально на него ответить.

Ты работал со многими data scientists в прошлом. Какие самые частые трудности и подводные камни, на которых спотыкается большинство людей?

Алексей: Люди часто недооценивают, сколько времени требуется на деплой модели. Не только сам деплой, но и построение data pipelines и т. д.

Также мы недостаточно времени уделяем тому, чтобы убедиться, что мы решаем правильную проблему — что то, что мы делаем, действительно имеет значение. Если ты потратишь полгода на разработку отличной модели, которая никому не нужна, то ты просто потратил полгода впустую.

Спроси себя: зачем мы это делаем? Какую проблему мы пытаемся решить? Кто пользователь? Как он будет этим пользоваться? Будут ли они использовать это так, как мы себе представляем, или будут делать что-то другое? Очень важно иметь этот разговор с пользователем.

По мере того как data scientists набираются опыта, они достигают точки, когда могут выбрать: продолжать строить продукты и системы как IC или строить команды и взаимодействовать со стейкхолдерами как менеджер. Как ты думаешь об этих двух разных путях?

Алексей: В настоящее время я IC как lead data scientist. Я не был менеджером, чтобы ответить на этот вопрос.

Тем не менее, что я вижу в IC-треке — это знакомство со многими проектами и меньше hands-on. Мне это нравится. Мне нравится направлять и менторить людей. На что им нужно обратить внимание? Что им нужно обязательно понять? Зачем нам это решать? Мне нравится задавать эти вопросы, взаимодействовать со стейкхолдерами и менторить людей.

Вместо того чтобы решать проблему самому, я показываю другим, как это делать. Это намного лучше масштабируется. Как lead я могу работать над несколькими проектами и учить людей, показывая им, как это делать. Хотя они могут быть не сразу эффективными, через год они смогут работать на том же уровне, что и я сейчас. Это значит, что я могу масштабировать свои навыки и таким образом быть более эффективным.

Вот что мне нравится в роли IC. Это технически, всё ещё hands-on, я всё ещё много занимаюсь pair-programming.

Для менеджера всё довольно по-другому. Им нужно думать о таких вещах, как performance review и прочее. (Eugene: бюджет, борьба за ресурсы, политика).

Но сейчас, когда я об этом думаю, я считаю, что попробовать менеджерский путь — не такая уж плохая идея. Возможно, хорошая идея — сначала иметь маленькую команду, скажем, 3-4 человека, и проверить, действительно ли тебе нравится аспект people management в этой работе. Если через 3 месяца ты понимаешь, что это не твоё, ты можешь спокойно отступить.

Eugene: Я думаю, это отличная идея, и компании должны предоставлять такую опцию своим техническим контрибьюторам. Стать менеджером может быть тяжело, и они понимают, что обратной дороги нет, выгорают и уходят.

Вместо этого, если мы даём людям опцию быть менеджером с возможностью откатиться, и после пробного периода они решают, что это не для них, они могут остановиться. И мы их сохраняем. Это win-win.

Оглядываясь на свою карьеру — что было пустой тратой времени? И что, по-твоему, тебе стоило сделать раньше?

Алексей: Магистратура — я не думаю, что она была действительно необходима. Может, тогда вроде как и была, но сейчас точно нет. Просто проходить курсы и делать проекты должно быть достаточно.

Одна вещь, которая помогла, — это то, что я начал фрилансить параллельно с учёбой. Это дало мне много проектов и отличное портфолио. Это было полезно. Хотя фриланс не для всех — если ты учишься и у тебя есть свободное время, это, наверное, хорошая идея — немного пофрилансить.

Eugene: Да, это отличный момент. Что трудно для людей, которые только окончили вуз — у них немного опыта, который можно показать. Фриланс, стажировки — это отличные способы продемонстрировать свою работу. Ты также узнаешь много того, чему не учат в школе.

Алексей: Ещё одна вещь — это документ, который у меня есть по каждому проекту. С самой первой встречи по проекту я фиксирую всё в документе. В чём проблема? Почему они думают, что ML — хорошее решение? Как выглядит успех? Какие следующие шаги? Каждый раз, когда мы возвращаемся к теме, я фиксирую это в документе. И со временем он отражает историю того, как эволюционировала эта проблема.

Я начал делать это в OLX, раньше я так не делал. Но сейчас, оглядываясь назад, мне стоило начать делать это ещё во время фриланса.

Ещё одна полезная вещь — писать блог-посты и делиться ими онлайн. Блог-пост помогает консолидировать то, что ты узнал, что важно. Я не думаю, что я делал это достаточно, и начал только в OLX.

Ты много говоришь о письме. Почему ты считаешь, что люди должны писать?

Алексей: Сложно писать и делать это чётко на бумаге. Все мои мысли в голове кажутся действительно ясными. Но когда я пытаюсь вытащить их в документ — это супер сложно. Всего две минуты назад, когда я об этом думал, всё было так ясно в голове. Но почему оно не выходит на бумагу так же?!

Я знаю, почему люди не пишут. Это сложно. Они тратят дни или недели, что-то пишут. И когда просят комментарии, получают много комментариев. И они… вздохнут… разочаровываются и сдаются.

Я думаю, помогает просто делать это больше. Чем больше ты это делаешь, тем легче становится. Хотя я пишу уже довольно давно, мне это всё ещё очень сложно. Но когда я заставляю себя писать, мне становится легче.

Письмо также помогает с устной речью. В будущем, когда у меня разговор или подкаст, как сейчас, эти вещи у меня в голове ясны, потому что я о них писал. И говорить об этом становится легче.

Я думаю, в этом сила письма, и каждый должен делать это, чтобы структурировать свои мысли и думать ясно. Даже если ты просто пишешь свои внутренние заметки, которые никто не видит, это всё равно помогает структурировать мышление.

Больше советов о письме от Алексея и других лидеров здесь.

В нашей области всё развивается очень быстро. Невозможно за всем угнаться. Как ты решаешь, что учить? Как ты понимаешь, будет ли это релевантно и стоит ли это твоего времени?

Алексей: Я помню, как пытался. У меня был один RSS-ридер, чтобы подписаться на arXiv RSS. Угнаться было в принципе невозможно. Также у меня была папка на Dropbox, я назвал её «To Read». В какой-то момент она стала размером в полгигабайта. Я помню тот день, когда решил, что я знаю — я это не прочитаю; это был хороший день (смеётся).

В какой-то момент я просто подумал: действительно ли мне нужна вся эта информация? Что я буду с ней делать? Просто осознание того, что переварить всю эту информацию невозможно, очень помогает.

Как выбирать, что учить? Не знаю, я просто стараюсь сосредоточиться на проблеме, которую решаю. Что работает для этой проблемы, то и пытаюсь найти.

Также последние 2-3 года я стараюсь учить вещи вне data science. Немного маркетинга, как говорить, как читать. Если тебе что-то нравится, ты учишься, а когда перестаёт нравиться — возможно, ты узнал достаточно и движешься дальше.

Eugene: То, чем делится Алексей, — это just-in-time learning (Алексей: Да).

У тебя есть проблема, которую нужно решить, ты пытаешься узнать о ней, и сразу же получаешь практику. Вот так это закрепляется.

Последний вопрос. Недавно ты запустил сообщество datatalks. Зачем? Как ты видишь его рост? Как оно поможет людям?

Алексей: Это как-то случилось само собой. Я пишу книгу, и один из читателей спросил: «А есть ли место, где я могу обсудить эту книгу?» Я понял, что такого места действительно нет, и решил создать место для этого.

Также мне приходит много вопросов в LinkedIn, Twitter, по email, в Quora. Я стараюсь отвечать на эти вопросы, но это не масштабируется. Это была ещё одна причина, по которой я запустил community slack. Люди могут задавать эти вопросы публично, и мы можем на них отвечать. Может быть, если я начну с того, чтобы показать пример, больше людей смогут помогать с вопросами?

Сообщество также проводит митапы. Одна из причин, по которой я этим занимаюсь, — иногда я хочу выступить на конференции, отправляю отличный proposal и получаю отказ (смеётся).

Это разочаровывающе, и я думаю: зачем мне отправлять proposal? Зачем мне нужна конференция? Разве я не могу просто рассказать об этом сам? Так это и произошло — может, я просто буду проводить митапы сам.

Также друг спросил: знаешь ли ты место, где я могу выступить? Конечно знаю! Это было мероприятие про SageMaker, на котором ты был. Это было наше первое выступление.

Eugene: На данный момент Алексей проводит один доклад в неделю. Я не знаю, как он выдерживает такой ритм, но это отличное время, чтобы присоединиться к datatalks.club.

Это был отличный разговор, спасибо, Алексей. Я выложу видео на YouTube и оформлю это в текст.

• • •

На этой неделе мы беседуем с @Al_Grigor, lead data scientist @ OLX Group. Он начинал как Java-разработчик, получил магистра по BI, а затем на одном собеседовании получил свою первую DS-роль. Я расспросил его об опыте, образе мышления и советах для начинающих data scientists. https://t.co/8oDiVYqGJQ— Eugene Yan (@eugeneyan) 2 декабря 2020

Связанные тексты

Informal Mentors: Chip Huyen, Machine Learning Engineer at Snorkel.ai Посмотреть все беседы в рубрике «Informal Mentors» здесь

Спасибо Алексею Григорьеву за интервью. Спасибо Yang Xinyi и Алексею Григорьеву за чтение черновиков.

Если этот материал был вам полезен, пожалуйста, ссылайтесь на него так:

Yan, Ziyou. (Nov 2020). Alexey Grigorev on His Career, Data Science, and Writing. eugeneyan.com. https://eugeneyan.com/writing/informal-mentors-alexey-grigorev/.

или

@article{yan2020alexey, title = {Alexey Grigorev on His Career, Data Science, and Writing}, author = {Yan, Ziyou}, journal = {eugeneyan.com}, year = {2020}, month = {Nov}, url = {https://eugeneyan.com/writing/informal-mentors-alexey-grigorev/} }

Присоединяйтесь к 11 800+ читателям, получающим обновления о machine learning, RecSys, LLMs и инженерии.