Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
我其实专门给这个频道
建了一个
就是Google的一个Email databricks account
OK你可以把简历
和自己的这些介绍发进来
东西我也会
就是邀请公司的一些其他potential
manager和其他的一些recruiter一起来看
我我觉得我尽我所能去解释一下
就是说databricks的hiring的这个
它的一些unique一些地方
特别是它practical unique地方
以及跟这个industry
就是目前的这个training有什么联系
嗯因为你的interview perform比较好
有可能是因为你只是work hard
你准备的多
你刷题压中了
对甚至你还有作弊
你可以就是一边问这个
有很多这样的软件对
对所以说这个是precision并不是很高
嗯但是我可以承诺的是OK
如果说你真正的看明白了
听好了这两个视频
嗯你应该有smarter way
找到对的人帮助你
有道理有道理
我觉得我们还是从上期聊到这个
framework开始
嗯这里面就是最关键的
最关键两点
第一点是databricks它的unique在哪里
嗯第二点的话
才是候选人需要什么样的特质
然后呢
跟databricks能够形成很好的这个partnership
嗯
嗯首先就是说我
我先说一下
就是我希望
就是就是扮演的这个这么一个角色
这也是我跟所有的这个
其他的
就是candidates聊的时候我说的第一句话
我扮演的角色不是influence
大家来databricks
嗯
相反我希望扮演的角色
是帮助大家找到自己最好的选择
嗯因为对我来讲
最坏的情况就是有一个人加入了databricks
加入我的team
加入我的组
过了3个月
半年之后发现不适合
嗯这是对我来讲是最痛苦的事情
确实对这个candidate more or less
也是比较痛苦的事情
是哎
所以说我不希望就是大家有个bias
我们的目的应该是去
就是就是
比较
就是就客观的看待这个事情
嗯哎
所以说我可以先讲一下
就是说
databricks最unique在这个
在这个这个high level比较unique的地方
当然
我不知道就是有多少的同学他
已经对databricks公司有了解
要不要
就是我需要介绍一下他的business
或者什么东西
我们觉得
嗯我觉得这个视频面向的
应该是对databricks有些了解的
但是我后来想
我虽然是做数据的
我是因为采访了Reynold
要去采访Reynold
所以才对databricks有了更多的了解
真的之前其实了解不多
所以
我觉得一个简单的介绍还是必要的
我先说一下
就是当然我我的介绍也是bias的
OK我鼓励大家自己去
网站上看
去看视频
以及用这个community的
用一下databricks这个产品
OK databricks呢
我觉得就是它解决的是这么一个问题
在我看来
它是帮助就是大企业
中企业以及以后的这个小企业
甚至professional解决这个data perform的问题
或者是data and AI的问题
什么意思呢
我们来想一下
就是说在过去的十年二十年里面
就是这个
我们的it
这个产业的revenue的大头来自哪里
比如说谷歌怎么赚钱的
meta怎么赚钱的
是不是AI是它的
真正的这个动力
我觉得还是广告吧
哈哈但是广告怎么做过的
广告你怎么知道谁喜欢什么东西
嗯是
对吧你其实有个很好的
你的这个AI的AI Infra
嗯有ML Infra
嗯能够做推荐
能够知道什么样的广告应该推送给谁
是但是Costco
他怎么解决他的问题
比如说
一个医院怎么解决它的问题
USPS怎么来进行很好的这个prediction
嗯
所以说现在呢
这个我觉得data and AI
它并没有这个变成一个commodity
并没有就是商品化
是我觉得说databricks的这个
或者是mission和vision也好
就是让世界上的这些所有的公司
不需要花钱去build自己的团队
就能够有这么一个很好的平台来做
data和AI
这听起来是一个非常大的事情
但是我觉得
这个其实在历史上
发生了好多好多好多好多好多事
嗯
就比如说你可以想象成OK
这个这个话题
话题扯远了
因为就是如果这个话题要扯远的话
你要再把这个AI的这个
这个新的这个AI的lm
这个环境放下来
再了解
我觉得我们今天没有必要
但是大家可以去看我跟Reynold的访谈
哎对对对
这两个话题都会跟
他的Reynold应该是更好的
提供提供这些feedback的
或者是提供contacts的一个人
OK好
第一个的话
我们讲了databricks的话
它在这个market fit里面
扮演的是一个什么样的角色
OK
那第二个呢
我觉得就是我还是要去
就是强调一下databricks呢
它是一个比较小的
甚至是比较
就是都不能算
就是middle size的一个公司
它还没有IPO
所以说当当你提到了OK
大家觉得
这个是个什么
独角兽
然后呢有可能有很多potential
你如果只看到了benefit
没有看到风险的话
嗯你是bias的
对
所以说我用
我的话来描述
你在看databricks的时候
你应该把它看成是这样子
OK是什么意思呢
你不能只看到它的天花板很高
嗯你要看到它floor也很低的
嗯OK
这个risk一定是在这里的
嗯那假设大家分析了风险
然后觉得我愿意take这个calculated risk
然后大家去看这个mission
觉得嗯
我觉得这个mission可以
我愿意去做
那接下来还有什么东西大家应该注意
我觉得大家还要注意的是
另外的一些
就是我我
我往往会跟他们强调的一些特质
最近就是网上有很多的讨论
我不知道
你应该也应该知道就是说
那个我猜有那个讨论
不是databricks的
是关于另外一个话题的
叫做那个founder lead
和manager lead
所以说但是历史上看OK
很多的pre ipo的公司
最后的IPO
我自己没有严格数据统计
但是呢我选了一些sample
80%最后都破发了
嗯 80%的话
其实你不能用得到它
但有20% 其实在有段时间内的话
你会grow up比较好
嗯但即便是这20%
你换到更长的时间里面来看
说不定也不那么好
比如snowflake
刚才提出来就是一个
前面提出来就是一个例子
嗯对吧
所以说大家可以就是说
从数据上去分析
但是另外一点呢
就是说往往founder在前线工作的公司
OK最后呢
结果呢是相对来讲是比较positive
至少在这个公司IPO之后的
可能三年
五年这
他如果这个founder还在前线工作的话
都是比较positive的
嗯我看Airbnb是一个很好的一个例子
Facebook
对meta是大家想到的第一个例子
以及Google的黄金20年
嗯确实对
databricks现在是founder在
databricks的这些founder
不仅仅就是还在工作
而且他们还在
前线工作
嗯
那我就比如说你去采访Reynold
我的这个final decision最后要他sign off的
他还经常
就是
没有说经常吧
但是反正就是有两到三次
他会challenge我的这个decision
哦对
他会看这个package说
哎好像我们没有
就是真正的非常的
这个不是非常
说的是不是有一些risk
你要不要推一些action
之后再再重新考虑一下
他会他会
他会看
对他会看我的每一个小的comments
会我做的这些
所有的这些笔记
这些
做的这些这些
这些reference
OK他会看这个
他的简历
会找出一些就是他不不不
comfortable的地方
那这是第三个点
那还有其他一些点
尤其是这个公司
我直接就帮大家心中的问题问出来吧
就是大家觉得这是一个非常卷的公司
大家觉得就是其实很多人外界
你在内部的感觉肯定是不一样的
但是或者说你知道外界的想法
但是你觉得他们说的不对
可是我外界的想法就是我
大家看databricks觉得这是一个
hiring bar非常之高的公司
然后是上市前景
就是
它可能是现在最有前途的公司之一
然后进来以后非常卷
你可不可以address一下这三点
我们直接先来说
卷是什么意思
如何衡量卷
如何定义卷
我觉得有两种觉
有两种定义一
种定义呢
是我觉得不爽的那个定义
就是内卷
就是大家去争一个scope
在之前的Microsoft
现在亚马逊等等大公司很多
就是你的interesting problem少了
但是你的people很多
所以说大家就拿着枪互相指着
然后这样内卷无效
内卷
我在腾讯也经历过很多这样的事情
这个是不好的
另外一个呢
就是工作时间长
第一种卷我们可以放掉不说了
因为我相信
在databricks这样一个高速发展的公司
是不存在这样问题的
就是scope
是很多的interesting problems
是很多的东西做不来哦
但是后面这个问题
可能还是很多人关心的点
嗯
我觉得你也总结的很好
OK第一个呢
我稍微提一下
很简单
就是你是不是进入了囚徒困境
你是不是在一个零和市场
哦如
果你不幸选择进入了一个零和游戏
那你是没有出路的
后面的都不用谈了
你一定是活的很痛苦
所以说选择重就是大于自己的
这个努力
就是你要非常smart的去找到一个
不要在零和环境里面去工作
那么看databricks哎
首先它是就是面向business的
他是data and
AI的大家可能想OK
它的竞争对手是谁
OK有什么
snowflake有这些
比如说大的cloud provider
GCP还有就是Azure
这些东西是不是也在内卷
但是其实不是一个零和游戏
因为这个蛋糕就是本身会变大
所以说你哪怕永远只take30%
但这个蛋糕本身变大的话
你的绝对数量还是在grow的
嗯OK
所以说就是就是
就是首先就是你要选择
就是不要进入一个零和游戏的市场
嗯这样子呢
就避免那就是没有意义的这个内卷
嗯OK
那回答你的第二个问题
就说假设我们现在
在一个很好的
一个一个快速growth的环境
如何去
就是说rationalize
就是说
工作时间长
或者是
压力比较大呀
首先你承认工作时间长
压力是压力大吗
我不承认
我自己不承认
哦
因为当然这个每个人 采访一下
看看他承不承认可以
但是每个人每个人情况是不一样的
OK我为什么不承认呢
因为我不以工作时间长为荣
相反我以工作时间长为耻
因为对于我来讲
就是说我自己还是一个
就是对工作有self critical
的人我的critical不是对结果critical
是对过程critical
我希望做出很好的结果
但是不要通过加班
对不要通过
就是增加工作时间来做最好的结果
嗯所以说我希望结果漂亮
那这个过程也很漂亮
那另外方面的话
我自己person的话
我是这样子看待的
就是我自己信奉的就是方法
是work smart
嗯try hard
嗯
不是work hard
不是work hard对OK
什么意思呢
我们我举个例子
我们说招聘OK
我们过去一段时间
我这个team大概有5-6个headcount fill
嗯
那我如果说只是按照traditional的方法
去LinkedIn
发东西给大家做cold code的话
这不是scalable的
因为precision太低
你会有各种各样的原因嘛
OK所以说
我要停下来想想有没有什么smart方法
才有那个什么举牌子的事情
对今天的interview这个事情
对
OK那我一旦当
当然我一刚开始插牌子的时候
我的这个bar是说
我只要能够找到一个candidate
能够送进hiring committee就满足了
但最后
其实我们就是有两个candidates签了offer
嗯所以这个例子就是一个典型的
就是说我觉得我希望能够work smart
而不是
单纯的这个延长加班的时间
嗯可不可以 那个给大家看一下
对这个是对
这个牌子是我自己在
在家里买了一些材料制作
然后插到了一些比如说Google园区
Facebook园区
还有一些1.5 million 的 single
house family
所以说
如果说
就是更多的你去考虑如何去open mind
如何去work smart
OK再回到
就是刚才说的
就是你找到主要矛盾
嗯因为我相信
你花20%的时间
去解决那最重要的20%的问题
80%的problem消失了
是
所以说
我是希望就promote这么的一个方法
是嗯
我觉得那
那其实这个就很清楚
然后也跟观众们讲一下
就是databricks
确实它是一个在高速成长的公司
有很多机会
希望呢候选人也是一个有进取心
然后乐意去take on这些机会
take on这些challenge
然后去工作的
如果说你特别在意work life balance
特别在意时间
我觉得很正常
就是有的人他就是想追求这个
那可能也未必是一个合适的机会
那这种情况下就是也不要勉强自己
哦对
要不你总结一下
OK不适合databricks的候选人
就是可能是一个比较portfolio
看起来还不错
但是不适合databricks的人
都有哪些可能性
那我还是回过头来就讲一讲
就是说怎么样子的人不太适合
然后再来讲一讲
就databricks
其实具体的interview是怎么筛选的
尤其为什么hiring bar这么高
和你们hiring bar是怎么体现的
OK嗯
首先我们来讲一下
就是说什么样的人不太适合
我觉得第一个不太适合的话
就是说因为databricks的这个financial
risk的刚才提到了
这个range非常广
所以说
你如果追求financial上面的确定性
就比如说你一定要什么
花多少钱还房贷
你一定就是觉得
就是说要非常stable的现金流的话
这个肯定是要三思的
哪怕别人觉得OK
接下来就是x x个月
他可能会IPO
可能会上市
但是我强烈建议大家
不管他上不上市
这是一个这是
这是不相关的question
你永远应该把它
看成它是一个就是
在10billion到100billion这么的一个公式
这个公式的波动性就是很大的
第二个的话
我觉得
其实我简单的讲就是
如果说你对uncertainty
就是不确定性比较厌恶的话
哦我觉得不太建议
就是嗯加入databricks
或者是我觉得也也不能说是不太建议
OK但是我
我我的我的
就是更好的说法是
因为这个uniqueness就是databricks给它
因为它是在一个今天我说了
它是一个中型的这个player
嗯它要看好结果去double down对
所以说他的变化会很快
而且他的不确定性也很多
对对好
然后呢你你你
如果你这个是skill
你自己就是希望做事情的方法OK
你一直是希望找确定性
而不是comfortable不确定性
不确定性是如果让你感到就是焦虑
而不是让你感到兴奋的话
OK那就三思了
当然这里也是一个很好的话题
焦虑和兴奋其实是一个emotion
你的心跳感受是一样的
嗯
当你紧张的时候和你要上台
发言的时候其实也可以是你excited的
然后呢我很想拿到这个机会
我想到了
又是Huberman的一个
就是它叫stress is performance
enhancing method exactly
嗯但是我觉得
可能大家的感
就是心理感受可能还不一样
就是可能你身体感受一样
但是心理感受可能还不一样
所以说这里面trick就是说
当你感到你焦虑
你紧张的时候
你告诉自己
i'm excited我很兴奋
我可以perform
嗯然后呢
这身体就会告诉你哎
其实是非常positive的一个感受
OK所以说
anyway就是你可能认同可能不认同
不认同的话可能就不适合
认同的话可能就更适合
对对我如果
如果如果主要到call out的话
其实就是
真的就是
只能就是
你要理解清楚这个风险
然后呢你如果说就是说
不太喜欢
就是比较厌恶这个这个不确定性的话
OK就要三思
嗯
当然有一个就说你
如果你比较有很强的这个entrepreneurship
嗯OK
你愿意take a capital risk
你愿意去bring value
OK你愿意
就是说
做一些unconventional的事情
当然在就是
还是在一个边界以内的
OK那你可能会就说比较喜欢
对对对好
那那我们再再继续讲
讲到这个hiring
尤其是hiring过程和这个hiring bar
和你们的面试方式
嗯首先我们来说一下这个
就是就是就是大家的感受
hiring bar然后会比较高或怎么样子的
我觉得这里面或多或少
我有些感觉是有些bias的
嗯因为大家会觉得hiring bar比较高
我觉得更好的说法是是不是精确的fit
你不能就是把它
因为fit是一个
就是高和低是一个一维的模型
有100就比50要大
嗯对不对
但是fit是一个更全面的多维的模型
对吧你不能说100:50更fit
因为就是有可能就是
嗯是不能
不同的perspective不一样的OK
所以说我觉得就是
你可以说databricks更加Picky
嗯
不能说他的bar比较高
哈哈哈
但可能可能大家觉得是一样的OK
但是但是我们
但是
我觉得这个我们不用去争论太多
我们可以
我我觉得我尽我所能去解释一下
就是说databricks的hiring的这个
它的一些unique一些地方
特别是它practical unique地方
以及跟这个industry
就是目前的这个training有什么联系
对应该
是一个很不一样的process
尤其是现在industry的
就是普就过去的那个process
非常broken
嗯哼
尤其gen AI出来了
以后你online就可以解leetcode hard
干嘛要hire一个人过来去面试你
leetcode hard
对嗯
但这里面就是我们
还是还是
接着上次说的
OK hiring的过程
其实对任何公司来讲
就是一个decision making的过程
对它其实就个classification的一个算法
是OK我们衡量它的方法就是看
precision和recall
对那如果说大家不知道的话
precision就是说我的这个方法
认为你好
你是不是真的好
是
recall就是我的方法
认为你坏
你是不是真的坏
所以说最好的情况就是precision很
这classification的
这个precision和recall都很高
对
换句话是我这个把这个算法跑下来
我认为你好
你的确好
我认为你坏
就的确坏
这是最好的方法
对对吧
好但这两个可能是trade-off的
OK有可能你可以牺牲recall来提高precision
是的
那我们先看一下
全都认为是好的话就不会有recall
好
我们回头来看一下
就是传统的这个靠 interview behavior
来筛选的方法
嗯我觉得它在目前的环境下面OK
它是一个相对来讲low Precision
low recall的方法
嗯因为你的interview perform比较好
有可能是因为你只是work hard
你准备的多
你刷题压中了
对甚至你还有作弊
你可以就是一边问这个
有很多这样的软件对
对所以说这个是precision并不是很高
recall也不是很高
因为我相信很多就是非常优秀的
这个candidates
他并没有花太多时间去刷题
他也他也
他也不想去做这种
就是说为了应试而去准备的一个工作
他可能就过不了这个bar
或者过不了这个interview
所以说
嗯虽然说过去10年
你们都大家都可以刷题
然后来来拿到拿到这个offer
但是呢
这个因为precision和recall都在降低
普遍的认为在降低
所以说这个方法不是那么好了
嗯好
那那我们看看什么方法比较好呢
一个比较好的方法是
你如果过去都做的比较漂亮
比较成功
往往他的precision是比较高的
是
OK什么意思呢
就比如说你是一个
名校毕业
然后呢你加入了就是大厂
然后呢你的career growth都很漂亮
OK你就是非常reasonable
甚至是better than average
之间有promotion
然后呢
你工作的岗位也是非常impactful的
这些这些这些产品
最后的话
你对这个
这个domain里面也有这个很长的commitment
你的这些你也不是经常的换主
OK那然后
然后不是这些公司都有什么peer bonus呀
还有这profit的这些number
okay consistent呢
你都是比较好的
那这个结果是应该有很好的
这个precision
对吧当你看到这个profile时候的话
你可能就会相信okay
这个profile看起来就非常的就是
就是就是positive
嗯okay
这就是通过background
这是很make sense
对人的past behavior是最
好的future behavior prediction
是的是的
okay这是一个很好的一个precision
但呢他recall
其实并不是很好
因为有的人狗屎运不好
就比如说
你想想
我如果2012年加入了那个微软的手机
对吧
我很有可能
我也没有一个
就是相对来讲
进入Azure这个company
一个profile对
但是人还是一个人
对
OK所以说通过过去的经历
有可能会miss好的候选人
是因为他运气不好
是是OK是对
就是我们经常说升职这种东西
你不能强求
结果确实就是会很受运气影响
好那我们看看还有没有什么东西
它的precision不是很好
recall却很好的
嗯
这个呢
叫做reference
嗯就是曾经跟你一起工作的人
他怎么评价你
对
如果那个人都说你不行
那可能真的是不行了
对所以说他的recall很高
起码不smart with people
对exactly对
但如果说他说你行
那有可能是你和他关系比较好
或者那个人大家就不喜欢说坏话
所以他precision可能稍微低一点
对
哎好
那databricks呢
它的这个方法呢
它就是combined
三个互相补充
嗯就它既有这个interview performance
还是你要去做题
做design OK
但是呢他非常care
就是你以前的这些经历
对他也care
就是说跟你工作过的以前的老板
同事怎么评价你
但像这三个放在一起就可以
互相balance precision and recall
可是这个听起来不是非常unique
感觉所有的公司都做这件事情
你去任何一个公司
他都要面试
然后要看你的简历
然后会背景调查
有什么实质的不一样
就是有要看这个公司
他是做一个游戏还是认真的
是我们说背景调查嗯
in all phases
很多人他很多公司
他就是做一个过程而已
对第三方
我觉得国内公司
那个
那个都不叫背景调查
我说的背景调查是比如说
就是
我会打电话找到以前跟你工作的人
跟他聊半个小时
嗯
OK然后我会push很多difficult question
哦就像面试一样的人去面试
对对人有的时有的时候
那个接受reference这个人
他他不是非常comfortable
刚开始当然最后聊完了之后OK
我希望能够让他就是comfortable
刚开始的conversation
很多topic
并不是comfortable
对因为要评价背后
评价一个人
对的是的是的
但是我会营造一个气氛让他知道
就是说我们其实应该做一个honest的
一个conversation
这样子对大家多好
对这个这个就是这样
你你你你提到了
并不是 很多公司看起来都有这个流程
对但是执行的人
他是不是真的believe in这个系统对
才让这个过程的细节里面有很多出入
嗯有道理
好的这三个是比较有可能
大概比重是什么样子呢
你觉得呢
我觉得就是嗯
如果是理想情况的话
应该是过往经历占50%
然后剩下的话
大概你的面试20%
然后口碑30%
我觉得你的这个比例非常的好
databricks其实我觉得大差不差
就是这个比例
哦是吗
哈哈对
就是就是他
philosophy说OK
你首先要后面就是你
你的简
你的你的这个以前的background的很好OK
我们才大家才对你感兴趣
然后呢你的reference应该也不会太差
在这两个情况的保证的情况下
你的interview只是为了从另外一个角度
证明
前面两个收到的信息相对应是准确的
因为你想两个都很好的话
interview的结果应该不会就是说
那种就是不成体统的
这么这么一个情况
确实吧哈哈哈
所以说我觉得很多时候
大家觉得有的看的是觉得这个interview
这个最后哎
我好像各方面题都答得很好
最后没有offer
其实有可能是因为他第一个和第三个
嗯不是那么好
嗯导致最后就是没有一个
就是offer的一个情况
但是呢在他的impression里面的话
有可能他就会觉得这个bar很高
明白明白
那这样picky我觉得还有两个点
就是第一
你要有这样的资本去picky
对于我我是任何公司的都想
我要招最牛逼的人
然后给他最少的钱
也不一定给最少的钱吧
但是我能我要招到最最牛逼的人
在accept to cost的情况下
但是优秀的人不一定愿意来
所以说你有什么资本这么picky
我觉得不是资本的问题
嗯
你你当
我们可以从资本的这个角度去想
但是呢
这里就是变成一个零和游戏了OK
因为我有资本
所以说我才能够做
其实情况不是这个样子的
因为我们要站在
就说就说
我如果站在
整个这个job market身上来讲OK
哪怕databricks非常的picky
或者哪个公司非常的picky
但是这个池子里面的potential的
好的candidates的数量
绝对算是特别特别多的
没有到说你picky了之后
然后就就就就就
这里面就是找不到人的
一个一个角度
所以说这里面的关键在哪里呢
我的观察是
因为很多潜在的potential candidates
嗯他对这个job market有bias
嗯OK
所以说他没有学会用自己的优势
嗯因为很多人他在大厂里面
或者在很多地方就是工作的挺好的
他也想换一个机会
嗯但是呢
他又有bias想到卧槽
我又要去刷题吗
嗯就停下来了
他没有想到
他把他以前的这个简历
他的这些
收到的这些
就是peer bonus呀
还有reward呀
OK写到简历里面
发给像databricks这样子
非常unique的招聘的方法
这时他已经成功了90%了
他其实不需要太多时间
去真正的去准备一些
什么刷题这些
这是个很大的bias
大家想到面试的时候会觉得
尤其软件工程是这样的
就会觉得百分之八九十是
在这个面试的过程中
其实你百分之八九十是你的工作
reputation
哎对
所以说
有的人就是他没有看到他reputation
是他足够多的优势
他还在站在5年前
他刚毕业的时候的找工作的经历
去calibrate
他他即将拿到的经历
对所以说
我也是希望用这个频道让大家知道OK
你的unique优势
优势
有可能跟5年前已经发生了变化了
你要把它用好
market也发生变化了
大家不是那么看重这个interview
performance了
相反更加看重你的这个reputation
那你如何把这个reputation build出来
所以说我们这里说了databricks
就是说当然我刚才讲的这一块是
这单就 engineering的
嗯哎
对于比如说TPM呀
还有product managerOK
或多或少
high level的这个guide principle也是一样的
但是呢
在具体的这个侧重点上面的话
就是有一些不同的区别
甚至呢在IC里面就说
比如说我可以举个例子
就说我们说一个是tech lead
你看怎么样子
在databricks眼里算一个比较欣赏的
就是比较fit的
可以形成partnership tech lead
怎么样子呢
就是也不太
就是
不一定就是说适合databricks目前的这个
这个这个需求
咱举个例子
就是elaborate对对对
举个例子
嗯因为首先就是我自己
个人不太喜欢用lead的这个词
因为你一旦用这个词
你就不是非常inclusive了
就好像有的人一定是在follow一样
是吧
所以说但是呢
就是为了conversation
我们还是说这个industry里面
有的人叫做tech lead
我们还是把他叫tech lead
嗯这里面的话
我觉得那个
大厂和中厂
他的unique challenge有可能不太一样
大厂的很多的execution
的unique challenge是coordination
嗯OK
是中厂里面的
challenge
execution challenge可能是真正是解决难题OK
所以说在大厂里面的话很多
这个conventional Tech lead
我觉得他做的是teacher leading
就是teacher lead的意思
就是说他主要的工作是
把一个大问题分解成小问题
把小问题交给比较junior engineer
然后hand hold
junior engineer
像老师一样教他们你应该做什么
然后check他们的结果
我开始像布置家庭作业一样
对哦是这样的对吧
就是deal with ambiguity
然后architect solution
然后break down
然后呢我我观察一下
databricks的这个Tech lead的话
当然也写了我们的这个ladder里面的
OK我把它叫做visionary leading
什么意思呢
就是有的事情非常非常的难
大家都不愿意去做
直到有一个人做出了成果
让别人看到
别人就相信了
嗯所以说这个tech lead
他不是教别人怎么做
它是观察一件事情
把最unique 的 challenge找出来
通过innovative的方法把它解决
证明它是可以被解的
然后所有的population
整个整个团队就相信了
然后呢
接下来就是大家就可以
就是很好的去做更多的execution
然后把它scale out
就在我教那个gen AI课里边也教了
然后很难的
当然就是你一个valuable的idea
它的necessary condition
one of the necessary conditions是
它是一个correct contrary idea
就别人看不到
只有你能看得到
对
但是问题是你看到了你的definition contrary
别人不相信
是的所以说你要把它
设计出来
对对然后大家才会去对
但是这个东西才是有价值的
是的是的是的
所以说要求好高
但是在但是这个游戏很好玩嘛
是对吧
而且很有可能就是的确你他他
可能他物理上就是无解的
虽然是无解的
我感觉他不知道出来之后还是无解
最后有可能
结果就不是那么好
但是我希望就是你
如果mindset合理的话
你会接受这个
最后
最后也没有什么结果的这个东西
这就是live with uncertainty
又回也回到了
就是我刚才说了
怎么样的人
就是可能会enjoy这个过程
好呀那还有没有什么想跟大家说的
对
我觉得最后呢
还是强调一下
我的position不是influence
大家加入databricks
嗯一定要有自己
自己当自己做一个很好的agent
还自己做很好的这个decision making
当然
如果说你需要什么帮助的话
我觉得
我其实专门给这个频道
建了一个
就是Google的一个Email databricks account
OK大家可以
你可以就是放到那个
视频的那个字幕
或者是评论区的那个置顶
对
大家如果说
对databricks
真的是觉得自己非常fit
OK你可以把简历
和自己的这些介绍发进来
我建议的话
就是说你把简历放进去
介绍一下
就是自己以前的这些经历
你的career development
你的promotion
当前的level
还有就是你以前有些哪些荣誉
就是你收到哪些奖励
工作哪些领域
还有一个
就是说
你自己就是care那些东西OK
你为什么就是
觉得databricks
potentially可以跟你是一个partnership
嗯这些东西发过来的话
那我会在那个alias里面去关注
就是大家发过的
东西我也会
就是邀请公司的一些其他potential
manager和其他的一些recruiter一起来看
希望的话
这也是另外一个渠道
能够帮大家
就是就是
就是加快这个这个recruit的一个流程
好
我觉得这个是一个比较确定要来的
如果还不确定的人
他可不可以发一个你
就是我还
我希望大家也能给你约
比如说15分钟的时时间
或者半小时的时间聊一下
但是这也需要筛选
就是足够有诚意的候选人
那这种情况下
你想要一个什么东西
这种情况下的话
我觉得
很矛盾嗯
因为
我不敢去承诺我自己的时间
对OK
我也不敢在这个视频里面
就是替这个公司的别的manager
或者recruiter来承诺这个时间
嗯但是我可以承诺的是OK
如果说你真正的看明白了
听好了这两个视频
嗯你应该有smart way
找到对的人帮助你
有道理有道理
但如果说你还是不知道
很有可能
这个
对对
再花时间去想一想
对是应该再花时间想一想也
大家如果需要问的话
我可以在会员频道里边问一下
对我觉得其实是
我们社区里边有很多这样的资源
包括怎么样子改简历
怎么样子去build自己的product
其实是有非常好的资源的
但是这种东西
对需要
需要需要
需要有自己足够的investment
我不是说钱
我是说时间
和你的这个
愿意去try hard
嗯OK
好的那就先这样谢谢
谢谢
好多谢
好的拜拜