Перш ніж розпочинати навчання, варто зрозуміти, чого саме хочеш досягти. Якщо робота в ІТ, то що саме це має бути: тут можна нарахувати десятки, якщо не сотні напрямків. Часто новачок боїться озвучити ціль, бо коли вона стає конкретною, є ризик, що не дійдеш до неї.
Один зі знайомих, який думає про перехід із бренд-менеджменту, досі не може зрозуміти, що йому цікавіше: маркетинг чи аналітика. Розвиватися в обох сферах важко, оскільки кожна вимагає багато часу для освоєння і має свої інструменти.
Ставлячи мету перед звільненням з попередньої роботи, я ставив чотири питання:
Одне з того, що допомагало протягом світчингу, — трекер часу. Цей інструмент поки що мої знайомі ігнорують, але я впевнений у його ефективності. Не вимірюючи навчальний час, не бачиш скільки вклався у нього за день, тиждень, місяць. Для мене ідеальним варіантом став Toggle Tracker, його безкоштовної версії вистачає для усіх потреб.
«1000 годин для навчання» для мене звучить гарно й амбітно. Хоч це й нагадує «правило 10 000 годин Градуела», але ідеться трішки про інше. За 1000 годин ти здобудеш навички, необхідні для початкового рівня. Але це повинна бути цілеспрямована робота над собою.
До війни я розглядав два підходи світчингу: поступовий і радикальний. Ці форми актуальні і нині.
Якщо нині все ж є змога обирати, то радив би почати з поступового шляху: щодня приділяти хоча б годинку, щоб вчити основи в обраній тобою сфері. Якщо захопить, то можна і довше.
Я обрав напрямком роботу з даними, вивчав ази Python, читав Kaggle та дивився влоги людей, які вже працювали в аналітиці та Data Science. І готував себе до радикального шляху.
Декого з моїх знайомих стримує той факт, що нинішня робота все ще приносить більше, ніж посада новачка. Тут немає правильних рішень: або погоджуєшся на менше і з часом компенсуєш втрачене зростанням оплати, або ж лишаєшся на стабільній (поки що) попередній роботі. Але як побачили за останні три місяці — ця стабільність може бути дуже хиткою.
Після розуміння цілей та часу на навчання, визнач, що саме збираєшся вчити. І для себе, і для знайомих я використовую такий алгоритм:
Особисто моїм топом в аналізі даних став курс з Python на 4 місяці від Beetroot Academy, який розбавляв SQL, Power BI, Tableau, статистикою, практичною роботою з даними, англійською та активністю з пошуку роботи.
Це питання залежить від того шляху, який обираєш. Якщо світчитися поступово, то варіантів три: ранок, вечір, ранок + вечір. Все залежить від біоритмів та хобі. Мені складно вчитися зранку у будні, але набагато легше ввечері після пробіжки. Комусь — навпаки.
У випадку радикального шляху, можна вчитися, коли завгодно. Але все ж раджу використовувати час з 9 до 18, щоб все-таки був певний режим. Під час свого «добровільного безробіття» практикував спільні виходи з дружиною з дому: вона йшла на роботу, а я повертався додому за 10-15 хвилин, ніби на власний офіс.
Раджу пам’ятати про так званий снек-час. Тобто проміжки у 10-15 хвилин, які можна використати, щоб засвоїти щось нове. Наприклад, у черзі чи в транспорті. Якщо повітряна тривога зустрічає мене не вдома, то маю з собою додаток Udemy, й у сховищі дивлюся актуальний курс.
Звісно, код на телефоні писати складно, але послухати тему зі статистики чи теорії ймовірності цілком можливо.
У перші тижні війни мені, як і багатьом знайомим, було складно сконцентруватися на роботі, не кажучи про навчання. Але поступово цей ресурс вдалося відвоювати у ресурсів з новинами.
Останні кілька років мені допомагає система Pomodoro: розподіляєш роботу у відрізки по 25 хв і потім 5 хв відпочиваєш. Це зручно у роботі з digital, коли маєш багато коротких задач.
Але у випадку дата-аналітики, особливо там, де йде робота з кодом, цей підхід не працював: пів години — надто мало для того, щоб в’їхати у задачу і придумати хороше рішення. Тому підхід, який працює для мене останній рік — 50/10: 50 хвилин сконцентрованого навчання чи роботи та 10 хвилин відпочинку. Разом це — година, щоб допомагає зручно моніторити, якщо починати цикл на початку години.
У ці 10 хвилин варто розвантажити голову і попрацювати руками: застелити ліжко, помити посуд, прибрати за котом. Соцмережі та новини теж стараюся дивитися тільки у цей проміжок. Хоча і розумію, що розфокусуватися це не дуже допомагає.
Друк наосліп — навичка, яка дуже допомагає, незалежно від майбутньої спеціалізації в ІТ. Це стосується і української, а особливо англійської, на якій писатимете код.
Як би важко це не було на початку, згодом зекономить час, коли повторюватимете код за лектором. До того ж це може бути маленькою перемогою під час довгої дороги до світчингу.
Чим краще ти залучиш себе до навчання — тим більше шансів, що все закінчиться позитивно. Мої підходи:
Журналіст Малкольм Гладуел у книзі «Неординарні» розповів про «правило 10 000 годин». Якщо коротко: потрібно витратити стільки часу, щоб стати експертом міжнародного класу.
Та тут є хитрість. Потрібно вдосконалювати себе саме там, де є складнощі, а не просто постійно робити одне й те ж в надії, що це покращує навички. Наприклад, вивчивши базу SQL, варто розбиратися зі складнішими темами, типу процедур та віконних функцій, а не перепроходити цю базу на іншому курсі.
Варто пам’ятати про криву складності: матеріал треба підбирати так, щоб він був на межі поточних можливостей. Якщо освоюватимеш табличку множення у 31 рік — буде нудно. Якщо ж перемножуватимете матриці вперше за 10 років — занадто складно. Шукай середину.
Найкраща можливість перевірити знання — співбесіди. Оскільки може бути пастка нескінченності курсів, як це трапилося з моїм знайомим фронт-ендером. Йому здається, що він ще недостатньо знає для пошуку роботи. Цій неготовності уже більш як десять місяців.
Співбесіди — це стресова перевірка, але вона потрібна, щоб побачити слабкі сторони. Розумію, зараз дійти до співбесіди початківцю стало складніше, але все ж треба пробувати.
Після кожного технічного інтерв’ю раджу виписувати те, на чому були складнощі і детальніше це пропрацьовувати. Після кількох таких ітерацій набагато впевненіше себе почуватимеш.
Якщо все ж не можеш потрапити на справжню співбесіду, почни з легших варіантів. Перший — Pramp — безкоштовний сервіс, де двоє кандидатів англійською проводять співбесіди один з одним. Моїми партнерами стали дослідник з Единбурзького університету і колишня розробниця з Apple.
Другий — Interview Warmup від Google, який аналізує відповіді англійською і показує семантичний аналіз, допомагаючи побачити інсайти, типу використовування робочої термінології, найчастіше вживані слова тощо.
У школі та університеті розклад переважно нам подавали від керівництва. При світчингу ти сам собі формуєш його.
Я прихильник чергування дисциплін, щоб мозок перемикався між активностями. Наприклад, Python з математикою, SQL з Power BI, пошук роботи з англійською. Натомість один з моїх знайомих бере певну дисципліну і приділяє їй тиждень з ранку до вечора.
Твій розклад має підходити під можливості. Наприклад, якщо я навчаюся у вихідний, то мені простіше на початку дня писати код, а у другій половині — працювати з рутинними задачами.
Якщо все ж хочеш перейти в іншу сферу, то оточення повинно максимально цьому допомагати. Навіть якщо це не напряму навчає хард-навичкам.
Те, що довкола нас, не менш важливе за інформаційний простір. І його потрібно адаптувати під свої навчальні потреби.
Я вірю, що навіть війна не зможе зупинити людину, яка вирішила відкрити для себе нову сферу. Так, це буде складніше, ніж раніше, але все ж можливо. Успіхів вам і оферів!
Оригінал статті тут.
Комп'ютерний зір (computer vision, CV) є галуззю штучного інтелекту, яка вчить програми знаходити й розпізнавати об'єкти на зображеннях і відео. Камера дає лише масив чисел. Завдання CV полягає в тому, щоб перетворити ці числа на відповідь: що на кадрі, де саме і що з ним відбувається.
Нижче про те, як це працює, які задачі розв'язує комп'ютерний зір, де його вже використовують і як увійти в напрям, якщо ти пишеш код або працюєш із залізом.
Для програми фото є таблицею чисел. Кольорове зображення 640×480 пікселів зберігається як масив 480×640×3: висота, ширина і три канали кольору. Кожне значення від 0 до 255 описує яскравість червоного, зеленого або синього в одній точці.
З цим масивом можна працювати двома способами.
Класичні алгоритми. Інженер сам описує правила: розмий шум, знайди краї, виділи контури, порахуй об'єкти. Цим займається бібліотека OpenCV. Такий підхід швидкий, передбачуваний і добре працює там, де умови стабільні: однакове освітлення, однаковий фон, однакові деталі на конвеєрі.
Нейромережі. Правила не пишуть вручну. Модель показують тисячі розмічених прикладів, і вона сама підбирає фільтри, які відрізняють один клас від іншого. Згорткова мережа (CNN) по суті робить те саме, що й класичний фільтр, тільки її ядра налаштовуються на даних. Сучасні детектори на кшталт YOLO та RT-DETR будуються на цьому принципі.
На практиці ці підходи поєднують. Нейромережа знаходить об'єкт, а класичний алгоритм уточнює його межі чи рахує розміри.
Найчастіше в продуктах трапляються детекція і трекінг. Саме з них зазвичай починають навчання, бо результат видно одразу: рамка або з'являється на правильному місці, або ні.
Споживчі продукти. Фільтри, які накладають маски на обличчя, розумні камери, що відрізняють людину від кота, сканери документів у банківських застосунках. Частина таких продуктів створена в Україні: у програмі Computer Vision Beetroot Academy окремо розбирають кейси Looksery (згодом Snapchat), Reface, Ajax Systems і Petcube.
Промисловість. Контроль якості на лінії, де камера шукає подряпини й відколи швидше за людину. Підрахунок продукції, перевірка маркування, моніторинг безпеки на виробництві.
Агро. Виявлення хвороб рослин за фото листя, оцінка стану посівів з аерознімків, сортування врожаю.
Медицина. Допомога лікарю в аналізі рентгенівських і МРТ-знімків. Остаточне рішення тут ухвалює людина, а модель підсвічує ділянки, на які варто подивитися.
Робототехніка й dual-use. Автономні роботи, складські системи, аналіз аерофото і тепловізійних даних. Для інженера це ті самі алгоритми, тільки дані інші: кадр знято згори, об'єкти дрібні, а тепловізор дає одноканальне зображення замість кольорового.
Штучний інтелект є найширшим поняттям. Машинне навчання є його частиною: програми, які вчаться на даних замість прописаних правил. Комп'ютерний зір є прикладною областю, де машинне навчання застосовують до зображень і відео.
Звідси практичний висновок для кар'єри. CV Engineer зазвичай знає ML-основи, але глибоко працює з одним типом даних і з обмеженнями заліза, на якому модель має працювати. Детальніше про роль ми поговоримо в іншій статті.
Базовий набір, з яким працюють у більшості команд:
Для старту достатньо Python і Google Colab: GPU для тренування Google надає безкоштовно, тож власна відеокарта на першому етапі не потрібна.
Найкоротший шлях має той, хто вже програмує. Досвіду з machine learning для старту не треба. Вища математика теж не є обов'язковою умовою: щоб працювати з детекторами, вистачить розуміння масивів і матриць, а складніші речі засвоюються на практиці.
Типова послідовність виглядає так:
Кожен із цих кроків ми розібрали окремо у наступних статтях.
Після навчання ми попросили його назвати, що змінилось у роботі. Ось що він розповів.
Кодифікація – одна з тих тем, з якими фахівець із закупівель стикається постійно. До навчання Костянтин розумів її лише в межах нормативного регулювання: які документи потрібні, які вимоги треба виконати.
Тепер він розуміє алгоритми, за якими кодифікацію отримують. Це змінило кут зору. Раніше він дивився на процес як замовник, тепер бачить його ще й зі сторони постачальника, який проходить цей шлях зі своїм виробом.
У закупівлях легко звикнути до окремих процесів: одна позиція, одна специфікація, один договір. Так і було в Костянтина до програми. Він знав окремі процеси, але не знав, як вони пов'язані між собою.
Після навчання він розуміє, як різні вироби взаємодіють в одному напрямку. А звідси й розуміння, чому закупівлі мають бути комплексними: техніка працює в зв'язці, і закуповувати її теж варто з урахуванням цієї зв'язки.
Рішення в роботі Костянтина й надалі чітко регламентовані, тут нічого не змінилось. Змінилось інше. Раніше він бачив своє рішення окремо. Тепер видно його значення в комплексі з іншими рішеннями, інколи навіть тими, які ухвалює не він.
Це відчутно і в щоденній роботі. У розмовах із колегами він став обізнанішим з технічного боку, тож обговорення стали предметнішими.
Костянтин пов'язує ці зміни з комплексними груповими вправами з планування операцій. На них учасники працювали з операцією як з цілим: розбирали, як окремі елементи поєднуються в одну систему і впливають один на одного.
Для людини, яка щодня працює з однією ділянкою, такий формат дає рідкісну можливість побачити всю картину. І саме ця картина потім допомагає краще робити свою частину роботи.
Окрім знань, після навчання в Костянтина залишились корисні контакти для нетворкінгу. Програма і її учасники стали для нього важливим надбанням.
У Defence Tech це має особливу вагу. Сфера тісна, багато питань вирішується через людей, і знайомства з колегами з інших компаній та ролей часто корисні не менше за саму програму.
На запитання, чи радить він програму колегам по галузі, Костянтин відповів коротко: однозначно йти. Як мінімум заради цікавих людей усередині Defence Tech сфери.
Офіційно я воюю з березня 2024-го. Неофіційно – з 2023-го. Була «піратом» на медеваках, перекладала для іноземних організацій і волонтерів. Дроноводкою стала в березні 2025-го.
Я люблю свою роботу. В рамках війни бути дроноводом – це честь. Дрони зараз основа оборони і рушійна сила наступів. За допомогою дронів нам з екіпажами вдається зробити стільки, що я просто не можу зупинитись і залишитись лише на рівні пілотування.
Хоча на початку були і перепони: мало хто вірить, що жінка може і дрон піднять, і плати підпаять. Вирішила довести, що це все дурниці.
Мало просто підняти дрон. Це лише 10% усієї роботи.
Решта 90% – це прошивки і тонкі налаштування. Безумовно, можна зробити як завжди: взяти дрон з коробки і полетіти. Але практика показала, що так не працює. В умовах війни навіть військові технології мають адаптуватись під індивідуальні потреби.
Так я відкрила для себе інженерію.
Бо мені було мало моїх знань. Я хочу знати більше, розуміти кожну деталь своєї роботи. Тільки так я можу бути дійсно корисною для екіпажів, з якими працюю.
Спочатку мене лякала ціна. Це чесно, і я не бачу сенсу вдавати інше.
Але програма виявилась такою насиченою, що по ітогах вартує всіх грошей світу.
Класно поданий матеріал. Можливість повертатись до нього неодноразово, коли потрібно освіжити знання. Дуже зручна платформа. І чудові тести для самоперевірки, де я можу потішити его.
Для людини, яка вчиться між завданнями, це важить більше, ніж будь-який розклад. Матеріал має бути там, коли в тебе з'явилась година.
Більше впевненості під час роботи. І розуміння, що в мене є власна афігенна вікіпедія у вигляді матеріалів і лекцій.
Якщо коротко описати, не вдаючись у подробиці: я не маю жодних проблем з переходом від одних бойових засобів на інші.
Людина з продуктового IT звикла, що задача приходить у Jira, добре описана, і на неї є два тижні. У defence за цей час продукт може встигнути пройти випробування, отримати фідбек з фронту, змінитися — і знову повернутися на випробування. Тому задача, яка була пріоритетною в понеділок, уже за кілька днів може поступитися зовсім іншій.
За спостереженнями BazaIT Defense, від 70 до 80% кандидатів у технічному напрямі приходять саме з класичного IT: software, AI/ML, Computer Vision, embedded. Сильних спеціалістів серед них багато. Перехід в deftech часто не складається з іншої причини: людина уявляє роботу в defence так, як вона виглядає у зрілій продуктовій компанії, а конкретна команда живе в іншому ритмі.
Ми попросили Оксану Горбунову, CEO BazaIT Defense, пояснити, як влаштована культура defence tech і що з цим робити кандидату.
У продуктовому IT роботу планують від бізнес-плану і roadmap. У defence на продукт дуже сильно впливає те, що відбувається на фронті.
«Команда може мати план на кілька місяців, але отримати фідбек від військових, який змінює пріоритети буквально на наступний тиждень. Те, що ще вчора було важливою фічею, сьогодні може поступитися проблемі, яку потрібно вирішити максимально швидко», – каже Оксана.
Друга причина в тому, що компанії ростуть дуже швидко. За короткий час невеликий R&D-стартап стає компанією з виробництвом і сотнями людей, і процеси не завжди встигають за цим ростом. Третя: R&D, тестування і виробництво тут часто йдуть одночасно. Продуктом уже користуються, а команда паралельно тестує наступну версію, змінює конструкцію чи софт і масштабує виробництво.
Тому менша передбачуваність сама по собі ще не означає поганий менеджмент. Але Оксана радить тримати межу: «Важливо розрізняти цю специфіку і звичайний організаційний хаос. Не кожну відсутність процесів варто пояснювати тим, що „це defence“».
З'являється новий сценарій використання, проблема під час експлуатації або змінюються умови на полі бою, і команда переключається. Найсильніше це відчувають продуктові та R&D-команди, які постійно отримують фідбек від військових.
Тримати фокус допомагає розуміння, чому пріоритет змінився. Коли ти бачиш зв'язок між своєю задачею і реальною потребою користувача на фронті, зміни сприймаються зовсім інакше, ніж задачі, які хаотично прилітають від менеджменту. «Коли команда постійно не розуміє, що і навіщо вона робить, це вже питання до менеджменту», – пояснює Оксана.
На практиці це означає, що рішення часто доведеться приймати з тією інформацією, яка є зараз. Зробити, протестувати, отримати фідбек і швидко скоригуватися.
Детальну специфікацію на десять сторінок у defence отримують рідше. Частіше команда чує щось на кшталт «у таких умовах зв'язок нестабільний», «цей елемент незручно замінювати в полі» або «потрібно скоротити час розгортання системи». Технічне рішення вона шукає сама.
Тому тут особливо цінують людей, які вміють уточнити контекст, запропонувати рішення, швидко його зробити і перевірити на практиці.
Найбільше прив'язані до фізичної присутності hardware, embedded, electronics, robotics, mechanical/CAD, QA і виробничі ролі. Інженеру може знадобитися зібрати прототип, попрацювати з платами, протестувати обладнання або поїхати на полігон. Software, AI/ML, Computer Vision, аналітика і частина product- та business-функцій частіше мають гібридний або віддалений формат, хоча й тут усе залежить від продукту і безпекових обмежень.
Оксана радить ще до оферу прямо спитати: скільки днів потрібно бути на локації, чи є регулярні виїзди на полігон або виробництво, чи можливий remote і чи може формат змінитися залежно від етапу продукту. Очікування повністю віддаленої роботи, до речі, одна з частих причин, чому перехід так і не відбувається.
Коли у вакансії пишуть «потрібна людина, яка бере відповідальність», зазвичай мають на увазі цілком конкретну поведінку. Приклад від Оксани: інженер бачить, що компонент нестабільно працює під час тестування. Він з'ясовує причину, пропонує варіанти, перевіряє їх і повертається з рішенням або з чітким описом того, що блокує результат. Зафіксувати баг і чекати наступної задачі тут замало.
Цінують людину, яка розуміє, який результат потрібен команді, і рухає задачу до нього, навіть коли формально її частина вже зроблена.
Єдиної «культури defence» немає. У невеликому стартапі менше формальних процесів, ролі ширші, і на одній людині більше відповідальності. Embedded-інженер там може писати код, тестувати прототип, працювати з hardware-командою і їздити на випробування. У великого виробника зони відповідальності чіткіші, R&D і production розділені, погоджень більше, а процеси вже усталені.
Ще один розрив стосується умов. До BazaIT Defense приходять дуже сильні, іноді overqualified спеціалісти з великих продуктових компаній, які очікують ту саму зарплату, бенефіти, зрілі процеси і чітко визначену роль. Стартап на 30 чи 50 людей може запропонувати сильний продукт і багато відповідальності, але такого рівня процесів і умов у нього ще може не бути.
Тому на співбесіді варто з'ясувати, на якому етапі компанія, як побудована команда і наскільки сформовані процеси. «Проблема часто в тому, наскільки очікування фахівця збігаються з реальністю конкретної компанії», – підсумовує Оксана.
Передусім сильну експертизу у своїй спеціалізації. «Сильний embedded, hardware, software, AI/ML, Computer Vision чи product-фахівець із цивільного IT може бути дуже цінним, навіть якщо раніше не працював у цій індустрії», – каже Оксана.
Далі йдуть самостійність і продуктове мислення. Від senior-інженера можуть чекати, що він сам побачить ризик, запропонує рішення і перевірить його. А фідбек від військових треба вміти перекласти в технічне рішення, тож розуміння проблеми користувача тут дуже допомагає.
Свої transferable skills кандидати часто недооцінюють. Досвід побудови процесів, масштабування команд, QA, роботи з даними, product management, системної документації чи запуску продуктів може виявитися саме тим, чого бракує компанії, яка дуже швидко виросла. «Я б точно не відмовлялася від вакансії тільки через фразу „defence experience preferred“. Релевантна експертиза з IT часто важливіша за сам факт роботи в defence».
Що заважає на старті? Найчастіше очікування, що все працюватиме як у зрілому продуктовому IT. Також звичка думати «це не моя зона відповідальності»: у командах, які швидко ростуть, межі ролей менш жорсткі, особливо на ранніх етапах. І бажання спершу зробити ідеально, а потім показати результат. У багатьох defence-продуктах важливіше швидко зробити робочу версію, протестувати її в реальних умовах, отримати фідбек і покращити. Якість при цьому лишається важливою, змінюється сам цикл роботи.
Фраза «вмію працювати в умовах невизначеності» рекрутеру майже нічого не каже. Працює конкретний досвід: яка була невизначеність, що ти зробив/-ла і який отримав/-ла результат.
Оксана показує різницю на прикладах.
Слабко: «Стресостійкий, адаптивний, швидко реагую на зміни».
Сильніше: «Запустив MVP за 6 тижнів в умовах неповних вимог: самостійно пріоритезував критичний функціонал, організував тестування та доопрацьовував продукт на основі фідбеку користувачів».
Для інженера слабко: «Вмію працювати без чіткого ТЗ».
Сильніше: «Отримав проблему без готового технічного рішення, сформував 3 гіпотези, протестував їх на прототипі та впровадив рішення, яке зменшило кількість помилок на 30%».
Пошукай у своєму досвіді ситуації з неповними вимогами, самостійними рішеннями, зміною підходу після тестування або запуском чогось із нуля. Такі кейси показують готовність до defence-середовища набагато краще за перелік soft skills.
Прямо про невизначеність питають рідко. Частіше просять розповісти про ситуацію:
Насторожує, коли кандидат у кожному кейсі чекав рішення менеджера, перекладав відповідальність або дуже негативно говорить про зміни, наприклад: «мені постійно змінювали вимоги, тому неможливо було нормально працювати». Переконує протилежне: людина уточнила контекст, визначила, що може зробити сама, запропонувала варіанти, перевірила гіпотезу і повернулася з результатом.
Фраза «я нормально ставлюся до хаосу» тут не допоможе. Потрібен приклад, де ситуація стала непередбачуваною, а ти знайшов/-ла спосіб рухатися далі.
Співбесіда працює в обидва боки. Оксана радить питати про конкретні приклади з роботи команди, а не про «корпоративну культуру» загалом.
Розуміти, як влаштована сфера, корисно ще до першого відгуку на вакансію. Для самого переходу знадобляться навички під конкретну роль і практика, яку можна показати на співбесіді.
Beetroot Academy розвиває напрям Defence & Dual-use з 2025 року: Embedded Development, Drones Firmware, Computer Vision, SolidWorks Core і програма для нетехнічних спеціалістів та Project management у Defence. Програма для нетехнічних будується навколо доменного контексту: як влаштована галузь, які ролі в ній є і що очікують від людини в перші місяці роботи.
«Не чекайте, поки станете „ідеальним defence-кандидатом“. Дуже багато людей відсіюють себе самі, бо бачать у вакансії „defence experience“ або думають, що їхній досвід із класичного IT тут не релевантний. Краще подивіться на свої навички й запитайте: яку конкретну проблему defence-компанії я вже вмію вирішувати? Це може бути embedded, AI, Computer Vision, QA, product, побудова процесів чи масштабування команд. І вже з цим ідіть говорити з компаніями. Defence-досвід можна отримати, тільки зайшовши в defence».
Подяка експертці
Оксана Горбунова — COO & Co-Founder BazaIT, CEO BazaIT Defense та Founder & CEO Defense Core. Працює з командами та бізнесами в defence tech — допомагає знаходити сильних фахівців, будувати стратегічні партнерства, залучати інвестиції, виходити на нові ринки та запускати спільні виробництва.
