home.social

#junior — Public Fediverse posts

Live and recent posts from across the Fediverse tagged #junior, aggregated by home.social.

  1. Написание консольного симулятора баттл-арены на языке С++ с реализацией «умных» ботов

    В этой статье мы на практическом примере разберём создание консольной симулятора файтинга на C++ с двумя персонажами на арене. Вы увидите, как работают основные принципы ООП: инкапсуляция, наследование и полиморфизм. Мы реализуем базовый класс Character и трёх наследников — Warrior , Orc и Magician — каждый со своими уникальными атаками, дальностью обнаружения врага и поведением (преследование / побег). Также покажем простейшую анимацию выстрелов, отрисовку карты 14×14 и игровой цикл с пошаговой логикой боя. Статья будет полезна новичкам, которые уже знакомы с синтаксисом C++ и хотят увидеть, как теория превращается в работающую игру.

    habr.com/ru/articles/1038376/

    #консоль #консольные_игры #консольные_приложения #с++ #junior #идеи_для_игр

  2. Написание консольного симулятора баттл-арены на языке С++ с реализацией «умных» ботов

    В этой статье мы на практическом примере разберём создание консольной симулятора файтинга на C++ с двумя персонажами на арене. Вы увидите, как работают основные принципы ООП: инкапсуляция, наследование и полиморфизм. Мы реализуем базовый класс Character и трёх наследников — Warrior , Orc и Magician — каждый со своими уникальными атаками, дальностью обнаружения врага и поведением (преследование / побег). Также покажем простейшую анимацию выстрелов, отрисовку карты 14×14 и игровой цикл с пошаговой логикой боя. Статья будет полезна новичкам, которые уже знакомы с синтаксисом C++ и хотят увидеть, как теория превращается в работающую игру.

    habr.com/ru/articles/1038376/

    #консоль #консольные_игры #консольные_приложения #с++ #junior #идеи_для_игр

  3. Написание консольного симулятора баттл-арены на языке С++ с реализацией «умных» ботов

    В этой статье мы на практическом примере разберём создание консольной симулятора файтинга на C++ с двумя персонажами на арене. Вы увидите, как работают основные принципы ООП: инкапсуляция, наследование и полиморфизм. Мы реализуем базовый класс Character и трёх наследников — Warrior , Orc и Magician — каждый со своими уникальными атаками, дальностью обнаружения врага и поведением (преследование / побег). Также покажем простейшую анимацию выстрелов, отрисовку карты 14×14 и игровой цикл с пошаговой логикой боя. Статья будет полезна новичкам, которые уже знакомы с синтаксисом C++ и хотят увидеть, как теория превращается в работающую игру.

    habr.com/ru/articles/1038376/

    #консоль #консольные_игры #консольные_приложения #с++ #junior #идеи_для_игр

  4. Написание консольного симулятора баттл-арены на языке С++ с реализацией «умных» ботов

    В этой статье мы на практическом примере разберём создание консольной симулятора файтинга на C++ с двумя персонажами на арене. Вы увидите, как работают основные принципы ООП: инкапсуляция, наследование и полиморфизм. Мы реализуем базовый класс Character и трёх наследников — Warrior , Orc и Magician — каждый со своими уникальными атаками, дальностью обнаружения врага и поведением (преследование / побег). Также покажем простейшую анимацию выстрелов, отрисовку карты 14×14 и игровой цикл с пошаговой логикой боя. Статья будет полезна новичкам, которые уже знакомы с синтаксисом C++ и хотят увидеть, как теория превращается в работающую игру.

    habr.com/ru/articles/1038376/

    #консоль #консольные_игры #консольные_приложения #с++ #junior #идеи_для_игр

  5. Почему 4 сеньёра могут быть эффективнее команды из 15 человек

    Есть компании, которые верят в то, что уж лучше много джунов за копейки, чем несколько сеньоров за дорого. Очевидно, мнения могут быть разными, поэтому поделюсь кейсами, которые наблюдал лично: 1. В компании Х у нас было 4 человека, которые ещё до эпохи ChatGPT с нуля за несколько месяцев собрали полноценный AI-стек: — fine-tune собственных LLM на своих датасетах — свой TTS/STT на своих датасетах — генерацию лиц и deepfake — MLOps-инфраструктуру и пайплайны Каждое направление делал один сильный senior. ML команда из 4х человек, которая деливерит не прототипчики с AI, а такой уровень, где люди не верили, что говорят с моделью — думали, что это живой человек. Важный момент: мы покупали и готовые решения, где это было выгодно. Но параллельно строили независимость и кастомность — чтобы не упираться в чужие ограничения и иметь возможность делать то, чего нет на рынке. 2. Теперь компания Y : AI-продукт уровня "обёртка над ChatGPT" команда из 15 человек уровня джун-миддл запускала около года. Потом ещё полгода доводила до нормального качества. Сравним экономику: Вариант 1: 4 senior’а х $8k х 4 месяца ≈ $128k до запуска Вариант 2: 15 человек x $3k x 15 месяцев ≈ $675k до конкурентного качества продукта Разница бюджета в 5 раз, разница в скорости запуска в 4 раза в пользу сеньёров. Маленькая сильная команда: — вышла на рынок быстрее — строила собственные технологии — накапливала engineering leverage — могла быстро pivot’иться при необходимости Большая команда в итоге строила то, что через год стало очень просто повторить, а значит — высокая конкуренция, демпинг по цене и слабая дифференциация продукта. Какие выводы: 1. Лично я верю в сеньёров и быстрые запуски. Причём раньше 1 сильный инженер мог заменить 2–3 средних, а сейчас с помощью ИИ вполне может дать ещё больший эффект. 2. Больше людей не значит быстрее. Скорее наоборот: выше уровень сотрудников — выше скорость принятия решений и разработки — выше ROI — больше пространства для инноваций и поиска точек роста бизнеса. Вероятно, это не универсальная истина и могут быть разные конфигурации бизнеса, культуры компании и целей, но на моём опыте вывод довольно однозначный. Если не согласны — с удовольствием подискутирую.

    habr.com/ru/articles/1036786/

    #ml #llm #senior #junior #mlops #прототипирование

  6. Почему 4 сеньёра могут быть эффективнее команды из 15 человек

    Есть компании, которые верят в то, что уж лучше много джунов за копейки, чем несколько сеньоров за дорого. Очевидно, мнения могут быть разными, поэтому поделюсь кейсами, которые наблюдал лично: 1. В компании Х у нас было 4 человека, которые ещё до эпохи ChatGPT с нуля за несколько месяцев собрали полноценный AI-стек: — fine-tune собственных LLM на своих датасетах — свой TTS/STT на своих датасетах — генерацию лиц и deepfake — MLOps-инфраструктуру и пайплайны Каждое направление делал один сильный senior. ML команда из 4х человек, которая деливерит не прототипчики с AI, а такой уровень, где люди не верили, что говорят с моделью — думали, что это живой человек. Важный момент: мы покупали и готовые решения, где это было выгодно. Но параллельно строили независимость и кастомность — чтобы не упираться в чужие ограничения и иметь возможность делать то, чего нет на рынке. 2. Теперь компания Y : AI-продукт уровня "обёртка над ChatGPT" команда из 15 человек уровня джун-миддл запускала около года. Потом ещё полгода доводила до нормального качества. Сравним экономику: Вариант 1: 4 senior’а х $8k х 4 месяца ≈ $128k до запуска Вариант 2: 15 человек x $3k x 15 месяцев ≈ $675k до конкурентного качества продукта Разница бюджета в 5 раз, разница в скорости запуска в 4 раза в пользу сеньёров. Маленькая сильная команда: — вышла на рынок быстрее — строила собственные технологии — накапливала engineering leverage — могла быстро pivot’иться при необходимости Большая команда в итоге строила то, что через год стало очень просто повторить, а значит — высокая конкуренция, демпинг по цене и слабая дифференциация продукта. Какие выводы: 1. Лично я верю в сеньёров и быстрые запуски. Причём раньше 1 сильный инженер мог заменить 2–3 средних, а сейчас с помощью ИИ вполне может дать ещё больший эффект. 2. Больше людей не значит быстрее. Скорее наоборот: выше уровень сотрудников — выше скорость принятия решений и разработки — выше ROI — больше пространства для инноваций и поиска точек роста бизнеса. Вероятно, это не универсальная истина и могут быть разные конфигурации бизнеса, культуры компании и целей, но на моём опыте вывод довольно однозначный. Если не согласны — с удовольствием подискутирую.

    habr.com/ru/articles/1036786/

    #ml #llm #senior #junior #mlops #прототипирование

  7. Почему 4 сеньёра могут быть эффективнее команды из 15 человек

    Есть компании, которые верят в то, что уж лучше много джунов за копейки, чем несколько сеньоров за дорого. Очевидно, мнения могут быть разными, поэтому поделюсь кейсами, которые наблюдал лично: 1. В компании Х у нас было 4 человека, которые ещё до эпохи ChatGPT с нуля за несколько месяцев собрали полноценный AI-стек: — fine-tune собственных LLM на своих датасетах — свой TTS/STT на своих датасетах — генерацию лиц и deepfake — MLOps-инфраструктуру и пайплайны Каждое направление делал один сильный senior. ML команда из 4х человек, которая деливерит не прототипчики с AI, а такой уровень, где люди не верили, что говорят с моделью — думали, что это живой человек. Важный момент: мы покупали и готовые решения, где это было выгодно. Но параллельно строили независимость и кастомность — чтобы не упираться в чужие ограничения и иметь возможность делать то, чего нет на рынке. 2. Теперь компания Y : AI-продукт уровня "обёртка над ChatGPT" команда из 15 человек уровня джун-миддл запускала около года. Потом ещё полгода доводила до нормального качества. Сравним экономику: Вариант 1: 4 senior’а х $8k х 4 месяца ≈ $128k до запуска Вариант 2: 15 человек x $3k x 15 месяцев ≈ $675k до конкурентного качества продукта Разница бюджета в 5 раз, разница в скорости запуска в 4 раза в пользу сеньёров. Маленькая сильная команда: — вышла на рынок быстрее — строила собственные технологии — накапливала engineering leverage — могла быстро pivot’иться при необходимости Большая команда в итоге строила то, что через год стало очень просто повторить, а значит — высокая конкуренция, демпинг по цене и слабая дифференциация продукта. Какие выводы: 1. Лично я верю в сеньёров и быстрые запуски. Причём раньше 1 сильный инженер мог заменить 2–3 средних, а сейчас с помощью ИИ вполне может дать ещё больший эффект. 2. Больше людей не значит быстрее. Скорее наоборот: выше уровень сотрудников — выше скорость принятия решений и разработки — выше ROI — больше пространства для инноваций и поиска точек роста бизнеса. Вероятно, это не универсальная истина и могут быть разные конфигурации бизнеса, культуры компании и целей, но на моём опыте вывод довольно однозначный. Если не согласны — с удовольствием подискутирую.

    habr.com/ru/articles/1036786/

    #ml #llm #senior #junior #mlops #прототипирование

  8. Почему 4 сеньёра могут быть эффективнее команды из 15 человек

    Есть компании, которые верят в то, что уж лучше много джунов за копейки, чем несколько сеньоров за дорого. Очевидно, мнения могут быть разными, поэтому поделюсь кейсами, которые наблюдал лично: 1. В компании Х у нас было 4 человека, которые ещё до эпохи ChatGPT с нуля за несколько месяцев собрали полноценный AI-стек: — fine-tune собственных LLM на своих датасетах — свой TTS/STT на своих датасетах — генерацию лиц и deepfake — MLOps-инфраструктуру и пайплайны Каждое направление делал один сильный senior. ML команда из 4х человек, которая деливерит не прототипчики с AI, а такой уровень, где люди не верили, что говорят с моделью — думали, что это живой человек. Важный момент: мы покупали и готовые решения, где это было выгодно. Но параллельно строили независимость и кастомность — чтобы не упираться в чужие ограничения и иметь возможность делать то, чего нет на рынке. 2. Теперь компания Y : AI-продукт уровня "обёртка над ChatGPT" команда из 15 человек уровня джун-миддл запускала около года. Потом ещё полгода доводила до нормального качества. Сравним экономику: Вариант 1: 4 senior’а х $8k х 4 месяца ≈ $128k до запуска Вариант 2: 15 человек x $3k x 15 месяцев ≈ $675k до конкурентного качества продукта Разница бюджета в 5 раз, разница в скорости запуска в 4 раза в пользу сеньёров. Маленькая сильная команда: — вышла на рынок быстрее — строила собственные технологии — накапливала engineering leverage — могла быстро pivot’иться при необходимости Большая команда в итоге строила то, что через год стало очень просто повторить, а значит — высокая конкуренция, демпинг по цене и слабая дифференциация продукта. Какие выводы: 1. Лично я верю в сеньёров и быстрые запуски. Причём раньше 1 сильный инженер мог заменить 2–3 средних, а сейчас с помощью ИИ вполне может дать ещё больший эффект. 2. Больше людей не значит быстрее. Скорее наоборот: выше уровень сотрудников — выше скорость принятия решений и разработки — выше ROI — больше пространства для инноваций и поиска точек роста бизнеса. Вероятно, это не универсальная истина и могут быть разные конфигурации бизнеса, культуры компании и целей, но на моём опыте вывод довольно однозначный. Если не согласны — с удовольствием подискутирую.

    habr.com/ru/articles/1036786/

    #ml #llm #senior #junior #mlops #прототипирование

  9. Шесть аудиторий вашей карьеры: пятеро за моим столом

    История одного вечера на кухне, в течение которого пятеро карьерно застрявших людей узнали, что они застряли структурно, а не лично.

    habr.com/ru/articles/1035428/

    #карьера #architect #analyst #devops #developer #junior #mddle #senior

  10. Шесть аудиторий вашей карьеры: пятеро за моим столом

    История одного вечера на кухне, в течение которого пятеро карьерно застрявших людей узнали, что они застряли структурно, а не лично.

    habr.com/ru/articles/1035428/

    #карьера #architect #analyst #devops #developer #junior #mddle #senior

  11. Шесть аудиторий вашей карьеры: пятеро за моим столом

    История одного вечера на кухне, в течение которого пятеро карьерно застрявших людей узнали, что они застряли структурно, а не лично.

    habr.com/ru/articles/1035428/

    #карьера #architect #analyst #devops #developer #junior #mddle #senior

  12. Шесть аудиторий вашей карьеры: пятеро за моим столом

    История одного вечера на кухне, в течение которого пятеро карьерно застрявших людей узнали, что они застряли структурно, а не лично.

    habr.com/ru/articles/1035428/

    #карьера #architect #analyst #devops #developer #junior #mddle #senior