چند نفر از دوستان ازم سؤالاتی راجع به بازار کار و مهارت‌های مورد نیاز و شرایط کاری هوش مصنوعی پرسیدند، گفتم شاید بد نباشه چند کلامی راجع بهشون صحبت کنیم.
سؤالات دوستان:
- بازار کار در این زمینه‌ها در داخل و خارج در حال حاضر چگونه است؟
- نیاز بازار کار فعلی حول چه شغل‌هایی هست؟
- حدود دستمزد متخصصین یادگیری ماشین و تحلیل داده چقدر است؟
- آیا امکان دورکاری وجود دارد یا خیر؟
- شرکت در دوره‌های بوت کمپ رو تا چه حد توصیه می‌کنی؟
- تحصیلات آکادمیک چقدر مؤثره؟
- چه مهارت‌هایی رو باید بلد باشم؟
- چطوری می‌تونم خودم رو متمایز کنم؟
شنیدن اپیزود
همه اپیزودهای این پادکست تو کانال کست باکس منتشر میشه و البته می‌تونید از جاهای دیگه هم بشنوید.
اینجا هم می‌تونید فایل صوتی این قسمت رو گوش بدید:
اوضاع بازار کار فنی
من الان بازار کار رو این‌طوری می‌بینم که سمت عرضه، افراد زیادی مدعی هوش مصنوعی هستن. سمت تقاضا هم هوش مصنوعی به شدت براشون جذابه ولی با هر کسی نمی‌خوان کار کنن و نیروی Senior می‌خوان.
این روندی که میگم هم تو داخل کشور و هم تو خارج حدوداً همینه. شما اگر تعداد پوزیشن‌هایی که Senior می‌خوان رو ببینید خیلی بیشتر شده و نیروی تازه وارد سخت‌تر می‌تونه وارد بازار کار بشه. ورود به بازار کار برای کسی که سابقه شغلی نداشته همیشه سخت بوده. الان سخت‌تر شده.
اولین علتش که بحث عرضه تقاضا هست. وقتی عرضه یک چیزی بالاتر میره، طبیعی هست که شرکت‌ها انتخاب‌های بیشتر و بهتری دارن و دست‌شون بازتره که نیروی بهتر بگیرن.
بخشی از علتش به نظر من برمی‌گرده به توسعه ابزارهای مبتنی بر LLM.
زمانی دولوپرهای باسابقه‌تر (Senior)، نیاز به جونیور داشتند. یکی که اصطلاحاً «کار گِل» رو بهش بدن و براشون انجام بده. برای هر دو خوب بود و راهی برای جذب نیروهای تازه‌کار بود. الان نمیگم این نیاز کاملاً مرتفع شده اما حداقل بخش خوبیش به مدل‌های زبانی بزرگ سپرده شده.
همین قضیه باعث شده که آدم‌ها راحت‌تر بتونن بین تکنولوژی‌ها و زبان‌های مختلف سوییچ کنند. نه فقط هوش مصنوعی و شغل‌های مرتبط با اون، بلکه همه IT تحت تأثیر قرار گرفته. شما خبرنامه‌هایی مثل Pragmatic Engineer رو هم نگاه کنید، همین رو میگن.
کوچکترین مثال این قضیه اینه که من تا چند سال پیش، هیچ وقت فکر نمی‌کردم بتونم تو پروژه‌هایی که زبان‌هاشون رو بلد نیستم، مشارکت یا Contribution داشته باشیم. اما الان به سادگی با AI Agentها این کار رو انجام میدم.
نمیگم جایگزین ۱۰۰٪ یادگیری یک زبان برنامه‌نویسی میشه؛ اما حداقل کار رو برای من درآورده. یا مثلاً تو پروژه‌های کاری نیاز بوده که یه صفحه زیبا با html css درست کنم و با LLM کار درآومده. خروجی هم قابل‌قبول شده و همه راضی.
اینه که یکی از روندهای مهم فعلی، از بین رفتن بعضی شغل‌ها و تجمیع‌شدن اون‌هاست. مثلاً زمانی Backend Developer و Frontend Developer خیلی از هم جدا شده بود. الان انگار داره مرز بین‌شون کمرنگ‌تر میشه. هم زبانش یکی شده و هم شرکت‌های مختلف دوباره به سمت آگهی‌های FullStack Developer رفتن.
همین قضیه برای شغل‌های مرتبط با هوش‌مصنوعی هم داره اتفاق می‌افته. زمانی من فکر می‌کردم نیاز هست اون‌ها رو تفکیک کنیم. الان به نظرم همچین تفکیکی فقط برای شرکت‌های خیلی بزرگ معنا داره.
خلاصه کلام اینه که به نظر میاد شغل‌ها دارن Generalize میشن. و بازار تمایل داره فقط نیروی سنیور جذب کنه.
یکی از دوستان بهم پیام داد که تو آمریکا این‌طوری هست که راه Junior بسته شده اما راه Internship همچنان بازه. بعضی شرکت‌ها واکنش‌شون به این قضیه LLMها همینه که اومدن نسل جدید رو بیشتر استخدام می‌کنند. این‌طوری معتقد هستن که راه ورود برای بازار کار براشون باز میشه و نسل جدید چون خلاقیت داره و با این ابزارها بهتر اخت گرفته، بهتر می‌تونه استفاده کنه ازش (+). البته منظور شاپیفای و شرکت‌های خارجی هست و تو ایران فعلاً از این خبرا نیست.
تفاوت صنعت هوش مصنوعی در ایران و خارج
تکنولوژی مورد استفاده و زیرساخت ابری
از نظر فنی به نظرم تو جایگاه خوبی قرار داریم. شما به صنعت خودرو نگاه کنید. به راحتی میشه گفت حداقل ده - بیست سال عقبیم. فکر نمی‌کنم هیچ‌کس مخالف باشه که سایپا سال‌ها (اگر نگیم دهه‌ها) از تویوتا عقب‌تره.
اما وقتی به ابزارها و تکنولوژی‌هایی که تو شرکت‌های Tech ایران استفاده میشن نگاه می‌کنم، همچین عقب‌موندگی‌‌ای نمی‌بینم. تو صنایع دیگه تکنولوژی رو خیلی وقت‌ها تحریم می‌کنند. فلان قطعه رو نمی‌فروشن. تو کامپیوتر جز بحث زیرساخت، بقیه‌اش متن بازه. بخش زیرساخت که میگم منظورم AWS و Azure و GCP هستن. که این‌ها مدیریت زیرساخت رو به شدت ارزون و در دسترس می‌کنند. تقریباً هم تو دنیا استاندارد شدن و اگر کسی می‌خواد با خارج کشور کار کنه، نیازه این‌ها رو به مرور یاد بگیره.
خیلی هم کار رو راحت می‌کنند. اصلاً انگار یه تله هستن (بهش Vendor Lock-in میگن). اولش به خاطر راحتی کار و تخفیف‌هایی که می‌گیرن، استارتآپها با اون‌ها جلو می‌رن. بعدش که با اون‌ها محصول‌شون رو توسعه دادن، دیگه خلاصی از دست‌شون به این سادگی‌ها نیست.
اما جز زیرساخت و تحریم، من تفاوت فاحش دیگه‌ای نمی‌بینم. این حرف رو برای سیاست‌مدار نمی‌زنم که بیاد حرف مفت بزنه و بگه تحریم‌ها اثری نداره. مخاطب من، کسی هست که تو این حوزه کار می‌کنه و نگرانه که از تکنولوژی و ابزار عقب بیفته. حداقل تا الان، فاصله‌اش خیلی زیاد نشده.
علتش هم همون بحث متن‌باز بودنه. این که جوامع Open Source تونستن تا حدی خودشون رو مستقل از کشورها تعریف کنند.
نشونه‌اش هم اینه که تا ابزاری فیچری تو شرکت‌های خارج توسعه پیدا می‌کنه و استفاده میشه، ما هم ازش استفاده می‌کنیم و زود به سمتش می‌ریم. مثلاً برای مدیریت ارتباط با مشتری الان به وفور از مدل‌های زبانی استفاده میشه. یه عالمه شرکت هستن که از ChatGPT استفاده کردن و محصول حولش توسعه دادن. یا مثلاً دیجی‌کالا عین آمازون میاد با مدل‌های زبانی، خلاصه‌ای از کامنت‌ها تولید می‌کنه.
نیاز بازار کار
در رابطه با حجم صنعت حرف خاصی نمیشه زد. قطعاً در مقایسه با خارج کشور صنعت کوچک‌تری داریم و هیچ بحثی نیست. اما مشابهت‌هایی هم میشه پیدا کرد.
از جمله این‌که الان استارتآپها چه خارج چه ایران به توسعه محصول حول LLM علاقه پیدا کردند. و اینجا یک شغل خیلی اهمیت پیدا کرده: AI Software Engineer یا AI Engineer.
این شغل اخیراً خیلی اهمیت پیدا کرده و الان کسی که کتابخانه‌های مرتبط باهاش مثل Pydantic و Langchain رو بلد باشه، مفاهیمی مثل RAG رو بفهمه، Prompt Engineering بلد باشه و خلاصه بتونه محصول دربیاره، بسیار خواهان داره.
اگر به کلمه‌اش دقت کنید داخلش Software داره. یعنی کسی که مفاهیم نرم‌افزاری رو خوب بلده و حالا می‌خواد روش LLM سوار کنه. اگر بخوام به کسی توصیه کنم چیزی رو یاد بگیره، این شغل خوبه.
بقیه شغل‌های هوش مصنوعی رو کمتر سمت توسعه محصول می‌دونم. نزدیک‌ترین به توسعه محصول همونه. بقیه شغل‌ها شاید بیشتر زیر مجموعه R&D قرار بگیرن.
الان کسی که از آکادمیک بیرون میاد خیلی عشق این هست که مدل آموزش بده و خب این به نسبت کمتر شده. شرکت‌ها دنبال این هستن که محصول LLM-Based بالا بیارن و این بازار جدید رو ازش خوب استفاده کنند.
اینه که همچنان شغل‌هایی مثل Data Scientist و شغل‌هایی که قبلاً گفتم هست. ولی وقتی برید با بچه‌های شرکت‌های مختلف که قبلاً دیتاساینتیست بودن صحبت کنید، بعضاً به سمت توسعه محصول با LLM کشیده شدن و اصطلاحاً میگن که ما API Engineer شدیم (چون از API OpenAI استفاده میشه).
در هر صورت به نظر من تحلیل داده نیازی نیست که به این سادگی‌ها از بین بره. شاید بعضی از شغل‌ها با هم ترکیب بشن. مثلاً Data Scientist و ML Engineer الان یکی شده. خیلی‌هاشون میگن خودت انجام بده دیگه. اما باز نیاز اصلی پابرجا هست (فقط ورود بهش سخت‌تر شده).
مزایای کاری و بحث حقوق و دستمزد
رنج حقوقی
همون‌طور که می‌دونید تو فرهنگ ما صحبت‌کردن راجع به حقوق تابو محسوب میشه. خوشبختانه گزارش حقوق دستمزد جاب‌ویژن ۱۴۰۴ رو پیدا کردم که با داده‌هایی که اطرافم می‌بینم می‌خونه. این گزارش‌ها هر سال منتشر میشه و به نظرم بایاس کمی داره و قابل اعتماده. از صفحه ۳۳۹ برای رده شغلی هوش‌مصنوعی هست. اینجا هم می‌گذارم:
(لطفاً به سطر بالا و عددهای ۱۴۰۴ نگاه کنید نه ۱۴۰۳. برای شرکت‌های بزرگ هم میانگین رو در نظر نگیرید و به بزرگترین عدد نگاه کنید).
چند تا نکته راجع به گزارش به ذهنم می‌رسه:
اولاً این که حقوق بسیار بستگی به محل زندگی یا کارتون داره. اگر تو شهر کوچیک زندگی می‌کنید، حقوق‌تون خیلی کمتره؛ حتی اگر دقیقاً همون کار رو انجام بدید. به عنوان قانون سرانگشتی، می‌تونم بگم درآمد تهران نسبت به شهرستان چیزی بین دو تا سه برابر هست.
دوماً به سطح ارشدیت بستگی داره. نیروی سنیور ممکنه دو برابر نیروی جونیور بگیره. متأسفانه ما خیلی معیار درست حسابی برای ارشدیت هم نداریم. تو این مورد به سابقه کار و شرکت‌های قبلی نگاه ویژه‌ای دارند. این که تو پوزیشن‌های قبلی چه کارهایی کردید. از همه مهم‌تر، چطوری خودتون رو پرزنت می‌کنید.
سوم: مدیر بودن هم یه فاکتور دیگه است. من عجیب نمی‌دونم که مدیر نسبت به کارمندش ۲ ۳ برابر بگیره. حالا بعضی شرکت‌ها ساختارشون کمی مسطح‌تره. انقدر تفاوت حقوق ایجاد نمی‌کنند. اون‌هایی که سلسله مراتب بیشتر دارن، خیلی از این کارا دوست دارن.
چهارمین نکته این که وقتی راجع به شرکت‌های بزرگ‌تر مثل دیجی‌کالا، اسنپ، دیوار، تپسل صحبت می‌کنی، همون ۹۰ درصد بالا یا ۸۰ درصد بالا رنج حقوق هست. اصطلاحاً میگن On Top of the market حقوق می‌دیم که نیرو بخاطر حقوق ول نکنه بره. یعنی میانگین رو در نظر نگیرید و بالاترین عدد تو نمودار رو در نظر بگیرید. تو شرکت‌های بزرگ حدوداً همون‌قدر میدن.
البته بیشتر هم ممکنه باشه ولی اون دیگه غیرقابل‌پیش‌بینی هست و بستگی به جنم‌تون. من مدیرانی داشتم که چند سال پیش، ماهی ۲۰۰ ۳۰۰ ت می‌گرفتند.
یعنی هر دو سمتش هست. از یک طرف نیروی جونیور نمی‌خوان؛ چون حوصله ندارن بیاد و تازه حالا بخوان بهش کار یاد بدن. از طرفی نیروی سنیور خوب خیلی می‌خوان. اینه که قیمت رقابتی میشه.
نکته پنجم این که این گزارش، حقوق تمام وقت رو حساب کرده. کار پاره‌وقت و ساعتی به علت این که در اکثر موارد هیچ مزایایی بهتون تعلق نمی‌گیره، به ازای هر ساعت کار ۲۰ ۳۰ درصد بیشتر باید در نظر بگیرید.
راجع به حقوق خارج هم پرسیده بودند. اونم به همین اندازه متغیره. خیلی وقت‌ها طرف حسابتون یه ایرانیه که می‌دونه حقوق تو ایران چقدره و همون‌قدر بهتون میده. حالا من از اون می‌گذرم که بعضی‌هاشون به اندازه ایران هم نمی‌خوان بدن. تخمین من اینه که ۲۰ ۳۰ درصد بیشتر میشه گرفت و تفاوت قیمت به این خاطره که در اکثر موارد هیچ مزایایی - مثل عیدی و سنوات و حتی شاید مرخصی - هم وجود نداره.
راجع به حقوق ترجیحاً همه چی رو در نظر بگیرید. فقط حقوق خالص مهم نیست. برای من شاید بیارزه شرکت ایرانی انتخاب کنم که حتی ۳۰ درصد کمتر بهم بده ولی بیمه تکمیلی و تأمین اجتماعی و وسایل کاری و حق مرخصی و عیدی و سنوات و این‌ها رو بهم بده.
بخوام کلی‌گویی نکنم می‌شناسم دوستانی که مدتی با کار خارجی و ریموت، ۲ ۳ هزار دلار تو ماه درآمد داشتن. حالا برنامه‌نویسی به هر طریق. اما برداشت من اینه که پایدار نیست؛ یعنی نهایتاً یکی دو سال تونستن کار کنند و بعدش اومدن مجدد تو همین ایران کار کردند. علتش هم بیشتر می‌گرده اختلاف ساعت کاری و نبود امنیت شغلی و موارد این چنینی.
چون خیلی وقت‌ها وقتی می‌خوان از استارت‌آپ Exit کنند، حتی کارکنان رو هم می‌خوان منتقل کنند به شرکت جدید و خب ما ایرانی‌ها سرمون بی‌کلاه می‌مونه. یعنی طرف می‌خوان شرکت رو بفروشه، مجبور میشه شما رو تعدیل کنه و کم‌کم پروژه‌ها رو به یکی دیگه تحویل بده.
این ریسک بالاخره هست؛ چون شرکت‌های جاافتاده مثل گوگل و مایکروسافت و اوراکل که قرار نیست ما رو بگیرن. اون‌ها طبق تحریم‌ها حق استخدام ندارن. معمولاً استارپ‌آپ که دنبال نیروی نسبتاً ارزون‌تر هست، نیروی ایرانی می‌گیره و اون هم بحث امنیت شغلی‌اش بالاخره هست.
حقوق تازه‌کار
این که با چه حقوقی شروع کنید، به نظر من، زیاد سخت‌گیر نباید بود. خصوصاً در شغل اول و بازار کار الان. شاید شش ماه دیگه این حرف درست نباشه.
من تو شغل اولم دو سال رایگان کار کردم (که خب حماقت بود). اون زمان نمی‌دونستم و فکر می‌کردم درستش همینه. ولی بازم فکر می‌کنم تو شغل اول و حقوق موقع شروع کار نباید سخت‌گیر بود.
همین که مدتی سابقه کاری پیدا کنید، دیگه Junior حساب نمی‌شید و شرکت‌ها هم راحت‌تر استخدام می‌کنند.
- اولین شغل و توصیه هایی در مورد آن (فایل صوتی) | متمم
- رفتارها و تجربه ها و توصیه های مربوط به سال اول استخدام | متمم
دورکاری یا ریموت
بحث شیرین دورکاری از مواردی هست که مدت‌هاست من خودم هم درگیرشم. اگر بخوام واضح بگم به نظرم برای کسی که تازه می‌خواد وارد بازار کار بشه، امکان دورکاری بسیار کمه.
متأسفانه زمان کرونا کل دنیا فاز مثبت گرفتن که چقدر ما خوبیم و تند تند تحقیقات راجع به خوب بودن کار از راه دور بیرون اومد. شرکت های ایرانی هم به تبعیت و البته ناچاری همون کار رو کردند.
ولی الان به این سادگی‌ها زیر بار نمیرن. هر چی هم بگید تهش میگن که «ارتباط بین تیمی» در ریموت شکل نمی‌گیره و خلاقیت اصلاً از بحث‌های داخل راهرو شکل می‌گیره. تا حدودی درستم میگن.
جایگزینش هم البته کار Hybrid نیست. چون تو هیبرید بالاخره باید تهران زندگی کنید.
خلاصه این‌طوریه که اگر براشون ارزش داشته باشید، با ریموت بودن‌تون هم اوکی هستن. و خب اینجا قطعاً کسی که تازه می‌خواد وارد بازار کار بشه، دست پایین رو داره. با حالت ترکیبی با هم کنار می‌آیید ولی احتمالاً دورکاری نه.
اینه که اگر تازه می‌خواید وارد بازار کار بشید، چندان از دورکاری هم خبری نیست.
ولی در کل، تعداد شرکت‌هایی که قبول می‌کنند کسی باهاشون ریموت کار کنه و فرهنگ دورکاری رو هم داشته باشن، کمه؛ چون واقعاً تجربه خوبی نمیشه که همه حضوری برن سرکار و شما تنهایی ریموت باشید. اینه که بخش خوبی از بچه‌ها باید ریموت باشن و این کم شده.
استخدام و جنبه مهارتی
مهارت‌های مورد نیاز
هممون بارها بحث مهارت‌های نرم و سخت رو شنیدیم. تو مهارت سخت، تعداد ابزارهایی که باید بلد باشید، بیشتر شده؛ چون یادگیری هر کدوم ساده‌تر شده و راحت‌تر میشه یادشون گرفت.
به طور خاص بخوام بگم Git و Docker رو حتماً یاد بگیرید. واقعیتش من کسی که این دو تا ابزار رو بلد نباشه، برنامه‌نویس هم حساب نمی‌کنم و اگر تو جایگاه استخدام باشم، احتمالاً استخدامش نمی‌کنم.
اما خیلی چیز سختی نیست. من قبلاً یه پستی راجع به داکر نوشتم و منابعش رو معرفی کردم و هر کدوم رو میشه تو چند ساعت یاد گرفت.
الان دیگه اون دوره گذشته که یکی دیگه بیاد پروژه‌تون رو براتون Deploy کنه. چه ML بزنید چه هر چی، در اکثر موارد باید روی داکر Deploy کنید. و خودتون هم باید بنویسید. اصلاً چیز عجیبی نیست. کمی CI/CD ضرر نداره.
زبان برنامه‌نویسی که خب در اکثر موارد پایتون هست. لینوکس ترجیحاً کار کرده باشید. یه سری دستورات ترمینال رو بلد باشید. حداقل با یه دیتابیس کار کرده باشید و خلاصه بخوام بگم، اگر برید سمت تقاضا (یعنی آگهی‌های استخدامی) و سمت عرضه (یعنی رزومه متخصصین) رو بررسی کنید، به سادگی می‌فهمید کدوم مهارت‌ها الان مورد نیازه.
مثلاً متوجه میشید که شرکت‌های Agile هستن و با Kanban مدیریت تسک انجام میدن. همه این‌ها مهارت‌های کوچیک کوچیک هست و دونستن هر کدوم‌شون زیاد وقت نمی‌گیره.
تو مهارت‌های نرم هم من متمم رو پیشنهاد می‌کنم. یه سری لینک براتون گذاشتم که بخونید. هم راجع به مصاحبه هست و هم نکات رزومه‌نویسی.
- رزومه نویسی | در یک نمونه رزومه کاری چه چیزهایی باید باشد (و نباشد) | متمم
- مصاحبه استخدامی و سه پیام پنهان در آن | متمم
- اشتباهات جبران ناپذیر در مصاحبه استخدامی | متمم
ریاضی
یه نکته هم من خودم اضافه می‌کنم و راجع به رشته هوش هم بخوام به طور ویژه بگم به نظرم باید سه تا بحث جبرخطی، آمار و احتمال و حسابان (مشتق و انتگرال) جدی گرفته بشن. واقعاً هر پوزیشنی تو هوش داشته باشید، دیر یا زود بلد نبودن این پایه‌های ریاضی کار دست‌تون میدن.
شاید کسی که بخواد نرم‌افزار کار کنه چندان نیازی نباشه این‌ها رو بلد باشه. اما اونی که Data Scientist هست چطوری می‌تونه با کتابخانه‌های numpy کار کنه و واقعاً نفهمه ریاضیات پشتش چیه؟ این آدم هیچ وقت نیروی Senior نمیشه.
نمیگم کارهای بیهوده بکنید. مثلاً انتگرالی که هر ابزاری می‌تونه حل کنه رو شما دوباره حل کنید. انتگرال $tan^{-1} x$ رو بلد نبودید می‌تونید بدید براتون حل کنه. ولی مفاهیم رو باید بلد باشه.
- Mathematics of Machine Learning [Book]
- Mathematics for Machine Learning | Companion webpage to the book “Mathematics for Machine Learning”. Copyright 2020 by Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong. Published by Cambridge University Press.
رزومه زنده
به نظرم الان رزومه زنده هم اهمیت پیدا کرده و آدم‌ها بهش نگاه می‌کنند. منظورم وبلاگ شخصی، رسانه شخصی، یا مثلاً کانال تلگرامی هست که نشون بده طرف واقعاً به این حوزه علاقه داره. یا شاید مشکلاتی که باهاش مواجه شده و حل کرده رو به اشتراک بگذاره. این‌ها ارزشمندن.
گیت‌هاب رو قطعاً اهمیت میدن. این که یه سری پروژه انجام داده باشید یا کلاً مشارکت عمومی تو مخازن داشته باشید. Kaggle هم اگر فعالیت کنید می‌تونه کمک‌کننده باشه.
مهم‌های بی‌اهمیت
دو چیز هم هست که به شخصه باهاشون موافق نیستم؛ اما خب بعضاً مرسومه که مصاحبه‌دهندگان مدنظر قرار میدن.
یکی بحث سؤالات الگوریتمی هست. برای اون با سایت‌هایی مثل LeetCode می‌تونید تمرین کنید. اما راستش به نظرم انقدر تأثیر نداره. این که آدم مفاهیمش رو بلد باشه مهمه. اما این که در لحظه بتونه بهینه‌ترین الگوریتم رو بنویسه چندان اهمیتی نداره.
دوم هم بحث مدرک ارشد یا مقاله هست که می‌بینم بعضی دوستان اهمیت میدن. من به شخصه چندان به کارایی نظام آکادمیک معتقد نیستم. به نظرم کسی که دکترا گرفته شاید حتی برای بعضی شغل‌ها باید امتیاز منفی داشته باشه.
پررنگ‌کردن ارتباطات (Connection)
راجع به بوت‌کمپ و کارهای این‌طوری به نظرم عملکردش مثل سیستم دانشگاهی ماست. الان عملکرد دانشگاه بیشتر از کسب علم و دانش، ساختن شبکه است.
من تو دوران ارشد تو شریف دوستان زیادی پیدا کردم و خب پیشنهادات شغلی مختلفی هم به خاطر همون ارتباطات گرفتم. ولی این که بگم درس‌های دوران ارشد به دردی خورد یا چیزی یاد گرفتم در اکثر موارد حرف نادرستی هست.
آموزش دیجیتال، کنکور و مزیت رقابتی | گاه‌نوشته‌های امیرپورمند
بوت‌کمپ هم مثل همونه. رویدادها هم همینن. اگر فکر می‌کنید که شبکه افراد کنارتون ضعیف هست، بوت‌کمپ می‌تونه فرصتی فراهم کنه تا با آدم‌های دیگه ارتباط بگیرید. مثل همون نقشی که دانشگاه داره بازی می‌کنه.
در کل هم اگر کسی حوصله داشته باشه فقط به این دلیل ارشد بخونه به نظرم کار اشتباهی نکرده. منتهی ارشدش باید حتماً دانشگاه‌های تاپ تهران باشه تا این مورد برطرف شه.
خلاصه بخوام بگم این قسمت راجع به بازار کار صحبت کردیم و گفتیم ورود بهش سخت شده. ایران و خارج رو مقایسه کردیم و درباره حقوق گفتیم. تهش هم راجع به مهارت‌هایی که بهتره یاد بگیرید.
خیلی حرف زدم و سرتون رو درد آوردم. من مدت‌ها بود که اپیزود ضبط نکرده بودم و امیدوارم این شروع دوباره‌ای باشه که بیایم اینجا با هم حرف بزنیم.