Сегодня технологии машинного обучения (ML) становятся ключевыми инструментами в медицинской диагностике, позволяя ускорить и улучшить процесс анализа данных пациентов. Благодаря ML врачи и медицинские стартапы могут быстро и точно обрабатывать большие объемы медицинских изображений, таких как рентгеновские и КТ-снимки, чтобы улучшить диагностику и повысить качество медицинской помощи. Именно такого специалиста искал наш клиент – медицинский стартап, разрабатывающий платформу на базе ML для автоматического распознавания и анализа рентгеновских и КТ-снимков.
Запрос клиента
Клиентом выступил перспективный медицинский стартап, который разрабатывает инновационную платформу для диагностики заболеваний на основе анализа рентгеновских и КТ-снимков с помощью ML и Computer Vision (CV).
Для успешного запуска продукта клиенту требовался ML Engineer уровня Senior с опытом разработки нейронных сетей и навыками работы с изображениями. Основные требования включали:
- Опыт в разработке и оптимизации алгоритмов распознавания изображений с использованием нейронных сетей;
- Работа в крупных корпорациях с отлаженными процессами для возможности переноса лучших практик в стартап;
- Проживание в Европе или готовность к релокации для работы в тесном сотрудничестве с командой;
- Наличие профильного образования из представленного списка учебных заведений (около 15 вузов);
- Активное участие в профильных конкурсах ML, таких как Kaggle, и высокий рейтинг в данных мероприятиях (как показатель уровня навыков и мотивации).
Возникшие трудности
- Образование и профильные требования
Компания предпочитала кандидатов из ограниченного списка ведущих технических вузов, что значительно ограничивало выбор. Вдобавок клиент был заинтересован в тех специалистах, которые имели опыт участия и высокие результаты в конкурсах ML, особенно в задачах по распознаванию изображений на Kaggle. - Опыт работы в крупных компаниях с отлаженными процессами
Клиент хотел видеть кандидата с опытом работы в больших технологических компаниях, где уже внедрены передовые практики разработки и контроля качества, чтобы кандидат мог применить полученные навыки в условиях стартапа. Однако, учитывая начальную стадию проекта, многие специалисты предпочитали продолжать карьеру в уже стабильной корпоративной среде. - Особенности медицинского стартапа
Хотя проект был на начальном этапе, стартапу требовался специалист, способный создавать точные модели для анализа медицинских снимков, а также разрабатывать систему, отвечающую высоким требованиям к качеству и точности диагностики.
Процесс подбора
Мы совместно с клиентом сформировали портрет идеального кандидата, акцентируя внимание на ML-инженерах из топовых вузов с опытом работы над медицинскими изображениями и опытом в конкурсах Kaggle. После анализа требований и подготовки подходящих стратегий, наши рекрутеры определили основные источники поиска и составили список компаний-"доноров", в том числе медико-технологические и крупные компании с сильными ML-командами.
В течении первой недели работы мы сфокусировались на прямом поиске кандидатов с активного рынка и представили клиенту двух квалифицированных кандидатов. Один из них выделялся высокой позицией на Kaggle, входя в топ-20% участников, и опытом работы в медицинской компании, где реализовывал похожий на запрос клиента функционал. Это полностью соответствовало ожиданиям клиента.
Результат нашей работы
Процесс подбора занял 17 рабочих дней. Наш рекрутер активно работал с кандидатом на всех этапах, помогая выстроить доверительные отношения и показать все преимущества работы в медицинском стартапе. Мы обработали более 70 резюме, отправили около 40 персонализированных предложений и провели 4 интервью с наиболее подходящими кандидатами. В результате кандидат подходящий по навыкам и ожиданиям клиента, принял оффер, несмотря на наличие других предложений.
Чтобы закрепить интерес кандидата к проекту, мы организовали дополнительные встречи с медицинскими консультантами стартапа и СТО проекта, что позволило кандидату лучше понять значимость его будущей работы и вклад в развитие медицины. Учитывая наш опыт, мы также предложили помощь с релокацией и адаптацией, что ускорило готовность кандидата приступить к обязанностям.
По завершении подбора клиент отметил не только значительное ускорение разработки продукта, но и улучшение точности системы распознавания медицинских изображений. Через месяц кандидат успешно приступил к работе, и за короткий срок внес ценный вклад в развитие инновационной платформы.
Дата