Время Валеры

Хороший пример того, как можно торговаться на executive pay package. Напоминает чем то примеры из книги: The Engineering Executive's Primer: Impactful Technical Leadership "Can't increase cash comp before Series B." “All execs get $250K max. No exception.” She asked for 2% of ARR over $10M instead. The CEO called it "brilliant." When we hit $30M, that's $400K extra. In cash. Not equity. 1/ Best cash alternatives when startups are tight: • Revenue / Profit Sharing: 2% of ARR (worth $380K at target) • Milestone Triggers: $100K at product launch • Funding Bonuses: $150K when Series B closes • Customer Acquisition: $10K per enterprise client • Post-Funding Guarantees: Base jumps $50K after raise "All executives get the same base. Board policy." So another exec negotiated what others didn't: $25K childcare benefit $75K travel package $50K housing allowance $65K executive MBA funding Same base. $215K more total comp. 2/ Creative comp packages others never ask for: • Childcare subsidies ($25K-$50K annually) • Housing/relocation stipends (without actual moving) • Education funding ($65K for executive programs) • Premium travel policy (business class = $40K value) • Coaching/professional development ($25K annually) And sometimes the meat and potatoes annual bonus can do more for you: 3/ Annual bonus nuances most miss: • Accelerators (1.5x bonus target if >$10m ARR) • Quarterly bonus payouts • Guarantees (Minimum 75% bonus target payout) Even at early startups, you can add $200k+ to cash compensation

Недавно обсуждали дизайн рекламной системы (реальной), и разговор зашёл о том, где и как хранить векторы для айтемов и пользователей. На моё утверждение, что можно всё хранить на одной машине, возразили, что будет примерно 100-200 млн векторов, которые нужно хранить постоянно (пользователей можно считать на лету). К счастью, я как раз недавно прочитал ScaNN (Scalable Nearest Neighbors) (https://research.google/blog/announcing-scann-efficient-vector-similarity-search/)от Google Research. У ScaNN два плюса: 1) Эффективная квантизация через кодовые книги (ну это у многих). 2) Сжатие не просто ради сжатия, а минимизация ошибки в первую очередь в направлении вектора; ошибка, уводящая вбок, менее страшна. The innovation of ScaNN is Anisotropic Vector Quantization. It recognizes that not all geometric errors are created equal. An error "sideways" (orthogonal) hurts your search accuracy much less than an error "lengthwise" (parallel). Если взять эмбеддинг OpenAI (Ada-002) размерностью 1536, он будет весить 6 КБ. 100 млн таких эмбеддингов будут весить 600 ГБ — многовато. Если его сжать через CodeBook — стандартно в 64 субпространства code book — он будет весить 64 байта. 100 млн таких эмбеддингов будут весить 6 ГБ. Задача решена. #SystemDesign https://research.google/blog/announcing-scann-efficient-vector-similarity-search/