Что не нравилось на прошлой работе

• Недостаток данных для полноценного анализа (например, маленькие выборки или плохая разметка).
• Размытые KPI или отсутствие чётких метрик успеха для моделей.
• Ожидание "волшебства" от ML без понимания базовых принципов.

Пример:

# Вместо "улучшить точность модели" (размыто)  
# Хотелось бы: "достичь precision >0.9 на тестовой выборке"  
if model_test_score < 0.9:  
    raise ValueError("Модель не соответствует KPI")  

Также раздражали бесконечные митинги без actionable outcomes.