Привет, Хабр! Меня зовут Анна Щеникова. Я работаю AI-инженером в Центре RnD МТС Web Services и параллельно лидирую магистерскую программу «Исследования и предпринимательство в искусственном интеллекте» ВШЭ. В МТС занимаюсь всем, что связано с моделями: вместе с коллегами тестирую гипотезы про агентов и мультимодельные подходы.
Переход от студенческой жизни к профессиональной деятельности — важный и сложный этап. Это первые серьезные шаги в карьере, первое понимание, как применить полученные знания в реальном бизнесе.
Я прошла этот путь несколько раз: сначала сама, а потом помогая магистрантам в ВШЭ. Так я увидела, какие ключевые точки нужно проработать, чтобы комфортно и весело перейти от теории к реальным бизнес-задачам. В этом посте расскажу о своем опыте перехода к полноценной работе и поделюсь видением того, что будет актуальным в сфере AI в ближайшем будущем. Надеюсь, это поможет кому-нибудь правильно спланировать карьеру.
Как построить карьерную траекторию от университета к практике
В моем случае карьерный рост разделился на два крупных блока: бакалавриат и магистратуру. Первый курс я воспринимаю как фундамент — он дал базу, но не приблизил к практике. Значимые шаги начались со второго: тогда я попыталась понять, какие направления мне интересны.
На третьем курсе я активно искала работу, но столкнулась с кучей отказов. Это был непростой период, приходилось придумывать альтернативные пути. Тогда я даже решила попробовать себя во фрилансе, и это был классный опыт. Упорство дало результат: к магистратуре я уже работала в МТС.
За все время обучения выделю два ключевых изменения, которые повлияли на мое профессиональное развитие: я поняла, чем хочу заниматься и куда двигаться, и научилась применять полученные знания на практике.
Эти осознания пришли не сразу — потребовалось время, эксперименты и поиск ответов на кучу вопросов.
В университете перед тобой открывается бескрайний мир возможностей
Курсы, лекции, проекты, но все это кажется хаотичным. Ты изучаешь разные предметы и не всегда понимаешь, зачем они тебе нужны. Сложно выбрать специализацию — множество разделов математики и программирования, огромный объем информации.
Мне помогло осознание своих сильных сторон. Я всегда любила литературу и решила попробовать соединить ее с искусственным интеллектом. Так родилась моя курсовая работа, а я начала движение туда, где мне интересно.
Как только ты выбираешь направление, ответы на многие вопросы приходят сами собой
Например, если изучаешь машинное обучение, тебя начинает волновать, как именно работают нейросети, почему определенные математические модели дают тот или иной результат. Это подталкивает глубже погружаться в сферу.
Начинаешь не просто изучать материал, а задаваться вопросами: как применить знания, как это работает в реальных задачах, как улучшить существующее решение. Наконец-то понимаешь, зачем была нужна вся эта углубленная математика с первого курса.
Навыки же приходят только с практикой
Правило десяти тысячи часов никто не отменял. В моем случае в ВШЭ на ПМИ давали много классной теории. Но дальше важно было научиться ее применять.
Мой рецепт — попытаться упаковать в бизнес-кейс каждую работу, которую делаешь. Так я поступила со своим дипломом. Это дало результат — ко мне пришли друзья и предложили его реализовать для заказчика. Это стало отличной строчкой в резюме.
Кого ждут на рынке труда
В последнее время я много общаюсь с кандидатами и изучаю рынок труда в сфере ИИ. Благодаря этому знаю, кто сейчас нужен компаниям и какие профессии будут актуальны в ближайшие годы.
На данный момент можно выделить четыре основные категории специалистов, которых нанимают крупные технологические компании вроде МТС:
Промпт-инженеры помогают обучать модели, пишут для этого запросы к нейросетям и тексты. Спрос на эту роль средний.
Руководители AI-направлений отвечают за внедрение технологий, координацию разработки и взаимодействие с инженерами. Тут тоже средний спрос, потому что руководителей не может быть больше, чем команд.
AI-разработчики — на карьерных сайтах их еще часто называют Data Scientist, объединяя с AI-инженерами. Они умеют применить технологии AI и внедрить их, написав пайплайны и backend. С ИИ они работают в рамках продукта, обрабатывая пользовательские запросы. Потребность на рынке в них самая высокая. Причина — универсальность стека и множество актуальных задач у компаний.
AI-инженеры как раз обучают модели, создают новые алгоритмы и подходы, валидируют данные. Их нужно гораздо меньше, чем разработчиков-интеграторов.
Проблема в том, что придумать новое в сфере ИИ сейчас очень сложно
Множество решений уже существует и их нужно просто внедрить. При этом стоимость разработки и обучения собственных моделей или алгоритмов чрезвычайно высока, поэтому и спрос низкий. И дело не в зарплате инженера, а в тех ресурсах, что ему нужно предоставить — терабайты данных, мощное железо. На это способны только крупные компании.
Просто сравните, как меняются временные затраты:
Бизнесу сложно идти на это. В одном продукте собирается огромное количество внутренних данных. Но, чтобы их использовать, придется потрудиться. Ведь их нужно обработать, подготовить, привести к единому формату. А это время, которого у бизнеса обычно дефицит.
Посмотрим и сравним стек Data Scientist и AI-инженера/разработчика:
Разница небольшая: мы видим стандартные требования, нужные на рынке. Весомая доля стека вообще не относится к математике.
В будущем эти две роли неминуемо трансформируются в руководителей направлений и уйдут от монотонной разработки. Они будут знать, что именно надо написать, но сами этого чаще всего делать не будут, а делегируют задачу ИИ.
Три ключевые роли в развитии AI
AI в бизнесе уже вовсю позволяет оптимизировать рутину — автоматизирует отчеты, генерирует email, работает с данными, анализирует информацию, ускоряет разработку, генерируя код и исправляя ошибки, решает задачи маркетинга и контента, саммаризирует встречи, создает черновики презентаций и даже подсказывает зоны развития.
Например, недавно я попросила ИИ рассказать, каких навыков мне не хватает. На основе моего текущего опыта, нейросеть нарисовала возможные карьерные траектории. А еще я слышала пример про поставленную ИИ задачу играть в шахматы самому с собой, и он закончил эту игру за пару минут.
В нашей магистерской программе мы выделяем три направления, которые играют ведущую роль в развитии искусственного интеллекта:
Ученые (AI Researcher). Создают новые алгоритмы и модели, работают в исследовательских лабораториях, публикуют научные статьи. Главная цель: развивать новые технологии, которые в будущем будут внедряться в реальный бизнес.
Пример: исследователи Google DeepMind, OpenAI, которые пишут статьи и тестируют новые архитектуры нейросетей. А еще этим занимаются мои коллеги из МТС AI.
Инженеры (AI Engineer). Берут научные разработки и адаптируют их под бизнес-потребности, оптимизируют модели для реального использования. Работают в отделах компаний, решая прикладные задачи. Главная цель: сделать AI полезным инструментом для бизнеса, повысить его эффективность.
Пример: в МТС Web Services создают продукты, использующие ИИ-модели для оптимизации бизнес-процессов. Например, в МТС Линк есть распознавание и саммаризация встреч.Стартаперы (AI Entrepreneurs) и product owner. Разбираются в создании из технологий продуктов. Они знают, как вывести AI-решение на рынок. Главная цель: сделать AI доступным и востребованным, превратить его в бизнес-продукт.
Пример: компания Vision Labs появилась как стартап по внедрению биометрической аутентификации клиентов, а затем вошла в цифровую экосистему МТС.
Но просто разбираться в AI недостаточно
AI-инженерам не хватает знаний о бизнесе. AI-ученые часто не умеют превращать разработки в продукты. AI-стартаперы нуждаются в понимании технологий, чтобы масштабироваться.
Будущее за специалистами, которые объединяют несколько направлений сразу. Поэтому мы включаем в магистерскую программу не только технические, но и бизнес-навыки:
Ключ к эффективному применению современных ИИ-моделей — это грамотная постановка задачи
Делегирование рутинных задач нейросетям возможно уже в ближайшее время — с каждым новым поколением модели все лучше следуют инструкциям, сокращая число ошибок и «галлюцинаций». Однако у этой тенденции есть и обратная сторона: чем точнее модель исполняет команды, тем менее интуитивно она решает задачи. Чтобы добиться нестандартного ответа, придется приложить усилия к созданию промпта и качественно сформулировать запрос.
Представьте, что вам нужно преобразовать список в словарь на Python. Это достаточно простая и понятная задача, но даже тут нужно указать, как мы хотим сделать это преобразование.
Проблемы появятся, например, если попросить нейросеть написать курсовую по влиянию искусственного интеллекта на макроэкономику. Будет много некорректных фактов и обобщений. Логика почти наверняка окажется запутанной и противоречивой. Глубокого анализа и оригинальных выводов тоже ждать не стоит.
Чем детальнее и конкретнее модель воспринимает инструкции, тем меньше будет интуитивность генерации. Из-за этого сложнее выполнить реальную задачу. например, я часто прошу LLM написать код, но у меня возникает куча проблем.
Я хочу дать короткий промпт «Поправь эту строчку» и получить работающий ответ. Но часто такой формулировки не хватает и нужно написать: «Замени вот этот блок на код, который делает так, использует вот это и возвращает вот это».
Критически важным навыком для работы с AI становится промпт-инжиниринг. Он подразумевает умение правильно формулировать запросы к модели, задавая ей контекст, стиль ответа и формат результата.
Простой пример: на промпт «Ты — пятилетний ребенок, объясни это так, как понял бы ребенок» модель адаптирует свою речь и упростит объяснение.
А на промпт «Ты аналитик в МТС, отвечай только в соответствии с этими данными» AI будет фокусироваться исключительно на предоставленной информации.
Инструктивность vs универсальность
Современный ИИ не про создание креативных идей, а про выполнение поставленных задач. Человечество стремится к очень точному, управляемому и прогнозируемому инструменту. Технологии неотделимы от общества, поэтому они должны быть контролируемыми и четкими. Закрывать все потребности пользователей и бизнеса, минимизируя риски.
В противовес этому есть такое сложное и комплексное понятие как «универсальный искусственный интеллект» (AGI). В тренде, который мы сейчас наблюдаем, AGI обрамляется в высокоинструктивную модель, которая по слухам должна принести много денег.
AGI, как в фильме «Терминатор», не предвидится, потому что главная цель индустрии — инструмент, который решает проблемы, не создавая еще больших. Так мы получаем довольно легко обучаемого и исполнительного джуна, который может в будущем стать мидлом.
Я думаю, что развитие систем Copilot или агентов выглядят реалистичнее страхов «ии нас всех заменит». Раньше люди стирали руками в реке — сейчас у нас для этого есть стиральные и сушильные машины. Они упрощают работу, но мы все еще сами достаем белье и складываем его на полки.
Да, сейчас появляются гуманоидные роботы, которые смогут выполнять рутинную работу. Но они пока стоят очень дорого и недоступны для большей части людей. В итоге будет так же, как и с VR-очками: сначала все пророчили будущее как в фильме «Первому игроку приготовиться», но бум прошел, а такая реальность (пока) не наступила.
Работодателям будут нужны люди, которые закрывают собой направления, используя свои компетенции в связке с ИИ
От кандидатов будут требовать большей широты компетенций. Это в целом соответствует тому, к чему стремятся у нас в компании и каких студентов мы хотим вырастить.
Есть термин M-shape: у таких специалистов две глубокие компетенции и несколько широких. Они быстрее растут, приносят и реализуют больше интересных идей. ИИ может стать одной из таких востребованных широких компетенций, которые нужны на работе.
Среди моих знакомых и коллег я уже наблюдаю тенденцию, что fullstack, frontend и другие специалисты начинают разбираться в тематике, внедрять ИИ и решать связанные задачи, хотя это отчасти за рамками их компетенций.
Учеба дает возможность попробовать себя в разных сферах и ролях: поработать в лаборатории, посоздавать небольшие проекты на разных стеках, разобраться с олимпиадным программированиям и поучаствовать в соревнованиях.
Это время, чтобы пробовать себя. Даже если вы боитесь писать код, найдите себе интересную задачу. Для меня это была генерация стихов с помощью LLM. Можно начать с малого: сделайте тапалку хомяка в Cursor. Тут можно, как и ChatGPT, писать код по промптам. А затем пробуйте, усложняйте задачи — и так вы обязательно приобретете опыт, который так нужен для старта карьеры.