Привет, меня зовут Дима Ботов — я руковожу магистерской программой «Искусственный интеллект» в ИТМО, вообще же преподавательской деятельностью я занимаюсь уже более 10 лет. В этой статье я хотел обсудить наболевший для меня вопрос: почему текущая модель IT-образования работает совсем не так, как должна.

Почему я стал дата-саентистом

Давайте начнем с хорошей новости: я уверен, что специалисты по data science захватят мир! Ну или его захватит искусственный интеллект, который они разрабатывают — тут уж как повезет…

Вообще, я рад, что сел за эту статью только сейчас: еще полгода назад мне, возможно, пришлось бы подробно объяснять широкой публике, почему машинное обучение и искусственный интеллект (ИИ) — это круто. А сейчас, после того как ChatGPT (а вместе с ним DALL-E, Midjourney, и так далее) прогремел на весь мир, донести эту мысль уже попроще.

В свое время электричество и индустриализация вывели производительность труда на новый уровень, а в XXI веке этим новым толчком, похоже, станет ИИ и технологии больших данных.

Почему? Всё дело в экспоненциальном взрыве сложности и размеров самих нейронных сетей, а также наборов данных, на которых они обучаются — и этот количественный скачок удивительным образом переходит в качество на наших глазах. ИИ учится подражать эмоциональному интеллекту, синтез речи становится неотличим на слух от естественного (паузы, придыхания, эмоции — всё это уже решенная проблема), а дипфейки взрывают интернет-пространство.

Так что, дети, если хотите точно не иметь проблем с трудоустройством в будущем, то я бы на вашем месте присмотрелся к сфере машинного обучения. Таких спецов уже отрывают с руками, а в будущем их конкурентное преимущество на рынке труда будет только расти.

Что не так с IT-образованием

А теперь к плохой новости: текущая система образования просто не умеет массово готовить нужных бизнесу специалистов в этой области. Да, отдельные люди прокачивают себя сами и становятся успешными спецами, но иногда этот процесс происходит скорее параллельно традиционному образованию. Выделю несколько ключевых проблем с позиции моего преподавательского опыта и общения с бизнесом:

1. Классическое образование слишком ориентировано на теорию (причем зачастую на устаревшую теорию), а вот с переложением ее на практически полезные навыки часто возникают проблемы. Все же могут вспомнить тех преподавателей по компьютерным наукам из университета, которые очень интересно доносят до студентов важные знания — только вот основаны они на их опыте 20-летней давности… В сфере ИИ это особенно актуально: тут даже опубликованные в научном журнале свежие статьи могут быть несколько устаревшими, ведь за полгода цикла их публикации текущая передовая граница разработки, скорее всего, ушла далеко вперед.

2. Отсюда, у студентов возникает дилемма — учить в универе «фундаментальные знания» и зарабатывать корочку, либо идти работать и получать практические навыки. В итоге, как правило, либо страдает что-то одно — либо, и то, и то одновременно. За 12 лет преподавания в высшей школе и общения со студентами, я всё время видел противостояние двух паттернов: в университете постоянно звучит посыл «надо вот это выучить, потом разберетесь зачем» (привет, матан!), а при выходе на настоящую работу в компанию вчерашний студент слышит «так, а сейчас просто забудьте всё, чему вас учили в университете — в реальной жизни всё работает иначе!».

3. Получается, что бизнесам с одной стороны не хватает Data Science-специалистов, а с другой — те, что всё-таки приходят, не соответствуют их требованиям. Так что компаниям приходится делать свои внутренние школы/курсы, чтобы «за руку» довести только выпустившихся специалистов до требующихся им стандартов — но это же как бы не их основное направление деятельности, верно? Для самых крупных компаний, вроде Яндекса или VK, этот подход еще может работать (просто потому, что у них море ресурсов на развитие собственных компетенций), но средние (и, тем более, мелкие) бизнесы просто не потянут ведение своего внутреннего корпоративного университета.

Мой квест по исправлению образования: студенческие годы

Моя бабушка учила детей математике в школе, папа тоже был преподавателем — так что, похоже, уход в образовательную тему был написан мне на роду.

Уже в универе (я учился в Челябинске в Южно-Уральском госуниверситете) у меня начали закрадываться крамольные мысли, что учебный план как будто бы сильно отстает от того, что на самом деле является востребованным на рынке труда. В нас, так называемых «инженеров-программистов для ЭВМ», пытались вложить тогда очень широкий спектр всего: от хардварного, аппаратного уровня электроники и схемотехники, через двоичный код, через микропроцессоры — до самого высокоуровневого программирования на С++ и создания веб-сайтов с приложениями.

При этом, когда к нам приехали ребята из екатеринбургской компании Naumen и почитали факультативы — выяснилось, что в реальном бизнесе разработка работает не совсем так, как нам представлялось «из-за парты».

Вдохновившись этим опытом, я решил на последнем курсе в 2009 году тоже сделать для однокурсников факультативный курс (совершенно бесплатный), посвященный языку JAVA. Почему Джава? Да всё просто: потому что тогда такие специалисты были очень востребованы на рынке.

Курс я провел, всё получилось отлично — дополнительно хорошо прокачался сам в теме (как говорил Фейнман: хочешь в чем-то разобраться — научи этому других!). Но всё-таки разрыва между теорией и практикой он не устранял — хотя бы потому, что у меня у самого на тот момент реального опыта продакшн-разработки и проектной работы не хватало.

Будучи удручен недостатком практического опыта, я рванул в индустрию — пошел работать тем, кого сейчас называют data-инженером (тогда это называлось «разработчик баз данных»), в энергосбытовую компанию. Параллельно с этим я оставался в аспирантуре и продолжал преподавать студентам отдельные курсы.

Кончилось всё это по классике: в индустрии я дошел до «ведущего инженера-программиста по БД», ну и, конечно же, бодро выгорел в процессе. Где-то в этом месте я понял, что мне всё же более интересно работать с людьми и помогать им развиваться, а не просто самому писать код.

Создание Института ИТ в ЧелГУ: верните мой 2014-й

И вот где-то тут (ближе к 2013—2014 годам) мне как раз предложили поработать в Челябинском госуниверситете в команде Андрея Мельникова, который тогда создавал внутри него Институт информационных технологий. Задача была непростая, но драйвовая: надо было с нуля сделать новый формат практического обучения студентов — мы прочесывали все доступные западные практики, изучали подход к обучению в британских и штатовских университетах, и так далее.

В итоге мы выбрали для себя формат проектного обучения и максимального вовлечения в преподавание практиков из индустрии. Мы старались сделать упор в обучении на такие штуки, как мозговой штурм, design thinking, совместное обсуждение командами проекта: когда задача преподавателя — это выступать не столько в роли «говорящей головы» и передатчика теории, сколько с позиции такого фасилитатора, который помогает командам самим внутри себя выработать правильные решения.

К сожалению, большая часть преподавателей считает, что именно они знают, как надо правильно. Но это, на мой взгляд, тупиковая история — по крайней мере, в таких практических историях, как в IT. Она лишает студента возможности критически мыслить самостоятельно и развивать свои идеи. А то ведь всё равно в итоге преподаватель расскажет «как надо», и, вероятно, заставит переделывать под свое видение мира.

В рамках отрицания этой парадигмы мы и развивали наш Институт. Я тогда отвечал за всю академическую часть, за дизайн образовательных программ, учебных планов. Моей задачей было так подобрать преподавателей, чтобы около 90% профессиональных курсов вели именно практики из индустрии, а не штатные университетские ребята.

И нам в итоге удалось этого добиться: начиная с первого курса у нас читали реальные программисты, которые днем занимались разработкой, а вечером приходили обучать студентов. Это для меня было открытием: оказывается, на самом деле очень много крутых людей готовы тратить свое время на передачу опыта студентам — причем не столько за деньги, сколько за идею. (Надеюсь, никто из них из-за этого не выгорел!)

Но это всё еще не имело прямого отношения к машинному обучению, поэтому ниже будет о том, как я вкатился в него.

Первая магистратура по машинному обучению на Урале

Параллельно в аспирантуре я потихоньку занимался машинным обучением (тогда оно еще не было на слуху). Я занимался направлением Machine Learning, которое называется NLP (Natural Language Processing, обработка естественного языка) — к текущему моменту из этой ветки мы как раз получили все удивительные штуки вроде ChatGPT. А тогда я просто писал работу по анализу текстов вакансий с помощью нейросетки — чтобы понять на уровне семантики, какие навыки реально нужны работодателям от студентов, и сравнить с семантическим анализом образовательных программ университетов. По сути, искусственный интеллект мне говорил — какие университеты дают студентам котирующиеся на рынке труда знания, а какие — не очень.

Где-то в это время (2015—2016 годы) мы стали глядеть на зарождающееся в Москве/Питере сообщество Open Data Science и решили — а чем мы на Урале хуже? Надо работать на опережение! Так что мы решили запускать в Челябинске свою магистратуру по машинному обучению, тогда она называлась «Data mining и интеллектуальный анализ данных».

Это была первая магистратура такого типа на Урале, и одна из первых в России по тематике машинного обучения. Мы тогда даже толком не понимали, в какие конкретно компании в регионе пойдут работать студенты — не было еще тогда местных бизнесов, которые в чистом виде специализировались на искусственном интеллекте и машинном обучении, этот рынок только формировался. Но мы были уверены, что у сферы огромный прикладной потенциал в бизнесе.

Как раз в процессе запуска магистратуры, я познакомился с ребятами из компании Napoleon IT и лично с их сооснователем — Павлом Подкорытовым. Мы тогда делали с ними совместный курс для студентов бакалавриата по разработке мобильных приложений под Android. Это сейчас каждая онлайн-школа обещает за полгода «вкатить тебя в айти», а тогда толковых курсов на эту тему было днем с огнем не найти.

На выходе этого курса мотивация была не столько на зачетку — мотивация была в том, что лучшим ребятам пообещали оплачиваемую стажировку в Napoleon IT. И читали этот курс как раз реальные программисты и мобильные разработчики из компании, которые руками занимаются приложениями. Студентам в итоге очень зашло — битва за попадание в топ по рейтингу, чтобы оказаться на стажировке, местами вышла довольно накаленной.

Именно тогда я понял, что общепринятая схема оценивания студентов в баллах в зачетке – это прямо совсем не то, что реально нужно. Мы немного докрутили эту идею и пришли к тому, что лучший формат экзамена в случае IT-курсов – это формат собеседования, ну или защита проекта. То есть ты приходишь, показываешь свое портфолио, техлид проводит с тобой собеседование по направлению, и так далее.

2018: Уральская школа машинного обучения

Короче, уже тогда ко мне начало приходить понимание, что оптимальный формат IT-обучения — это что-то на пересечении между студентами и реальным бизнесом.

Где-то в это время мне предложили в крупной уральской телеком-компании стать руководителем отдела машинного обучения, с одной оговоркой — этого отдела тогда не было вообще, его надо было сделать с нуля. И мне совместно с ребятами из Napoleon IT пришла в голову идея сделать из этого в том числе образовательный проект — создать отдел как бы вместе со студентами и из студентов в том числе. Так родилась Уральская школа машинного обучения.

Мы набрали из более чем ста заявок 30 наиболее мотивированных ребят – и провели для них полностью бесплатный курс. За основу мы взяли материалы с курса машинного обучения от Open Data Science — в формате хабр-статей, домашек и видеозанятий. Так что вместо придумывания образовательного контента с нуля мы смогли больше усилий потратить на продумывание подачи и формата совместной работы со студентами.

В итоге у нас получился «перевернутый» формат обучения: лекций как таковых там не было — а теорию мы разбирали прямо на практике в ходе решения задач.

И нам, и студентам, такой формат «зашел» — и мы потом проводили аналогичные запуски. Как раз на основе первых двух запусков Школы в течение 2018 года у меня сформировалось основное ядро коллектива в новоиспеченном отделе. Без Уральской школы ML я бы его просто не смог создать, потому что в регионе на рынке труда тогда в принципе не было достаточного числа специалистов по машинному обучению, из которых можно было сформировать команду — так что я ее сделал из вчерашних студентов.

Отдел в итоге развился до уровня реализации 15—20 проектов по компьютерному зрению: обработка текстов, построение диалоговых систем, предиктивная аналитика — полный набор!

А я в определенный момент опять устал от «корпоративной» жизни и меня потянуло сделать какой-нибудь стартап — свой проект, уже вне компании. У меня было чувство, что потенциал вот этих форматов обучения, построенных на сплаве бизнесовых задач и замотивированных студентов, точно не исчерпан проведенными Школами и магистратурой — это же были всего лишь «местечковые» проекты, а хотелось выходить с такими идеями на уровень всей страны. И обеспечивать путь не из нулевых ребят в джуны, а переходить уже на следующий уровнь — растить из джунов сильных мидлов (ведь, как все знают, именно они-то и нужны бизнесу больше всего).

Так родилась идея AI Talent Hub — проекта, который я развиваю и сейчас.

2021: AI Talent Hub как стартап, или как мы рожали идею

В 2021 году Павел Подкорытов позвал меня в питерский университет ИТМО, запускать там совместно с Napoleon IT специализацию «Компьютерное зрение» для магистрантов. Именно тогда мы познакомились с первым проректором ИТМО Дарьей Козловой — и она предложила мне сделать необычный формат: что-то вроде проектной магистратуры по правилам продакшена IT-компаний. Мне готовы были дать карт-бланш на любые новаторские идеи!

И мы начали штурмовать эту историю — делать исследование и искать референсы, на базе которых можно сделать что-то передовое и интересное. Смотрели на то, как на Западе развивают стартап-сообщества; как ребята в Minerva University делают дизрапшен образования; как сейчас учат в Стэнфорде (Паша Подкорытов тогда на проекте Стэнфорда Future Talents как раз имел возможность вживую посмотреть на всю логику обучения и их подходов).

В общем, вдохновившись всеми этими подходами, мы и родили идею AI Talent Hub. С самого начала мы сформулировали своеобразный манифест — ключевые принципы, согласно которым должно строиться IT-обучение будущего:

1. Академическая свобода студента (выбор курсов под свои личные потребности и способности) и академическая свобода преподавателя (выбор форматов проведения курсов). Так называмая «суперэлективность» (супервыборность) курсов — каждый студент может составить себе полностью индивидуальный трек обучения из множества доступных курсов из разных областей ИИ и профессиональных направлений. И, вдобавок, выбрать интенсивность освоения курсов — за год, полтора или два года (в зависимости от загрузки).

2. Упор именно на практику через работу в реальных проектах в рамках рабочего процесса реальных IT-компаний. То есть, обучение заведомо должно быть не «академичным», а в первую очередь прикладным — с активным привлечением партнеров из бизнеса (которым, в итоге, и нужны все эти подготовленные специалисты). Ну и там уже получается, что нетворкинг и взаимодействие с профессионалам из индустрии становятся как бы основой образования (и, что не менее важно, основой передачи культуры).

3. Развитие продуктового мышления и инженерных навыков в условиях неопределенности. Это только в учебниках есть задача и есть ее итоговое понятное решение, которое нужно найти. А в реальном мире даже сама задача часто расплывчата, а решать ее как-то всё равно надо. Мы считаем, что и обучать спецов надо через погружение в реальные неформализованные бизнесовые потребности, в рамках полного цикла: от проработки идей и гипотез решения, до разработки в логике создания MVP (Minimum Viable Product — плясать от минимально жизнеспособного решения в сторону его постепенного усложнения).

2022: Что получилось на практике

По факту, AI Talent Hub сейчас работает примерно так:

• Мы набираем самых талантливых ребят, у кого уже есть неплохой опыт в IT за плечами, на бесплатную магистратуру в рамках ИТМО.

• Совместно с компаниями-партнерами (сейчас их более 12 — Huawei, МТС, Сбер, Яндекс Практикум и другие) составляем пул задач для так называемой «фабрики пилотных проектов».

• Студенты в рамках проектной работы пытаются сделать реальные рабочие MVP под эти задачи совместно с экспертами и менторами из IT-компаний.

Наша ключевая компетенция как AI Talent Hub — в том, что у нас получается соединить бизнес и студентов таким образом, чтобы в процессе их взаимодействия случалась магия: чтобы и студенты обучались именно тем навыкам, которые нужнее всего на рынке труда, и бизнес видел для себя реальную отдачу (иначе зачем ему вписываться в это?) — в виде возможности потестировать свои рабочие гипотезы и новые идеи, а также получить доступ к замотивированным молодым спецам, многие из которых будут готовы потом пойти на работу в этот бизнес.

Проект уже успешно работает с прошлого года: на 2022 год мы получили (рекордные для ИТМО) почти 500 заявок на магистратуру, из которых отобрали для обучения примерно сотню студентов — сейчас они работают над проектами, привлекают под них гранты, активно взаимодействуют между собой в рамках хаба. Ну и не только между собой, на самом деле: существенная часть процесса обучения построена еще и на взаимодействии с менторами и экспертами из ODS, лидами и сеньорами из компаний-партнеров, с продактами и стейкхолдерами из реального бизнеса.

Вообще, мы с самого начала сознательно решили делать упор именно на построение комьюнити и своеобразной «тусовки» амбициозных людей в индустрии. За счет того, что это магистерская программа, на ней встречаются самые разные люди — от вчерашних студентов-выпускников, до специалистов с солидным опытом в других индустриях, которые решили продолжить развитие своей карьеры в сфере Machine Learning/Artificial Intelligence.

А за счет тесного взаимодействия в рамках фабрики пилотных проектов с «заказчиками» от бизнеса, многие ребята сразу получают оффера уже на полноценную стажировку или работу в этих компаниях.

Если вы дочитали до сюда — то, подозреваю, что вы хотя бы частично разделяете или находите интересным наш подход к IT-образованию. Так что, если вы студент с интересом к Data Science — то welcome в наше онлайн-комьюнити (где мы анонсируем разные мероприятия вроде хакатонов), если вы джун-практик или просто окончили бакалавриат — то возможно вам будет интересно подумать в сторону нашей магистратуры (на следующий год у нас планируется аж 200 бюджетных мест, так что в случае прохождения отбора — учиться можно будет совершенно бесплатно), ну а представителей бизнеса с потребностью в ML-кадрах приглашаем тоже подключиться к образовательному процессу.

Что дальше?

В ближайшем будущем у нас стоит основная цель по масштабированию нашего подхода к IT-образованию: мы хотим набрать на обучение 700 магистрантов в 2023—2024 годах.

Но вообще, у меня есть более общая и долгосрочная мечта — это помочь осуществить глобальное изменение в подходе к образованию. Не только в России, но и по всему миру.

Я вижу процесс образования будущего так: условный студент-начинающий специалист по машинному обучению из Бразилии набирает себе портфель отдельных дисциплин по всему миру: курс по программированию в ИТМО, курс по дизайн-мышлению в Стэнфорде, курс по управлению инновациями в Университете Гонконга, и так далее. И параллельно проходит стажировку и реализует прикладной проект в одном семестре, допустим в Huawei, а в следующем семестре — в исследовательском подразделении Яндекса.

То есть, студент уже не ограничен рамками конкретного вуза и учебного плана — ему доступны из любой точки лучшие курсы ведущих университетов и программы стажировок ИТ-компаний со всего мира. И здесь на первое место должна выйти роль ментора, который помогает такому студенту собрать личную траекторию развития как профессионала.

Сейчас, конечно, в свете текущих обстоятельств такая картинка выглядит излишне оптимистично. Но я верю, что рано или поздно мы к этому придем. Ведь если не пытаться воплотить свое идеальное видение мира в реальность — то тогда вообще непонятно, зачем вот это всё? =)