Хабр Курсы для всех
РЕКЛАМА
Практикум, Хекслет, SkyPro, авторские курсы — собрали всех и попросили скидки. Осталось выбрать!
Поток AI и ML доступен 24/7 благодаря поддержке друзей Хабра
Комментарии 31
Вероятно, большинству этих людей просто не нужен ИИ. Или они сами к нему не готовы. В обоих случаях им такое внедрение скорее вредно, чем полезно
Согласен частично. Но есть нюанс — запрос на AI есть, деньги есть, задачи реальные. Проблема не в том что не нужен, а в том что решение принимают люди которые не понимают что берут. Это как нанимать хирурга через менеджера по закупкам — потребность в операции есть, просто отбор сломан.
Я бы скорректировал на основании своего опыта: есть запрос на АИ вообще, какой-то, абстрактный, который “выведет на новый уровень/почти эффективность/и т.п.”- подставить нужное в зависимости от того, под влиянием какого маркетолога находятся ТОПы. А вот что делать конкретно - вопрос спускается по “лесенке вниз” и тут имеем то что имеем…
запрос на AI есть, деньги есть, задачи реальные
Про задачи откуда уверенность? Запрос на AI потому что он на хайпе.
Не умеют сами - не всегда значит, что не готовы. Возможно, им как раз не хватает человека, который знает как надо.
Был в такой позиции (не в AI тематике) - но компания была открыта к новому, и в итоге удалось выстроить классную продуктовую команду.
Помню в середине нулевых появилась компания, которая проталкивала идею юзерфрендли интерфейсы. Забыл уже название компании и "технологии". Там прям рассматривали каждый элемент программы/сайта. Куда чаще смотрит пользователь, как быстро находит нужное, чем перегружен интерфейс, что нужно вынести на главный экран, на какие кнопки и элементы нужно акцентировать внимание пользователя, и так далее. Был на их вэбинарах и одной из проблем внедрения в бизнес такого в СНГ они ставили то, что бизнес тупо не понимал зачем им это и почему это нужно. А только потом уже, когда они умудрялись донести до бизнеса это, уже начинали заниматься оптимизацией интерфейсов. Пошло вроде из "промышленного" направления, там как пример было управление самолётом и расположение приборов в нужном месте и в нужной последовательности, в зависимости от необходимости и действий пилотов.
Думаю тут таже самая "проблема". Не столько сам АИ сложный/плохой, сколько тупо нет понимания пользователей и бизнеса в необходимости оного. А потом и в умении применять. Сам сейчас вижу, что часто бизнес как в начале нулевых бегали за сайтами "нам надо! зачем не знаем, но надо!" (делали и забивали болт, порой даже забывая продлить домен и хостинг, не говорю уже про обновление контента на сайтах). Или не используют или чаще всего пытаются внедрить, но тупо для "у нас есть", не понимая как применять оптимально. Тут по мне, как вы и заметили, нужен не только тот кто внедрит какое-то шаблонное(коробочное) решение, но и главное объяснит да и научит, покажет что и как лучше, что хуже, как использовать, заточит под конкретные бизнес процессы конкретного бизнеса.
запрос на AI есть, деньги есть, задачи реальные
Почти, задача часто сводится к тому что "Все используют ИИ, мы тоже должны, потому что много статей где рассказывают как это круто/полезно/оптимизирует ВСЕ/быстрее и тд".
Часто бизнес сам не знает и не понимает зачем им ИИ и как его будут использовать, и будут ли вообще.
Спецов мало, остальные все как видят так ИИ и пилят.
Вот это вообще отдельная боль — FOMO-внедрение 😄 "Все делают — и мы должны". В итоге берут первого кто скажет слово "нейросеть" на собесе, дают бюджет и получают n8n с Ollama который никто не поддерживает.
Самое грустное что в этой схеме реальный специалист часто проигрывает человеку который просто уверенно говорит правильные слова. Потому что заказчик не может отличить одно от другого.
Потому что заказчик не может отличить одно от другого.
Немного не соглашусь, потому что
1) Реальный специалист (не факт что специалист, но хотя бы что то делал и строил) - видит ограничения, пытается понять бизнес и встроиться, по итогу может сказать что для бизнеса на текущем этапе n8n даже более чем достаточно.
2) Тот кто на хайпе, пообещает много, расскажет как все взлетит, расскажет как будет все круто, расскажет про красивые кейсы, скорее всего выдуманные или чужие из интернета. Возьмет овер дофига денег, покрутит все это пол годика в компании и пойдет в следующую, а после себя оставит в лучшем случае n8n с Ollama.
По сути то это не то что бы плохо или неправильно, рынок новый, стандартов как таковых нет, а хайп есть.
Как, на ваш взгляд, должна выглядеть нормальная структура собеседования на AI-интегратора?
На мой взгляд так:
1. Архитектурное мышление — дать реальную задачу и смотреть как человек её декомпозирует. Не "расскажи про LangGraph" а "вот задача — как будешь строить?"
2. Работа с неопределённостью — AI-интегратор всегда работает в условиях когда требования размыты. Важно как человек уточняет, какие вопросы задаёт.
3. Trade-off мышление — локальная модель или облако, LangGraph или простой вызов API, когда RAG а когда fine-tuning. Нет правильных ответов — есть умение взвешивать.
4. Опыт с реальными провалами — спросить не "что умеешь" а "что шло не так и как решал". Галлюцинации в продакшне, упавший inference, неожиданное поведение агента.
5. Observability — как дебажит, что мониторит, как понимает что система работает правильно.
Вопросы про Django и volume mount — в другой раз 😄
Недавно одна крупная компания сама вышла на меня с оффером
Я думал оффер это когда вопросы про джанго уже позади и тебе предлагают выходить со следующей секунды за 300 к/сек. Нет?
С одной стороны — железо есть, задачи есть, деньги есть
Чиво-чиво-чиво? Какое железо с деньгами есть, чтобы поднять чат-бота для 1 линии поддержки? Или чтобы котиков генерить для отдела маркетинга?
Ну смотря о каком масштабе говорим 😄 Котики и чат-бот для поддержки — это одна история. Но есть организации где в продакшне сотни гигабайт видеопамяти, реальные научные задачи и серьёзные бюджеты. Вот про таких и речь — там как раз острее всего ощущается дефицит людей которые понимают что делают.
есть организации где в продакшне сотни гигабайт видеопамяти, реальные научные задачи и серьёзные бюджеты. Вот про таких и речь — там как раз острее всего ощущается дефицит людей которые понимают что делают
Если мы про НИИ, занимающиеся машобучением и т.д., то им совет дали еще в 2015 году - начните уже платить не по педагогическим ставкам. Потому что там классический дефицит низкооплачиваемых высококвалифицированных из палаты мер и весов
ИИ уже по собесам ходит? Весь текст наполнен признаками нейронки по уши, комментировать факты из нейрослопа себя не уважать.
Да, ИИ написал. И он же прошёл собес лучше интервьюера. Парадокс.
Парадокс когда AI внедренец аж с личным телеграм кАналом не может через промпт и скиллы с гитхаба докрутить текст чтобы он из всех щелей не вонял нейрослопом. Какой тебе оффер? У тебя элементарных навыков нет по работе с моделями
Канал, Хабр, GitHub — всё открыто. Смотри сам и делай выводы, заклинатель Joomla)
Замечу что мелькает много всяких Lang*,
но также хотелось бы чтобы кандидат мог отправить http-запросик и без библиотек, понимал как это работает без обёрток
Разве это завышенные ожидания от “Опытный python разработчик с многолетним стажем.”? Если нужен senior-разработчик, то такого и ищут. ИИ - просто еще одна область знаний, с которой опытный разраб быстро разберется (если не касаться обучения моделей). Да, возможно, наделает ошибок по неопытности. Времени точно больше займет - как минимум на изучение темы. Но справится. А вот сумеет ли “AI-специалист” в разработку - вопрос гораздо интереснее.
На самом деле не понимаю, зачем вообще привлекать стороннего специалиста для работы с LLM, там нет никакого rocket science, дёргаешь себе api через sdk, используешь готовые фрэймворки, MCP сервера если надо дописываешь. Возможно люди просто ленивы или не знают английского чтобы почитать, все уже давно по полочкам разложено.
Они что этот сайт на джанго собрались прикручивать к ии или программировать?!
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Как в СНГ выбирают людей для AI-внедрения — и почему это страшно. Кейс из жизни