Привет! Меня зовут Александр Абрамов, я руковожу AI-командами в R&D для b2c в SberDevices, веду канал про AI и вхожу в программный комитет конференции AiConf Х. В этой статье хочу рассказать о своём пути в мир искусственного интеллекта: как одна лабораторная работа по анализу данных определила мою карьеру, зачем нужны соревнования и хакатоны, и почему участие в конференциях важнее, чем просто прокачка резюме. Делюсь опытом, ошибками, победами и тем, как реально устроен AI в продакшене.
Как всё началось: AI из лабораторной
Всё началось ещё в универе. Однажды мне попалась лабораторная работа по прогнозированию потребления газа — в привычном виде это задача прогнозирования временных рядов. Это было задолго до того, как такие задачи стали называть машинным обучением. Тогда всё относили к аналитике, статистическому обучению и подобным вещам. Я решил попробовать: погрузился, сделал работу, и мне неожиданно стало по-настоящему интересно. Причём заинтересовала не столько сама задача, сколько необходимость разобраться глубже, выйти за пределы практикума, залезть в учебники, пособия, дополнительные источники. Так всё и началось.
Эта лабораторная плавно переросла в научную работу, а затем — в выпускную работу бакалавра. Именно в этот момент я впервые оказался внутри того, что вскоре начали называть машинным обучением. На тот момент в моём окружении ещё никто не называл это ML — этот термин вошёл в обиход буквально пару лет спустя.
Параллельно я размышлял над тем, чем вообще хочу заниматься. Стать разработчиком-программистом в чистом виде мне не хотелось — несмотря на то, что я учился на айтишной специальности, в которой было много прикладного программирования. Моя программа была в том числе тесно связана с обработкой и анализом данных, и мне это откликалось гораздо больше. Я ощущал, что где-то на пересечении программирования и математики есть направление, связанное с аналитикой, способное дать понимание будущего через работу с данными.
И вот так совпало, что этим направлением оказался искусственный интеллект, тогда ещё под именем Data Science. Я начал заниматься им где-то на втором курсе. В этом направлении всё сложилось для меня естественно: мои сильные стороны в аналитическом мышлении, хорошее знание математики, навыки программирования — всё это оказалось именно тем набором, который нужен для старта в AI и ML.
К тому же, мне это просто нравилось. Я всегда придерживался принципа: старайся заниматься тем, что тебе действительно интересно, и зарабатывай на этом. Так я понял, что это и есть та самая профессия, в которой я хочу развиваться и углубляться дальше. Всё совпало — мои представления о будущем, навыки, требования рынка и личный интерес.
Соревнования: путь к мастерству
Когда я решил всерьёз заниматься искусственным интеллектом и машинным обучением, первым делом нужно было разобраться в устройстве этой сферы: какие есть направления, какие технические навыки требуются, какое железо, какие инструменты. Я понял, что нужно сосредоточиться и «бить в одну точку» — последовательно прокачивать нужные скиллы.
Я начал с Python. При любой возможности учил язык, писал код, оттачивал навыки. Параллельно с этим проходил специализированные курсы, например, на Coursera — в тот момент была популярная специализация по машинному обучению и анализу данных. Эти знания я сразу же закреплял на практике — писал код, решал задачи, пробовал новые библиотеки.
Кроме этого, я старался брать как можно больше прикладных кейсов. Но поскольку на тот момент я ещё не работал, а просто учился, нужно было искать реальные задачи где-то за пределами университета. Лабораторные работы — это хорошо, но их недостаточно. Альтернатива — соревнования.
Я начал участвовать в международных и российских состязаниях по анализу данных и ML, которые организовывали крупные компании. Часто они используют такие форматы, чтобы обкатать свои реальные бизнес-кейсы: либо потому, что задача «болит», либо потому, что её удобно выдать в публичный доступ. Для меня это была отличная возможность попробовать силы, потренироваться, получить опыт.
Сначала, конечно, я не выигрывал. Это нормально: были типичные ошибки новичка. Но именно на соревнованиях я научился анализировать решения победителей, сравнивать их со своими, понимать, где допустил ошибки, чего не учёл, как можно было подумать по-другому. Это сильно повлияло на меня. Я начал перенимать паттерны мышления у сильных игроков, и постепенно сам стал мыслить как ML-специалист.
С течением времени начал выигрывать. Сначала — в хакатонах, затем — в онлайн-соревнованиях. Всё это шло параллельно: систематизация знаний, практика, закрепление теории, чтение, сравнение решений, изучение чужого подхода. Всё это в совокупности дало мне уверенность и готовность к первой работе — у меня уже был пул кейсов, конкретных решений. Я знал, как применять эти знания в проде и приносить пользу бизнесу.
За всё время я поучаствовал как минимум в 30–40 соревнованиях. Только на одном Kaggle — около двух десятков, плюс российские платформы. Это был долгий процесс, не всё сразу. Между соревнованиями всегда делал паузы: сначала участвовал, потом анализировал, делал работу над ошибками, отдыхал — и переходил к следующему. Так продолжалось примерно с 2016 по 2022 год. В первые два года я только учился, набивал шишки, искал подход. Где-то с конца 2018 года начал занимать призовые места: сначала в хакатонах, потом — на онлайн-платформах.
Соревнования важны для начинающих. Особенно если ещё учишься и не можешь работать — это отличный способ прокачаться. Во-первых, закрепляешь знания на реальных кейсах. Во-вторых, это постоянная тренировка. В-третьих, это вход в комьюнити: ты знакомишься с людьми, обмениваешься опытом, учишься у других. Это нетворкинг и возможность себя показать.
Если повезёт победить — можно не только заработать, но и получить предложение о работе. А уж строчка в резюме — серьёзный плюс. Так что я считаю, что соревнования дают начинающим всё: опыт, знания, причастность к комьюнити, карьерные возможности. И это, безусловно, стоит усилий.
В 2020 году я наконец стал Kaggle Master — не Grandmaster, но всё же достиг того, что хотел. Гештальт был закрыт. Я получил от соревнований всё, что планировал: опыт, навыки, знания, уверенность. После этого фокус сместился на работу — она стала основной площадкой для роста. А вместо соревнований я перешёл к участию в конференциях.
Конференции: от слушателя до организатора
Для меня участие в профильных конференциях всегда было способом не просто слушать доклады, но и учиться, развиваться, находить интересные знакомства. Даже если ты сам работаешь с кейсами, внедряешь решения, всегда есть шанс услышать что-то новое от коллег по цеху, которые работают в других компаниях или проектах. Иногда ты узнаешь об альтернативном подходе, иногда — просто о более эффективной реализации знакомой задачи. Это обогащает кругозор.
Конечно, сначала конференции для меня были именно про новые знания. Но со временем добавился и второй уровень — нетворкинг. Общение с людьми, работающими над похожими задачами, обмен опытом, совместные идеи — это действительно мощный ресурс.
А когда переходишь в роль спикера, появляется ещё одна важная грань: возможность делиться своими знаниями. Выступление — это уже не про «взять», а про «отдать». Делишься своим опытом, проектами, подходами. Это и личный бренд, и способ структурировать собственные знания, и, конечно, вклад в сообщество. Плюс учишься выступать, рассказывать понятно и полезно — а это отдельный навык, необходимый каждому специалисту.
К членству в ПК я пришёл естественным путём. Я был уже на всех ролях: участник соревнований, организатор соревнований, зритель, спикер, мастер-классник. И когда почувствовал, что накопил достаточно опыта и готов делиться не только через выступления, но и помогать формировать саму программу, то принял приглашение в программный комитет.
Меня пригласили коллеги, знающие меня как специалиста и Kaggle Master, призёра хакатонов, участника множества конференций, в том числе от «Онтико». Меня знали как человека с опытом и пониманием индустрии. Рекомендации сделали своё дело — я не писал резюме, не подавал заявки, просто получил приглашение и согласился.
В этом году на AiConf Х мы продолжаем классические темы, но постараемся взглянуть на них под новым углом. Даже если темы — знакомые, подходы будут свежими. Прикладных кейсов в индустрии — море, и каждый год появляется что-то достойное обсуждения.
Разумеется, мы не обойдём вниманием и направления — генеративный AI, агенты, большие языковые модели, робототехника, вычислительные мощности. Всё это будет. Но также будет и «классика», не теряющая актуальности, — те вещи, на которых всё держится и которые важно не забывать на фоне шума вокруг трендов.
Мы стараемся привлекать не только интересными темами, но и самими докладчиками. В этом году будут действительно сильные спикеры, эксклюзивные выступления. Часть имён и тем уже есть на главной странице, часть появится ближе к дате — следите за анонсами на сайте конференции.
Меня всегда интересовали рекомендательные системы и задачи, связанные с поиском. У меня был опыт работы с поисковыми системами, и эта тема близка мне как по духу, так и по сложности. В ней много интересных инженерных решений, архитектурных подходов, ML System Design.
Из свежих направлений меня особенно волнуют вопросы безопасности и этики в LLM. Например, атаки на языковые модели. Как только ты внедряешь что-то на прод, особенно LLM, будь уверен — это будут атаковать. Это уже не теория, а повседневная реальность. Поэтому важно знать, какие типы атак бывают, как их отслеживать, как от них защищаться и как повышать устойчивость систем.
Ну и, конечно, тема этичного поведения моделей. Как обучить модель, чтобы она вела себя корректно, не нарушала законы и при этом оставалась интересной, полезной и безопасной — это сложный, но очень важный вопрос. Я уверен, что такие доклады будут на конференции, и сам с удовольствием их послушаю.
Конференции дают нечто, что невозможно получить в онлайне — живое общение. Сейчас, когда многие работают удалённо или гибридно, возможность собраться в одном месте, поговорить, обсудить тренды и кейсы — очень ценна. Для меня это в первую очередь про обмен знаниями, ощущение комьюнити, вектор развития индустрии.
Можно не только узнать что-то новое, но и дать что-то другим, вдохновиться, найти идеи, новых коллег, партнёров, даже работу. Да, участие требует времени и ресурсов, но, на мой взгляд, это полностью окупается. Живое общение и передача знаний — это и есть то, что делает такие конференции по-настоящему ценными.
Самые интересные кейсы: ассистенты, GigaChat и переход на нейросети
За свою карьеру мне удалось поучаствовать в действительно интересных и значимых проектах. Некоторые из них стали для меня настоящими вехами, могу даже выделить свои личные топ-3.
Один из таких кейсов — это работа над службой поддержки пользователей. Тогда стояла задача перевести её на новые рельсы: отказаться от старых, шаблонных решений и внедрить нейросетевые алгоритмы. Я был одним из первых, кто начал применять нейросетевые подходы в автоматизированной поддержке клиентов. Это был важный шаг, когда технологии позволили сделать сервис умнее, быстрее и адаптивнее.
Второй важный кейс — это виртуальный ассистент Салют. Я отвечал за персонажей Сбер и Афина, и в частности — за те сценарии, где она могла поддерживать свободный диалог и отвечать на фактологические вопросы. Это была интереснейшая задача, потому что требовала сочетания разных направлений: от понимания естественного языка до построения логики диалога. Мы старались находиться на переднем крае — использовали как проверенные архитектуры, так и только зарождающиеся решения. В те годы как раз начинали появляться трансформеры, которые потом стали основой для GPT-моделей. И мы старались сразу их изучать, адаптировать и внедрять в продуктах.
Третий важный этап — участие в проекте GigaChat. Это была одна из сильнейших больших языковых моделей, которую мы создавали. Здесь мы оказались в самой гуще развития технологий: на пике хайпа, в центре исследований, когда каждый день появлялось что-то новое. Мы старались сделать модель не просто большой, но и реально полезной: быстрой, устойчивой, применимой в сервисах, способной приносить пользу как клиенту, так и бизнесу.
Во всех этих проектах чувствовалось, что находишься на переднем крае. Постоянно нужно было быть в тонусе, следить за новостным потоком в индустрии, уметь быстро адаптироваться и принимать технологические решения. Причем не только ради экспериментов — эти решения должны были работать в продакшене.
Сложностей, конечно, хватало. Первая — это вычислительные ресурсы. Когда работаешь с трансформерами и языковыми моделями, особенно на этапе экспериментов и обучения, всегда нужно много железа. Это и дорого, и непросто с точки зрения масштабирования.
Вторая — это работа в условиях «чистого поля». Я часто оказывался в ситуации, когда решение приходилось искать с нуля. Когда только начинался хайп вокруг LLM, и decoder-only архитектур, все — и новички, и опытные специалисты — были примерно в одинаковом положении. Мы все искали одни и те же статьи, разбирались в одних и тех же багрепортах, читали одни и те же посты на форумах. Опора на готовые best practices тогда ещё отсутствовала, и каждый набивал свои собственные шишки.
Третья — это этические и юридические вызовы. Особенно в проектах, которые связаны с клиентским взаимодействием, важно понимать, как обучать модели так, чтобы они не нарушали законы, не были токсичными, не вводили в заблуждение. Это уже не только про качество ответа, но и про ответственность. Приходилось искать баланс между качеством, скоростью и этическими ограничениями.
И, конечно, одна из самых сложных задач — это довести технологию до продакшена. Потому что одно дело — получить интересные результаты в лабораторных условиях, и совсем другое — обеспечить стабильную работу в реальных продуктах, где важно всё: latency, отклик, предсказуемость, повторяемость. И тут снова всплывают вопросы инфраструктуры, оптимизации, грамотного «встраивания» AI в существующие системы.
Но именно эти сложности и делают такие кейсы самыми запоминающимися. Позволяют расти как специалисту, дают буст команде. В результате видишь реальную ценность того, что делаешь. Это дорогого стоит.
Ещё одна сложность в том, как воспринимают генеративные модели и агенты на уровне стратегии, и как они реально работают в проде. Это, как говорится, две большие разницы. Я сам не раз видел, как возникает идея: «А давайте теперь всё на LLM!». Это результат и маркетинга, и хайпа, и желания ускорить процессы. Но те, кто работают руками, прекрасно понимают, какие ограничения накладывают инфраструктура, сбор и обработка данных, Time-To-Market, latency, стоимость.
Когда технология доходит до продакшена, обязательно наступает этап компромиссов. Требования бизнеса к отклику, стабильности, затратам — всё это нужно учитывать. Нельзя просто взять LLM, поставить в прод, и считать, что она решит всё. Так не работает.
Вот почему хорошие инженерные решения строятся как гибрид: LLM используется там, где она сильна, а где она менее эффективна — применяются проверенные алгоритмы, или логика, которую мы точно контролируем. Это нормально. Мы не сносим замок, чтобы построить новый из одного большого кубика. Мы просто вставляем этот кубик туда, где он нужен — и где он действительно принесет максимум пользы.
Когда бизнес хочет внедрить новую технологию везде, а ты понимаешь, что это не сработает — важно не просто сказать «нет». Вы должны честно объяснить, почему это не сработает, и предложить альтернативу: где именно эта технология даст результат, где реально принесёт деньги или сэкономит ресурсы. То есть важно не просто отговаривать, а направлять — как навигатор, как специалист, который понимает, что делает.
Иногда бывает, что люди просто берут под козырёк — «надо, значит делаем». Но это путь в никуда. Такой подход приводит к потере времени, ресурсов, репутации. Поэтому моя позиция — думать, проверять, пробовать, делать выводы заранее. Тогда ты сможешь сказать: «Здесь — не вставляется. А вот здесь — встанет идеально». Это и есть профессионализм.
Какие вызовы стоят перед индустрией и как конференции помогают с ними справляться
Таких вызовов сразу несколько, и каждый из них — весомый.
1. Баланс между спросом и предложением на рынке труда. Первый важный вызов — это дисбаланс между спросом и предложением на рынке вакансий в сфере AI и Data Science. С одной стороны, много открытых позиций, с другой — не всегда просто найти замотивированных и квалифицированных специалистов. Конференции в этом смысле — отличная площадка для хантинга. Когда человек приходит на конференцию, интересуется темой, подходит к стенду, задаёт вопросы — это уже говорит о высокой мотивации. А мотивация, как по мне — это вообще отдельная валюта, особенно в нашей отрасли. Поэтому такие площадки действительно помогают работодателям и потенциальным кандидатам находить друг друга.
2. Обратная связь, рост и развитие технологий. Второй вызов связан с тем, как компании развиваются и куда двигается рынок. На конференциях мы делимся опытом, обсуждаем подходы, решения, делаем доклады. Это создаёт эффект положительной обратной связи. Кто-то делится решением, кто-то — идеей, кто-то даёт фидбэк. Это запускает цепочку развития. Компании получают не только вдохновение, но и конкретные инструменты, которые могут использовать у себя. И часто речь идёт не просто о доработке старого, а о рождении принципиально новых направлений, новых идей, которые потом перерастают в продукты и сервисы.
3. Обсуждение острых тем и формирование позиций. Третий важный аспект — это обсуждение сложных, острых, порой неоднозначных тем, которые часто не поднимаются в одиночку. На конференциях есть формат панельных дискуссий, и он как раз для этого. Это безопасное пространство, где можно столкнуть мнения, поспорить, задать вопрос, сформировать позицию. В прошлом году, например, мы обсуждали, как большие языковые модели и генеративный AI в целом влияют на рынок труда, на требования к специалистам, поднимали вопросы этики и регулирования. Такие дискуссии — важная часть развития комьюнити и всей отрасли. Мы не просто осваиваем технологии, мы определяем, как их применять, как ими не навредить, и как построить этичные, полезные решения.
Если подытожить, можно выделить три основных вектора, по которым конференции помогают отрасли:
Подбор и мотивация специалистов. Нетворкинг, обмен контактами, поиск людей с горящими глазами — всё это происходит здесь.
Рост и развитие технологий через знания. Специалисты получают новые идеи, компании находят решения, рынок двигается вперёд.
Обсуждение острых тем. Вместе можно обсудить то, о чём сложно говорить поодиночке. Это важно для этики, регуляторики, оценки рисков и общего вектора развития.
Конференции — это не только технологические события. Это точки роста, площадки для обмена опытом, идейные и профессиональные маяки для всей индустрии.
Как развиваться в AI сегодня и что нас ждет завтра
Если говорить про развитие в сфере искусственного интеллекта — особенно сейчас, когда доступ к обучающим материалам огромен — важно не зацикливаться только на соревнованиях или курсах. Источников информации полно: блоги, статьи, документация, кейсы в открытом доступе. Всё, что вы читаете, стоит пробовать повторять — пусть даже на уровне небольших pet-проектов. Увидели в блоге пример — попробуйте реализовать хотя бы как лабораторную работу.
Например, на HuggingFace часто публикуются статьи, в которых код и объяснения идут вперемешку. Их можно буквально взять и повторить, по шагам. Именно в таких историях важно соблюдать баланс между теорией и практикой: просто прочитать статью — мало, нужно «прожить» её, попробовать руками, сделать выводы, понять, как это работает внутри.
Если смотреть в будущее, то я бы начал с того, чтобы реалистично оценивать, что генеративный искусственный интеллект может, а что не может. Сейчас под AI часто подразумевают исключительно LLM и подобные технологии, но важно понимать — это не «серебряная пуля». Есть конкретный набор кейсов, где такие модели эффективны, и есть те, где они либо не работают, либо работают с ограничениями.
Основной тренд, который я вижу: вокруг уже существующих моделей, API и больших сервисов начинают строиться вторичные, прикладные решения. И это нормально. Не обязательно разрабатывать свою core-модель, свою LLM, свою мультимодальную архитектуру. Часто достаточно воспользоваться API существующих моделей, наложить на них свою логику, сделать сервис, решить задачу и принести пользу.
Пример? Один из лучших — Perplexity. У них не было своей языковой модели в начале. Они взяли API, наложили свой поиск, обернули это в удобный UX, и получилось что-то новое, полезное и востребованное. Сейчас у них уже, вероятно, свои модели, но стартовали они именно так — и это типичный путь роста современных AI-продуктов.
То же самое и с агентами. По сути, это интеллектуальные акторы, собранные из кирпичиков — API, инструменты, компоненты, логика. Их задача — решать конкретные задачи: экономить человеку время, помогать принимать решения, обслуживать пользователей. Это не магия, это инженерия вокруг core-технологий. Агент может быть частью сервиса, ассистента, аналитического решения — не важно. Главное — что он собран на уже готовой базе и добавляет ценность.
Это закономерная эволюция. Новые технологии всегда проходят через волну хайпа, затем через адаптацию в прикладные сервисы. Так было с поиском, так было с голосовыми ассистентами, так сейчас происходит с LLM и агентами. Всё развивается по спирали: появляются новые технологии, они сначала вызывают ажиотаж, а потом становятся инструментами в составе более сложных решений.
Приходите на AiConf Х — обсудим, что нас ждёт в будущем и как эффективно работать с LLM и агентами в эпоху хайпа нейросетей.
