Кто разрабатывает искусственный интеллект профессия

Опубликовано: 02.10.2024

Сегодня МL помогает людям практически в любой области — от выбора сериалов на Netflix до заботы о здоровье. Востребованность специалистов по ML с каждым годом растёт. Например, hh.ru отмечает, что с 2015 по 2019 год количество вакансий в сфере машинного обучения выросло в семь раз.

Больше всего таких специалистов требуется в сфере информационных технологий, разработке программного обеспечения, финансовом секторе, бизнес-среде, маркетинге и розничной торговле.

На какую зарплату могут рассчитывать Junior, Middle и Senior

Яндекс, «Тинькофф» и другие компании нуждаются в крутых профессионалах в области ML. По наличию опыта такие специалисты делятся на три группы: Junior, Middle и Senior.

Junior (младший)

Программист с опытом в ML около 1 года. Собирает и подготавливает данные, формулирует требования к сбору обучающей выборки , строит несложные модели машинного обучения — обычно под контролем более опытного специалиста.

Нужно уметь работать с библиотеками для обработки данных — Pandas, NumPy, Matplotlib, и понимать системы управления базами данных — MySQL/PostgreSQL.

В регионах такой специалист может рассчитывать на зарплату от 40 тысяч рублей. В Москве джуны получают значительно больше — от 80 тысяч.

Middle (средний)

Уверенный специалист с опытом от 2 до 5 лет. Он способен перевести задачи бизнеса на язык математики, реализовать с нуля и оценить производительность модели машинного обучения, проанализировать и проверить данные — соответствуют ли они заданным критериям.

Среди требований к мидлу — навыки работы с современными аналитическими пакетами на R/Python и промышленными хранилищами данных (Teradata, DB2), а также понимание BigData. Приветствуется владение статистическими инструментами — SPSS, MATLAB, SAS Data Miner.

В регионах средняя зарплата — 60–80 тысяч, в Москве — не меньше 100 тысяч рублей.

Senior (старший)

Опытный специалист. Работодатели ожидают, что у сеньора за плечами 5–7 лет работы над проектами в сфере data mining, data analysis, машинного обучения или математического моделирования. В списке компетенций: уверенный Python, SQL/CQL, глубокое понимание архитектуры нейросетей, знание Spark Streaming (используется с Apache Spark), Cassandra (система управления базами данных), фреймворков TensorFlow, CV, PyTorch или других — в зависимости от стека компании.

Иногда выделяют ML Team Lead (тимлид, лидер команды). Тимлидами становятся сеньоры, возглавляющие подразделения Machine Learning. Здесь важны лидерские качества, тайм-менеджмент и умение работать в команде.

Сеньоры и тимлиды в регионах зарабатывают 100–120 тысяч, в Москве — от 200 и до 400–500 тысяч. Это хороший стимул освоить профессию. А учитывая, что потребность в машинном обучении с годами будет только расти, зарплаты опытных специалистов по ML точно не станут ниже.

Где учиться

Изучать машинное обучение можно в университете, на курсах или самостоятельно.

Университет даёт студентам хорошую базу, особенно в математике и статистике. Вы получите диплом государственного образца — это может быть плюсом при трудоустройстве. Но поступить на специальность Data Science обычно непросто и дорого. Например, двухлетняя магистратура по наукам о данных в «Высшей школе экономики» обойдётся в 1 155 000 рублей.

Курсы позволяют получить структурированную информацию в сжатые сроки. Такой вариант образования гораздо дешевле университетской программы. Кроме того, на курсах готовят выпускников к практической деятельности, дают поработать над реальными проектами. Стоимость стартует от 50 тысяч рублей и доходит до 150 тысяч.

Самостоятельное обучение подходит тем, у кого уже есть технический бэкграунд. В интернете много бесплатных книг и курсов, и некоторые из них весьма хороши. Но есть сложность: придётся самостоятельно планировать обучение и развитие, получать знания и навыки, которые понадобятся на работе. Без старшего товарища ориентироваться в океане информации и проверять рецепты из интернета непросто.

Вывод

Специалисты по машинному обучению работают над сложными, увлекательными проектами, которые хорошо оплачиваются. Созданные ими решения делают нашу жизнь проще, интереснее и безопаснее. Так что если вам хочется быть на переднем крае технологий и заниматься самыми современными проектами, без которых немыслимо не только будущее, а уже и настоящее, — возможно, это идеальная карьера для вас.

Самому освоить профессию специалиста по машинному обучению трудно. Но можно записаться на курс «Профессия Data Scientist: машинное обучение», где опытные специалисты по ML собрали сбалансированную программу, учли типичные ошибки новичков и делятся лучшими практиками. За год с небольшим вы научитесь разбираться в программировании и моделях МL и поработаете с реальными проектами в машинном обучении.

Четыре опытных специалиста о том, как занялись искусственным интеллектом, с какими сложностями столкнулись и какие задачи решают.

«Поначалу всегда было страшно, но я ни разу не пожалел»

Григорий Сапунов, CTO, Intento

Сооснователь и технический директор в стартапе, отвечает за технологическое развитие, архитектуру решений и оценку их качества, применение AI и другие технические вопросы, занимается управлением, разработкой и наймом сотрудников.

Начало пути. Сложно сказать, что именно привело меня в профессию: ещё с детства мне было интересно программирование. Параллельно я интересовался психологией, биологией, математикой, радиоэлектроникой, читал журналы «Юный техник» и «Юный натуралист».

Долгое время всё, что связано с искусственным интеллектом, было для меня скорее хобби, чем профессией. В какой-то момент я понял, что эти темы составляют и заметную часть моих рабочих задач. Можно сопоставить это с моим приходом в Яндекс в 2007 году.

Первые трудности. В моём случае переход был постепенным: моя профессиональная деятельность началась с разного рода ИТ-проектов, а первым «коммерческим» проектом стала поисковая система для «Московской коллекции рефератов», написанная на Perl. Не всегда удавалось разобраться в новых темах с первого раза, приходилось перечитывать по несколько разных книг, чтобы что-то понять, а также много экспериментировать.

Я неоднократно ввязывался в совершенно новые проекты, где на старте у меня полностью отсутствовали нужные знания — приходилось осваивать по ходу дела. Поначалу всегда было страшно, но я ни разу не пожалел.

Чтобы разобраться, как всё работает, практически всегда я начинал программировать с самого низкого уровня. Так было и с алгоритмом рисования линии Брезенхема, затенением по Фонгу или Гуро — когда изучал компьютерную графику, и с созданием простой нейросети, реализацией метода опорных векторов или генетического алгоритма— когда глубже погружался в ИИ. Потом я долго перебарывал себя: не хотел пользоваться готовыми библиотеками и старался написать всё своё с нуля.

Профессиональные задачи. Искусственный интеллект стал довольно универсальной технологией. За последние несколько лет с помощью ML или Software Engineering я вместе с коллегами делал очень разные задачи:

распознавание изображений: дорожных знаков с видеокамеры смартфона или товаров на полке магазина;

структуризацию новостного потока: кластеризацию новостей по общим темам, аннотирование получившихся кластеров и выделение важных фактов, ранжирование потока по важности и тому подобное;
прогнозирование в образовании: кто из студентов бросит онлайн-курс в ближайшее время;
realt="Эти люди создают искусственный интеллект — 4 истории специалистов по ИИ и ML"ime-аналитику по колл-центру: определение темы телефонного разговора и эмоций людей;
анализ геномных данных: для определения структуры хроматина;
работу с текстами: нахождение соответствующих друг другу предложений между параллельными текстами на двух разных языках;
и многое другое 🙂

Сейчас я определяю слабые и сильные стороны моделей и сервисов на базе искусственного интеллекта. Это помогает выбрать, какие из них подходят под конкретную бизнес-задачу.

Планы на будущее. Что планирую делать дальше? Буду применять свои наработанные навыки в сферах медицины и биологии, изучать «психологию» естественных и искусственных сложных систем, пытаться создать ИИ-ученого или, как минимум, ассистента, чтобы повысить свою эффективность. Планирую также освоить несколько новых для себя языков программирования: Rust, Swift, Kotlin, Julia или Elixir. А также попробую сделать больше «железных» проектов с искусственным интеллектом на базе Jetson Nano, Google Edge TPU или с FPGA.

редакция нетологии

Дмитрий Коробченко, Deep Learning R&D Engineer and Manager, NVIDIA

Руководитель R&D группы, занимается обработкой изображений: применением нейросетей для обработки изображений, компьютерной графики, анимации и физической симуляции.

Начало пути. Во время учёбы в университете я увлекался компьютерным зрением и поэтому решил вступить в Лабораторию компьютерной графики и мультимедиа на факультете вычислительной математики и кибернетики МГУ.

Работая в Samsung после университета, я вернулся к компьютерному зрению: одним из первых моих проектов стал анализ медицинских изображений с применением свёрточных нейронных сетей. А когда в 2012 году нейронные сети активно распространились и на другие области, спектр моих проектов значительно расширился.

Профессиональные задачи. Будучи Deep Learning R&D Engineer, я занимаюсь как исследованиями, так и разработкой: от создания новых алгоритмов и проведения различных экспериментов до реализации конечных продуктов с последующей оптимизацией. Кроме того, последние несколько лет я выступаю с мастер-классами и являюсь преподавателем на курсах по машинному обучению и нейронным сетям в различных школах дополнительного образования.

Сейчас большинство моих задач связаны со сложными типами данных — изображениями, звуками, полигональными моделями, тензорные данными и так далее. В том числе я продолжаю заниматься компьютерным зрением: классификацией изображений, детектированием объектов, семантической сегментацией; создаю нейросетевые фреймворки.

Читать также

курс

Машинное обучение

Узнать больше

Научитесь выдвигать идеи и гипотезы и составлять план решения задачи
Узнаете, как подбирать алгоритмы и метрики под задачу для разных моделей
Получите прикладной опыт создания работающих нейронных сетей вместо «обзора по верхам»

«На заре 2000-х термина Data Scientist не существовало, но по сути я занималась именно этим»

Анна Костикова, Director Data Science and Bioinformatics в Novartis

Руководит командой, в задачи которой входит создание персонализированной медицины при разработке новых лекарств. Суть работы группы заключается в том, что лекарства разрабатываются и подбираются на основе анализа цифровой информации о ДНК, белках и клинических данных пациентов. Для этого Анна и её команда используют машинное обучение, биоинформатику и статистику.

Начало пути. На заре 2000-х термина Data Scientist не существовало, но по сути я занималась именно этим. Например, в университете я нашла подработку, где должна была собрать данные для базы данных, придумать структуру и сделать так, чтобы с базой можно было работать. Всё это я делала в MS Access на компьютере с 512 Мб оперативный памяти и 1 Гб места на жестком диске 🙂

На третьем курсе я устроилась на стажировку в некоммерческую компанию, где занимались анализом космических снимков. Именно тогда я впервые попробовала применить нейронные сети, классификацию без обучения и с ним, fuzzy logic и так далее. Тогда компьютеры с 4 гигабайтами оперативной памяти были сравнимы чуду, и мы не выключали их на выходные — чтобы они «досчитывали», пока мы отдыхали.

Первые трудности. Впервые работа с официальным «титулом» Data Scientist появилась у меня в 2014 году. Тогда я устроилась в Booking.com и узнала, каково работать в этой сфере в промышленных масштабах: с выборками данных в миллиарды строк.

В любой области первые два года самые сложные: вся терминология для тебя новая, непонятно, что важно, а что нет.

Обучение новому — это всегда сигмоидная функция: надо преодолеть первое плато, когда кажется, что ты никогда не разберешься. Например, в аспирантуре в Швейцарии мне нужно было научиться анализировать геномные данные и написать скрипт на Perl для масштабного анализа. На тот момент я ничего из этого не знала, но как-то выкрутилась. Главное — не бояться и пробовать.

Профессиональные задачи. В моей практике было очень много разных задач: от анализа космических снимков для WWF до оптимизации процесса пивоварения в Heineken, от предсказания поведения пользователей в интернете для Booking.com до предсказания работы лекарств в Novartis.

Сейчас я работаю директором по анализу данных и биоинформатики в Novartis. Еще у меня своя компания в области диагностики рака. Я бы очень хотела максимально использовать Data Science и машинное обучение для здравоохранения и медицины — от разработки лекарств до диагностики. Я верю, что следующие 20 – 50 лет львиная доля усилий аналитиков во всем мире будет направлена на решение именно биомедицинских задач, изменение качества жизни человечества, а не только на оптимизацию в интернете и на производстве.

Читать также

«Тогда я был уверен, что уже знаю всё, хотя ещё вообще ничего не знал»

Никита Семенов, NLP team lead, центр искусственного интеллекта МТС

Руководит командами NLP и занимается всем, что связано с обработкой и пониманием естественного языка.

Начало пути. Ещё на первых курсах института я начал факультативно изучать машинное обучение: учился по специальности «Компьютерная безопасность», но постепенно понял, что не хотел бы связать с ней свою жизнь. Мой научный руководитель закончил Миланский политех по программе Computer Science, и с ним мы начали развивать факультативный курс по машинному обучению. Подобного термина тогда не существовало, и во всём мире говорили только об элементах статического обучения, которые мы и изучали. К сожалению, в России до сих пор нет подобных программ по Computer Science.

Найти работу после вуза именно по профилю машинного обучения было крайне сложно — сфера только зарождалась. Поэтому я вышел в небольшой стартап, который занимался автоматизацией ставок на сайтах контекстной рекламы по типу Google AdWords. Моей первой задачей было разработать механизм исходя из статистики и предиктивной способности цели таким образом, чтобы мы всегда занимали не первую ставку, а вторую или третью — эти строки тоже показывают в топе выдачи, но они значительно дешевле. Тогда я был уверен, что уже знаю всё, хотя ещё вообще ничего не знал.

Первые трудности. Для меня большую трудность составляли софт-скиллы: нужно было объяснить, чем я занимаюсь, что это всё значит, как и что интерпретировать, и какой будет эффект, людям, которые вообще ничего не понимали в моей сфере. Тогда процессы взаимного обучения ещё не были мейнстримом, поэтому взаимодействовать с командой было очень сложно. Я постоянно практиковался: пробовал доносить свои мысли и объяснять команде даже самые простые метрики. Думаю, если бы сейчас я только начинал свою карьеру, то не смог бы так сильно прокачаться в общении — подобные вопросы уже практически никто не задает.

С хард-скиллами проблем не было: тогда мои задачи опирались на статистическое обучение и математику, в которых я хорошо разбирался. Несмотря на это, я всё равно читал книги: в Data Sience нужно постоянно развиваться, чтобы разбираться в инструментах и трендах. Вообще, весь мой опыт работы — это один большой челлендж. Каждое место требовало новых инструментов и знаний, поэтому развиваться самостоятельно приходилось всегда.

После работы в стартапе была компания, где я стал первым Data Scientist и R&D: помогал настраивать первые инструменты аналитики, занимался компьютерным зрением и построением предиктивных моделей на основе данных с космических спутников.

Профессиональные задачи. В МТС я пришел на позицию Senior computer vision engineer, а потом дорос до тимлида двух команд. Мне особенно важно прокачивать soft-скиллы, ведь тимлид — это играющий тренер. Если говорить о задачах, то здесь я занимаюсь всем, что связано с обработкой и пониманием естественного языка. Сейчас это уже своеобразный тренд, который задаёт новые тренды, направленные на упрощение жизни человека в будущем.

Со временем я понял, что предметная область не так сильно влияет на область твоих знаний. В моем случае предметная область всегда затрагивает то, как обработать и применить данные к какому-либо решению. А подходы всегда остаются одинаковыми. И когда в предметной области специалисты придумывают инновационное решение, например, в компьютерном знании, со временем оно перетекает в другие области. В связи с этим грань между областями постепенно стирается, а подходы и базы становятся похожи.

Главная проблема нашей сферы заключается в том, что она развивается очень неравномерно. Приведу пример: в Data Science долгое время всё может быть спокойно, а потом кто-то резко придумывает решение, и через короткое время эти прорывные вещи становятся стандартом для всех. В плане работы это и хорошо, и плохо одновременно: с одной стороны, ты постоянно прокачиваешь скиллы и «бежишь» в 10 раз быстрее, чем остальные, с другой стороны, твой профиль работы постоянно меняется.

Планы на будущее. Пока у меня нет понимания, в каких сферах я хочу развиваться дальше. Мне хочется ещё больше погрузиться в то, чем я занимаюсь сейчас.

На YouTube-канале Нетологии рассказали об ошибках искусственного интеллекта и главных проблемах, связанных с его применением.

Какие профессии будут востребованы в эпоху информационно-технологических инноваций? Какие новые рабочие функции потребуются от человека?

Если вы интересуетесь влиянием искусственного интеллекта на организацию IT сферы, то, возможно, вы прежде всего задумываетесь о своей собственной работе. Смогут ли роботы делать то, что делаете вы? Что еще более важно, выражаясь хоккейным языком, вы хотите быть там, куда направляется шайба. Так какие же новые роли возникнут и будут цениться с дальнейшим развитием ИИ? Кевин Кейси в своей статье на приводит мнения профессиональных IT экспертов.

Потребность в «практиках» станет одним из главных факторов при создании новых профессий, при том что многие старые просто исчезнут.

«Хотя ИИ ведет к автоматизации многих видов работ, он также создаст много новых возможностей трудоустройства, особенно в IT сфере»,- говорит Акаш Ганапати, один из основателей и руководителей компании Thrill A.I. Ганапати ожидает, что в крупных информационно-технологических компаниях растущий акцент на ИИ и машинном обучении приведет к появлению новых ролей по ряду направлений, включая:

Контроль работы и совместимости ИИ: обеспечение надлежащей работы ИИ программ, защита от сбоев, ошибок данных или неподходящих источников информации.
ИИ менеджмент: работа над технической реализацией и контролем операций ИИ.
Агрегирование и обработка данных: сбор (особенно из неясных источников) и очистка наборов данных для использования в ИИ.

И это только отправная точка. Вот некоторые другие названия профессий и рабочих функций, которые, по мнению экспертов, должны появиться в будущем.

1. Конструктор систем искусственного интеллекта

Он видит данную служебную позицию как продолжение сегодняшней роли специалистов по искусственному интеллекту, но с одним ключевым отличием.

«В моем понимании сегодняшние специалисты по ИИ больше специализированы на том, чтобы превращать нормальные приложения в смарт-приложения. И в ряде случаев это все, что бывает нужно компании. Но постепенно, по мере того как ИИ станет все более проникать в ассортимент компьютерных приложений и можно будет значимо коррелировать все большее количество элементов интеллектуальной среды, появится потребность в специалистах, владеющих общей картиной и умеющих объединять локальные интеллектуальные приложения в единый корпоративный мозг».

«Мне видится здесь аналогия с эволюцией человеческого мозга. Это очень увлекательно. Мы находимся на ранних стадиях развития искусственного интеллекта, и мы все еще думаем об изолированных смарт-приложениях как о нейронах, отвечающих за тот или иной аспект работы мозга. Но эти нейроны имеют огромный потенциал объединения, как это произошло в нашей коре головного мозга. И для этого понадобится конструктор систем ИИ».

2. Специалист по работе с данными

3. Специалист по информационному пропагандированию

«Вот почему внутренняя информационная пропаганда станет критическим моментом для внедрения и роста решений на базе ИИ. Компании будут инвестировать в таких специалистов, основной задачей которых внутри организации будет обучать пользователей тому, как можно принимать решения, управляемые данными, и как изменить традиционные потоки заданий и делопроизводства, чтобы получить преимущество от новых возможностей».

4. Специалист по использованию данных в машинном обучении

«Эта функция, не новая сама по себе, будет востребована в крупных информационно-технологических компаниях как средство более полной реализации потенциала машинного обучения. Компании должны будут нанимать соответствующих специалистов, которые будут реализовывать работу системы, обучать ее и предоставлять аналитические данные для увеличения ценности собранной информации», говорит Тодд Лепке, ведущий инженер по развитию технологий в Sungard Availability Services.

5. Аналитик роботизированных процессов

6. Менеджер по цифровой информации

7. Разработчик взаимодействия с ИИ

Будет расти потребность в профессионалах в области IT и дизайна, создающих интерфейсы искусственного интеллекта для массовой аудитории, утверждает Фремин из Mondo. Эта роль позволит «создавать индивидуализированные ИИ системы с целью сделать их как можно более похожими на человека».

8. Когнитивный копирайтер

Шон МакФедран, директор по разработке перспективных платформ в Smith Labs, ожидает, что данная позиция будет растущим трендом по мере того, как все большее количество компаний начнут встраивать функции обработки естественного языка в свое взаимодействие с клиентами. Это хороший пример роли, которая выходит за пределы традиционных задач. Это смешение технологии, маркетинга, обслуживания клиентов и других дисциплин. МакФедран так определяет данную профессию:

Это технически-ориентированный креативный писатель, который:

Разбирается в различных системах машинного обучения и логических блоках объединения, работающих в конкретном интерфейсе естественного языка.
Улавливает и креативно управляет ограничениями системы обработки естественного языка со стороны пользовательского опыта – новое измерение для средств представления информации.
Может выразить нюансы бренда через индивидуальные особенности и язык того или иного интерфейса ИИ.

Профессия специалиста по искусственному интеллекту (ИИ) и машинному обучению с каждым днем становится все более популярной. По статистике Яндекса за 2019 год, направление деятельности Data Science демонстрирует самый большой спрос среди всех сфер IT. Рынок очень сильно нуждается в экспертах, способных создавать и обслуживать искусственные нейронные сети, т. к. это дает возможность автоматизировать рабочие процессы, выявлять скрытые тенденции, делать результативные прогнозы, разрабатывать новые полезные продукты и сервисы.

У вас может возникнуть вопрос — а где и как готовят таких специалистов?

Что такое нейронная сеть?

Нейронной сетью (искусственным интеллектом) называют компьютерную модель человеческого мозга. Свое название она получила за структуру, состоящую из ряда аналитических элементов, выполняющих ту же роль, что и нейроны в нервной системе человека:

первый слой этих элементов получает данные;
внутренние слои обрабатывают и анализируют информацию;
последний слой выдает результат.

За счет этого компьютер получает возможность выявлять различные паттерны. К примеру, он может:

распознавать, что изображено на картинках;
разделять текст на отдельные конструкции по смыслу;
предугадывать колебания спроса на услуги и товары;
прогнозировать, какой текст придется по душе посетителям сайта.

Особенностью ИИ заключается в том, что люди на 100% не могут знать, как именно принимаются нейросетью определенные решения. В этом она принципиально отличается от обычных программ, работающих по четко заданному алгоритму. То есть искусственный интеллект не просто автоматизирует вычисления и сопоставляет результаты. Нет, он действительно начинает самостоятельно разбираться в какой-то сфере, применяя полученные знания и опыт, чтобы лучше справляться с поставленными задачами.

Специалист по нейронным сетям обязан находить ошибки в «образе мышления» ИИ, отсеивать неверные выводы, чтобы тот, соответственно, на основании правильных выводов работал лучше. Из-за такой специфики работа называется Machine Learning – машинное обучение и Deep Learning – глубокое обучение.

Где пригодится специалист по применению искусственного интеллекта

Кому же интересны нейронные сети? Если посмотреть внимательно, то… ВСЕМ! О какой бы сфере деятельности человека ни шла речь, специалисты с дипломом Data Science легко могут стать в ней настоящими звездами. Однако есть отрасли, в которых ИИ прямо сейчас востребован больше, чем в остальных.

Сфера финансов

Здесь у нейронных сетей неограниченные перспективы применения:

Лишенные эмоций и не знающие усталости компьютерные системы уже длительное время помогают брокерским компаниям в анализе рыночных факторов и прогнозировании различных ситуаций. За счет работы ИИ брокеры, хеджфонды, банки и прочие финансовые корпорации получают возможность эффективного контроля рисков, что дает им возможность с максимальной пользой распоряжаться капиталами.
Не менее активно подобные алгоритмы применяют при борьбе с отмыванием денег и мошенничеством. Нейронные сети мгновенно и без особого труда выявляют подозрительные денежные переводы в огромном океане ежесекундно проводимых транзакций по всему миру.
Инвесторы используют нейросети для поиска перспективных стартапов, фильтруя при помощи ИИ «пустышки».
Банковские учреждения задействуют ИИ, чтобы создавать выгодные приложения и сервисы.

Сфера здравоохранения

ИИ всячески используется в диагностировании различных заболеваний, т. к. он способен замечать любые, даже самые мелкие детали, и объективно оценивать полученные данные.
Нейронные сети также активно применяют при тестировании разрабатываемых препаратов, что снижает риски для пациентов и экономит ресурсы фармацевтических компаний.

Сфера грузовых и пассажирских перевозок

Внедрение нейронных сетей позволит в скором времени заменить, например, дальнобойщиков, которые довольно часто попадают в аварии из-за физической усталости. Также со временем ИИ способен вытеснить таксистов и прочих водителей, задействованных в сфере пассажирских перевозок.
Неоценимы преимущества использования искусственного интеллекта в работе логистических компаний, где они выстраивают наиболее эффективные маршруты, что экономит огромные деньги.

Уникальное предложение — -50% на ВСЕ курсы Skillbox. Получите современную онлайн-профессию, раскройте свой потенциал.
Активировать скидку →

Что должен знать специалист по ИИ

Специалисты в области искусственного интеллекта обязаны:

Уметь программировать на Python.
Визуализировать получаемые данные, создавая наглядную инфографику или дашборды.
Выстраивать модели машинного обучения.
Применять нейросети для решения реальных задач, освоив фреймворки для работы с программными библиотеками Keras и Tensorflow.
Понимать, как функционируют нейронные сети в части решения задач по компьютерному зрению и лингвистике.
Освоить работу с базами данных (MongoDB, PostgreSQL, SQLite3) и библиотеками (Matpotlib, NumPy, Pandas).

Пугаться всех этих терминов не стоит, т. к. на хороших курсах все эти и другие важные моменты можно спокойно освоить за год, что позволит претендовать на довольно хорошо оплачиваемую работу.

Зарплата специалистов по искусственному интеллекту в России

По данным сайта hh.ru, специалистов в сфере Data Science и Machine Learning, сейчас ищут более 2300 компаний! Это говорит о серьезной нехватке кадров, а потому проблем с поиском работы не предвидится.

Размер заработной платы зависит от региона и уровня подготовки:

младший специалист (junior);
уверенный специалист (middle);
профессионал (senior).

Вот пример вакансий для senior и middle в столице:

Стоит отметить, что на постоянной основе хорошие специалисты (middle и senior) по искусственному интеллекту требуются в ABBY, Яндекс, Сбербанк.

Что касается начинающих (junior), то в Москве и СПб они могут рассчитывать на минимальный оклад в размере 60-80 тыс.

В регионах зарплаты ниже примерно в два раза. Новички зарабатывают от 25-30 тыс. руб., middle – от 50-60 тыс., а senior – от 80 тыс. и выше.

Как стать специалистом в области нейронных сетей

Тут есть всего три варианта, хотя оптимальный только один – пройти → специализированные курсы.

В этом случае можно в кратчайшие сроки (до года) получить крепкую теоретическую базу и необходимые практические навыки вместе с дипломом, который упростит поиск работы. Далее – все зависит от вас! Как правило, карьерный рост в области искусственного интеллекта происходит быстро.

Что касается двух других альтернативных вариантов, то:

Заняться самообучением. Весьма похвально, но слишком долго. Пока будете осваивать азы, сфера нейронных сетей продолжит стремительно развиваться, и кто знает, а успеете ли вы вообще ее догнать? К тому же самоучке без дипломов и с сомнительной базой сведений, в которых наверняка будет полно пробелов, не так легко будет найти работу.
Поступить в вуз. Хороший вариант, но классическое обучение потребует изучения многих других дисциплин, которые вряд ли пригодятся в жизни. К тому же стоимость учебы довольно высокая, а вот ценность получаемых знаний под большим вопросом. В вузах преподают обычно теоретики, которые далеко не всегда следят за тем, как развивается сфера, и что сейчас актуально.

В общем, думать особо не над чем, а потому стоит изучить доступные курсы и выбрать наиболее подходящий по стоимости и условиям обучения.

Продолжаем говорить о факультетах GeekUniversity с руководителем образовательных проектов GeekBrains Сергеем Кручининым.

Что за специальность и где работать

— Где востребованы возможности искусственного интеллекта и в каких сферах смогут работать выпускники факультета?

— Направление Data Science появилось как ответ на распространение интернета и всеобщую информатизацию. У бизнеса и других структур копятся массивы данных, с которыми нужно что-то делать. Крупные банки, провайдеры интернета и телефонии, поисковые сервисы, социальные сети аккумулируют сведения о пользователях и хотят извлекать из этого выгоду.

Пользователи, в свою очередь, хотят быстро отсеивать нужную информацию и получать только интересные предложения. Товары и услуги нужны всем, но реклама раздражает, потому что зачастую навязывает что-то неактуальное.

И тут на сцену выходит искусственный интеллект: он может анализировать клиентскую базу любого размера и составлять персонализированные предложения. Он может строить прогнозы на основе прошлых действий пользователя. Например, банки могут автоматически рассчитать вероятность того, что человек вернет кредит. И хотя у них заложены некоторые риски, прогнозирование важно, чтобы не разориться в кризис.

Партнер нашего факультета ИИ — «МегаФон». Это компания, которая всерьез работает с большими данными, чтобы лучше обслуживать своих клиентов. Занятиям со специалистами «МегаФона» у нас будет посвящена целая учебная четверть.

Кроме того, когда мы говорим об искусственном интеллекте, подразумеваем сразу несколько родственных направлений: data science, машинное обучение, data engineering. Базовые понятия и инструменты у них одни и те же. Поэтому наш выпускник сможет себя попробовать там, где ему интереснее.

— А бизнес не боится доверять свои процессы ИИ? Ведь цена ошибки может быть высока.

— Поздно бояться — бизнес уже вовсю пользуется искусственным интеллектом и во многих ситуациях не может без него обойтись. Понятно, что система ошибается. Но и люди ошибаются: издалека можно пень за человека принять. И все же автоматизация позволяет избежать множества проблем, связанных с человеческим фактором: устал, отвлекся, не успел. Плюс анализ big data без ИИ невозможен в принципе.

— А помимо крупных компаний куда-то реально трудоустроиться?

— Сфера применения искусственного интеллекта не ограничивается обработкой больших данных. Одно из преимуществ ИИ в том, что он позволяет решать сложные задачи усилиями небольшого штата сотрудников.

Все мы знаем софт, который накладывает маски и эффекты на изображение с веб-камеры: пририсовывает рожки к голове, бороду к подбородку или маску слона на все лицо. Такого плана вещи можно писать в одиночку.

Медицинские решения на основе ИИ способны выявлять тревожные симптомы и предупреждать о необходимости обратиться к специалисту. Можно сфотографировать на смартфон родинку и проверить ее на признаки злокачественного новообразования. Если это мотивирует кого-то вовремя пройти обследование — уже хорошо.

Суть в том, что вариантов применения технологий, которым мы учим, практически неограниченное количество. И в обозримом будущем круг задач, которые можно решать с помощью ИИ и машинного обучения, будет только расти. Поэтому наш выпускник, если у него появятся новаторские идеи, сможет запускать и собственные проекты.

Цели и ценности

— Кто преподает на факультете и по какому принципу вы этих людей искали?

— Мы отбирали преподавателей, которые добились успеха как специалисты в сфере data science и при этом умеют преподнести материал в практическом ключе. Они понимают нашу аудиторию: студенты хотят освоить профессию и скорее начать работать. У большинства людей, которые приходят учиться в GU, нет вузовского образования и опыта — знания нужно закладывать с нуля. Поэтому нас не устраивает подход «оттарабанил лекцию и пошел дальше». Мы на реальных примерах показываем, как получить результат, и объясняем, почему именно так. Мы выбираем задачи, с которыми человек столкнется на собеседованиях и на работе, помогаем вписаться в существующий рынок.

Автор курсов и декан факультета — Сергей Ширкин — специалист-практик, который накопил обширные знания сразу по нескольким направлениям. Он работал с базами данных (это data engineering), применял ИИ в банковской сфере, в области распознавания изображений. Когда Сергей познакомился с нашей концепцией, он ее одобрил и помог нам наладить учебный процесс.

О кривой обучения и не страшной математике

— «Искусственный интеллект», «нейронные сети» — это звучит сложно и таинственно. Насколько высок порог вхождения в профессию?

— Речь не идет о чем-то тяжелом и доступном лишь избранным. Можно провести аналогию с профессией веб-разработчика: спрос на специалистов велик, а порог вхождения не слишком высок. Отсюда растущая популярность data science, но отсюда же и нехватка настоящих профи при обилии начинающих.

Как и на других факультетах, мы ведем студента от элементарных задач к серьезным проектам, которые можно показать работодателю. Продвинутых программистских навыков не требуется, но важно изучить Python, алгоритмы и структуры. То же самое касается математики: если раньше вы учили ее только в школе и что-то уже забыли, это нормально. Все необходимое из школьного курса мы в любом случае повторим на занятиях.

Главное — не рассчитывать, что «оплатил абонемент на фитнес — мышцы сами растут». Сразу говорю, этого не будет. Вы получаете знания и инструменты, а дальше трудитесь над учебными проектами, ищете решения, задаете вопросы, читаете книги. Мы вас направляем, помогаем не заблудиться в трудностях, объясняем, чего будет ждать от вас работодатель.

Кстати, нашим студентам не стоит бояться конкуренции с выпускниками вузов. Потому что с вузовской теоретической базой специалистом по data science не станешь — придется долго набирать практику. А вот после учебы у нас можно сразу начать карьеру в крупной компании или присоединиться к перспективному стартапу.

— От математики никуда не деться?

— На самом деле, научить обработке данных можно и без математики: по принципу «нажми на кнопку — получишь результат». Но мы ведь не обезьянок в цирк готовим. Специалист должен знать, как работают инструменты, которыми он пользуется. Иначе любая незнакомая проблема поставит его в тупик. Когда человек понимает математическую составляющую задачи, он сам определяет, какой инструмент лучше подойдет.

У нас математика исключительно прикладная: мы все закрепляем на примерах и не оставляем места путанице. Человеческий мозг так устроен, что нужное для дела — запоминает, остальное — забывает.

Я сам изучал механику и математику в вузе. У меня не складывались ассоциативные связи между тем, что нам дают, и тем, где это можно применить. Например, я не понимал, что такое нормальное распределение: формулы знал, но понятие оставалось для меня абстракцией. И только позже, на работе, мне одна девушка-HR объяснила, что это значит. Доценты и профессора не смогли этого доступно растолковать, а ей удалось.

Когда вы видите, как теория работает в конкретной ситуации и куда ее можно приложить, все меняется — у вас складывается общая картина. Практических задач в сфере анализа данных и искусственного интеллекта сейчас много как никогда. Поэтому я уверен, что мы сможем заинтересовать студентов, увлечь их профессией.

— Если все не так сложно, почему на факультете ИИ учатся полтора года, а не четыре месяца, например?

— Потому что мы не обзор профессии даем, как бывает на других курсах, а учим с нуля людей, мало знакомых с математикой. Более того, мы считаем, что студентам с хорошим теоретическим заделом все равно надо математику перепроходить в контексте практических задач. Мы предлагаем не тратить личное время на предварительную подготовку, а сразу учиться профессии. Лучше сэкономленное время потом посвятить повышению квалификации и углубиться в те области, которые вам интересны.

— Что именно из математики вы даете на факультете?

— Для начала мы повторим, что такое график и производная. Дальше зададим основы матанализа, линейной алгебры и комбинаторики. С интегралами познакомимся в общих чертах — без глубокого погружения. Будем брать самые простые вещи, которые в сфере ИИ работают и помогают решать актуальные для рынка задачи. При наличии мотивации студент с помощью преподавателя разберется в этих темах, даже если раньше с ними не сталкивался.

Практика

— С какими инструментами студенты научатся работать?

— Большинство связанных с ИИ вакансий требуют знания Python. Поэтому мы изучаем этот язык и его библиотеки, позволяющие работать с векторами, матрицами, нейронными сетями. Это перекрывает 99 % задач, которые могут возникнуть. Специализированных инструментов много: Pandas, NumPy, Tensor Flow, Keras, Theano, Matplotlib, Seaborn, Scikit-Learn. Чтобы использовать все это осознанно и самостоятельно, мы математику и учим.

Мы также будем изучать вспомогательные вещи. Например, Linux и регулярные выражения нужны, чтобы уметь вычленить из текста нужные фрагменты. Основы HTML тоже объясним — не для верстки, конечно, а чтобы студент представлял себе структуру DOM и мог к ней обращаться. Все это пригодится для сбора данных в интернете.

В то же время мы старались не перегружать курс. Например, большинство библиотек, о которых мы сейчас говорили, ради быстродействия написаны на языке С. Но это не значит, что нам надо его учить. Для начала работы по специальности этого не требуется, и мы на этом не останавливаемся. Понятно, что нет предела совершенству, и если выпускник захочет создавать свои инструменты, он может C изучить. Я всегда таких людей приветствую. Но мы даем набор навыков для трудоустройства и дальнейшего саморазвития.

— Какие проекты студенты делают, чтобы набрать опыт и что-то записать в резюме?

— Проекты будут двух типов: наши и партнерские. Первый наш практический курс учит собирать и обрабатывать данные сети Интернет. Здесь студенты опробуют несколько подходов к задаче. Сначала мы будем «парсить» страницы: напишем на Python «паука», который пробежится по нужным адресам и скачает искомую информацию. Этот метод нужен, когда сайт не хочет отдавать данные сам.

Дальше научимся обращаться к сайтам по-хорошему — через программный интерфейс, он же API (Application Interface). То есть отправлять серверу запрос и получать информацию. Также разберемся, какие есть сервисы открытых данных и как ими пользоваться. Студенты выберут подход, с помощью которого соберут данные в интересующей их сфере. Кто-то решит в культурном наследии порядок навести, другой будет медицинскую статистику собирать, третий составит базу по туроператорам и пассажирским перевозкам. Кстати, на будущее можно и систему сбора релевантных вакансий написать.

Следующий проект будет связан с машинным обучением. Построим модель прогнозирования, чтобы компьютер не просто проверял гипотезы, а формировал их на основе имеющихся данных. Здесь мы тоже разберем два подхода: сначала напишем классификатор, затем создадим нейронную сеть, а по итогу студент сам решит, что использовать в отчетном проекте.

Еще будет проект, где понадобится решать задачи с использованием машинного зрения или с распознаванием естественного языка — на выбор.

Также студенты освоят платформу Kaggle и потренируются в спортивном анализе данных. Победы в таких состязаниях на рынке ценятся и приравниваются к профессиональным достижениям. Даже если вы ни дня не работали в data science, но у вас хорошие результаты на Kaggle, вами заинтересуются крупные работодатели.

Проект от «МегаФона» будет посвящен обработке больших данных, которые сам партнер и предоставит.

Мы ведем переговоры с Maps.me о проекте с распознаванием изображений. Студенты напишут приложение, которое будет брать спутниковые карты Open Street Map и оцифровывать: размечать контуры водоемов, зданий, дорог, — а затем все это грузить обратно в систему. Кто «народные карты» рисовал или помогал проекту Wikimapia, представляет, о чем речь. Мы покажем, как этот процесс автоматизировать. Это еще и полезная миссия, потому что с подобными офлайн-картами можно ориентироваться там, где нет интернета.

— Количество и разнообразие проектов действительно впечатляет… Теперь ясно, зачем учиться полтора года!

— Уверен, за лучшими нашими выпускниками работодатели и так в очередь выстроятся. Кадровый голод действительно существует. И зря некоторые думают, что сейчас все побегут в Data Science и рынок насытится. Хотеть стать экспертом — одно, а пройти этот путь — совсем другое. Как гласит притча, «много званых, но мало избранных». Крутых специалистов много не бывает, а бизнес в них очень нуждается. Мы со студентами будем работать, чтоб хотя бы часть этих потребностей закрыть.

— У меня по этой теме вопросов не осталось. Посмотрим, есть ли они у читателей. Сергей, огромное спасибо за рассказ!

В следующий раз мы с Сергеем поговорим об особенностях постоянной удаленной работы (не фриланс). Рассмотрим это с точек зрения сотрудника и работодателя. Уже скоро :)

Читайте также: