AI-проект — точка роста для IT-специалистов
Профессия программиста стремительно трансформируется под влиянием новых технологий. Для выполнения задач уже недостаточно умения писать код. Порог входа в IT повышается, и чтобы оставаться востребованным специалистом, необходимо трансформировать свои функциональные навыки: развивать харды и не забывать про софты.
«Мы наблюдаем трансформацию профессий и требований к навыкам айтишников. В ближайшие пять лет джун-позиции не исчезнут, но чтобы быть востребованным кандидатом и специалистом, придется обучиться новым компетенциям. Главный тренд — попытка предвидеть будущее. Пока одни гадают, какие профессии исчезнут, а какие появятся, другие бегут впереди — инвестируют время в собственное развитие. Работа над AI-проектами и изучение современных кейсов применения AI прокачивает критическое мышление и навык решения сложных задач, что делает специалиста более ценным на рынке», — делится Варвара Новожилова, независимый эксперт, ex-Head of R&D в Skyeng, SberDevices, Райффайзен Банк, преподаватель курса «ML Engineering: от базы до AI-продукта».
Один из лучших способов оставаться конкурентоспособным IT-специалистом сейчас — поработать над собственным AI-проектом. Это не просто кейс для портфолио, а возможность стартовать собственный pet-проект, который будет мотивировать вас двигаться дальше в индустрии.
Создаем первый AI-проект
На курсе ML Engineering применяется продуктовый подход. Поэтому перед тем, как разработать проект с AI, обучающиеся на курсе проходят через несколько ключевых этапов.
Этап 1. Определение задачи и выбор датасета
Студенты учатся определять задачу, которую хотят решить — создание чат-бота, системы рекомендаций или анализа данных. Затем выбирают подходящий датасет. Иногда данные можно легко найти на платформах, таких как Kaggle, Google Dataset Search и UCI Machine Learning Repository, но в некоторых случаях материал приходится собирать вручную
«Курс “ML Engineering: от базы до AI-продукта” максимально приближен к бизнес-среде. Студенты не просто работают на готовых датасетах, а самостоятельно ищут и проверяют данные. Это важный навык, ведь в реальных проектах подготовка данных — значительная часть работы. Задачи можно выбрать, они могут быть близки к стартапам или задачам конкретных компаний. Более того, студенты получают консультации и помощь в реализации проектов. Поэтому мой совет — начните с малого, с узкой задачи, для которой легко найти данные, а не пытайтесь сразу решить глобальную проблему», — говорит Марк Паненко, Chief Data Scientist Ozon Банк, эксперт на курсе «ML Engineering: от базы до AI-продукта», занимается формированием идей проектов, подбирает контекст, проверяет доступность данных для студентов.
Этап 2. Формулировка задачи в терминах ML
На этом этапе важно четко определить, к какому типу задач в терминах машинного обучения относится проект, и связать бизнес-метрики с ML-задачами.
Этап 3. Создание прототипа продукта
На следующем этапе студенты выбирают инструменты: Python, TensorFlow или PyTorch, Jupyter Notebook или Google Colab. Главная цель — быстро протестировать свои идеи.
Этап 4. Улучшение модели
На этом этапе важно поработать над качеством модели: выбрать новые алгоритмы, настроить гиперпараметры. Студенты учатся экспериментировать с ML-моделями и внедрять инструменты версионирования экспериментов в рамках MLOps.
Этап 5. Упаковка MVP
Студенты создают минимально жизнеспособный продукт (MVP), который включает основные функции для тестирования на реальных пользователях. Процесс упаковки включает развертывание итогового приложения и использование технологий контейнеризации.
Этап 6. Презентация AI-продукта
Финальный этап — подготовка презентации своего продукта, защита перед экспертами, получение обратной связи и поиск потенциальных инвесторов. «В современном мире мало сделать хороший качественный продукт или собрать и запатентовать какое-то изобретение. Чтобы ваша работа не покрылась толстым слоем пыли уже через месяц, важно уметь презентовать ее миру», — говорит Варвара Новожилова. Сможете ли вы превратить прототип в реальный продукт и привлечь интерес инвесторов к нему — во многом это зависит именно от навыка презентации.
«Мой любимый кейс — это сервис мэтчинга животных из приютов с потенциальными хозяевами. Сама задача была довольно простой — берем идею того, что питомцы похожи на своих хозяев, и развиваем ее. В сервис загружаем фото человека, прогоняем фото питомцев из приютов и находим похожего. Ребята решали не базовую задачу с точки зрения машинного обучения процесса мэтчинга, а задачу, как эти данные собрать, потому что датасетов таких мало», — Марк Паненко, Chief Data Scientist Ozon Банк.
Курс ML Engineering помогает освоить ключевые инструменты ML-инженера для продуктовой разработки, такие как Python, Apache Airflow, FastAPI, Git, PostgreSQL, LightGBM, PyTorch, scikit-learn. А также подготовить реальные AI-кейсы для портфолио ML-инженера. Это не просто про изучение технологий — выпускники курса умеют применять их в реальных проектах.
Успешные примеры реализованных ИИ-проектов
Расскажем о нескольких проектах студентов, которые прошли весь путь создания продукта от идеи до вывода в прод.
Николай Хилькович, эксперт в области контекстной рекламы, выпускник курса:
«Мой проект позволяет превращать фото ребенка в красочный рассказ о его взрослении. Я начал с идеи, собрал датасет, протестировал модель и разработал базовую версию сервиса, которая ждёт своего звёздного часа. У меня не было специальных технических знаний, проходил пару базовых курсов по Python и SQL, а остальному учился на курсе. Проект создавал, полностью опираясь на алгоритм — удалось пройти все этапы разработки от идеи до готового сервиса. Появилось понимание, что изучение целевой аудитории продукта и потребности рынка — необходимые условия для технической реализации модели».
В процессе разработки AI-проекта некоторые осознают, что похожих решений на рынке уже достаточно и что потенциал для развития в этом направлении минимален. Однако для начинающих AI-специалистов опыт намного важнее.
Павел Соколов, младший разработчик решений в области ИИ, РТ-Развитие бизнеса, выпускник курса:
«Я хотел сделать сервис, который упрощал бы аналитику контрагентов для строительных фирм. Как инженер, я много времени тратил на вычитку многочисленных технических и юридических документов, когда сам подбирал оптимального по цене и качеству поставщика оборудования и материалов.
Сперва проанализировал рынок и увидел, что он переполнен сервисами, которые реализуют данную функцию. Поэтому сам проект получился неконкурентоспособным. Но опыт создания подобного сервиса для меня ценный — я 10 лет проработал инженером по очистке воды, а с помощью курсов получилось перейти в новую сферу. Прошел все шаги от идеи до MVP и понял, по какой системе реализуются AI-продукты.На момент старта курса за плечами у меня был только другой оконченный курс от платформы karpov.courses и сильное желание погрузиться в новую отрасль, узнать, как устроено то, что называют ИИ, какие возможности его применения есть и как их можно использовать».
Как AI-проект меняет карьеру
Многие выпускники курса «ML Engineering: от базы до AI-продукта» отмечают, что после работы над AI-проектом их карьера вышла на новый уровень. Многие из них получили предложения о работе или поступили в магистратуру по направлениям, связанным с машинным обучением.
Павел Соколов, младший разработчик решений в области ИИ, РТ-Развитие бизнеса, выпускник курса:
«На днях в Open Talks от AI Talent Hub кто-то из гостей сказал: «Мы заставляем камни говорить». Только подумайте — обычный кусок кремния (процессор) «понимает» человеческий язык, да еще и дает осмысленные ответы. Наверное, древние сочли бы это магией. Но, честно говоря, я и сам не до конца уверен, нет ли там заклинания, на котором все держится.
Курс помог разложить и упорядочить имеющиеся знания поэтапно. Очень ценно было слушать экспертное мнение — обратную связь, которая помогла определиться с траекторией развития проекта. Образовательных видео и курсов в открытом доступе сейчас достаточно, но таких, где практикующий лид оценивает твое решение, явно немного.
Отдельно отмечу раздел про питчинг и защиту проекта – ментор Мария доступно рассказала о правилах успешного питча. И буквально через месяц после окончания курса ее советы помогли мне успешно пройти собеседование на позицию разработчика ИИ-решений».
Николай Хилькович, эксперт в области контекстной рекламы, выпускник курса:
«Курс помог мне разобраться в алгоритме создания AI-проекта. У меня появились идеи, как улучшить качество работы специалиста в моей профессиональной деятельности — рекламе — с использованием ИИ.
Главный плюс: уменьшение количества заинтересованных людей в процессе. Например, надо сделать рекламный баннер. Вместо дизайнера привлекаем нейронку. А рекламные гипотезы тестируем самостоятельно.
В работе очень помогает продуктовый подход, который транслируется в алгоритме. Его суть в понимании трех базовых вещей: зачем ты делаешь сервис, как это будет использоваться и какой результат принесет».
Сделай первый шаг в мир AI
Машинное обучение — одна из самых востребованных областей в IT. Если хотите стать ML-инженером и создать свой первый AI-проект, то попробуйте начать с курса от AI Talent Hub и karpov.courses.
Старт курса запланирован на 20 марта, но вы можете посмотреть запись вебинара, на котором мы:
-
разобрали свежие тренды в AI и их влияние на рынок труда
-
показали реальные кейсы AI-проектов, которые помогли специалистам выйти на новый уровень
-
ответили на вопросы о магистратуре по AI и карьерных возможностях в этой сфере.
Запись вебинара доступна по ссылке. Начните свой путь в AI!
Автор: ai-talent
