Как войти в AI и ML. Экспертный гид по профессии: компетенции, курсы, возможности

Искусственный интеллект все больше используется в самых разных областях. Нейросети не только отвечают на вопросы в службе поддержки и генерируют нам красивые аватары, они ассистируют врачам и прогнозируют ситуацию на фондовых рынков. Чтобы поддерживать и совершенствовать эти технологии, нужны хорошие специалисты. И пока рынок труда переполнен фронтендерами и тестировщиками, айтишников в сфере AI надо еще поискать.

Из статьи вы узнаете, какие есть профессии, связанные с машинным обучением, без каких навыков не обойтись и куда пойти учиться.

Что такое AI и машинное обучение

AI (Artificial Intelligence), или ИИ (искусственный интеллект) — технология, которая может генерировать новую информацию и корректировать собственный результат в процессе обучения. В отличие от обычных алгоритмов, AI способен обучаться, выполнять творческие задачи и выдавать уникальный непредсказуемый результат. Термин появился  еще в 1956, но по-настоящему большой скачок искусственный интеллект сделал только в последние годы.

Популярное слово нейросеть — это частный случай алгоритма AI. Нейросети заточены на изучение информации, а не на решение конкретной задачи. Такие системы могут перерабатывать большие объемы данных и затем функционировать на основании полученных «знаний».

Еще один важный термин в сфере AI — машинное обучение (Machine Learning или ML). Так называют разработку алгоритмов и моделей, которые помогают системе делать логические выводы и в дальнейшем действовать на основании этих выводов.

В машинном обучении есть большой пласт — Deep Learning (глубокое обучение). Это самообучение, которое реализуют благодаря многослойным нейронным сетям: AI учится на собственных ошибках и с каждой итерацией выдает более точный результат. Глубокое обучение характерно только для нейросетей.

Популярные направления Natural Language Processing (восприятие текста на человеческом языке) или Computer Vision (компьютерное зрение) — тоже часть сферы AI. Есть разные домены, они касаются характера работы, которую выполняет нейросеть. Можно классифицировать эти домены так:

• работа с текстами;
• работа с изображениями и видео;
• табличные данные;
• временные ряды;
• звуковые сигналы.

Это не исчерпывающий список, какие-то из задач AI могут в эту классификацию не вписаться. А некоторые можно отнести сразу к нескольким доменам. Поэтому деление на узкие специализации условное, его делают отнюдь не во всех компаниях.

Где применяется AI

Искусственный интеллект — уже полноценная часть нашей жизни. Конечно, за ним нужен глаз да глаз: не всегда он выдает идеальные результаты.

Тем не менее в сотрудничестве с человеком нейросети уже творят чудеса.

В производстве

На заводах и фабриках искусственный интеллект может осуществлять контроль качества продукции или прогнозировать износ оборудования.

В компании Caterpillar, которая производит строительную и горнодобывающую технику, нейросеть подсказывает, когда пора чистить корпуса своих кораблей. Это помогает предотвращать поломки и экономит сотни тысяч долларов в год.

На заводах BMW искусственный интеллект определяет брак в режиме реального времени — система замечает, если какая-то деталь отклоняется от стандартов. Также AI может оценить, насколько правильно все смонтировано и предупредит, если какой-то детали не хватает. BMW была одной из первых компаний, внедривших AI в производство — это сделали еще в 2018 году. Сейчас нейросети задействованы практически на всех этапах работы.

Еще один пример: сотрудничество Autodesk и General Motors. Компании совместно разработали AI, который помогает создать оптимальный дизайн продукции. Нейросеть может учесть технические требования, ограничения и сразу же рассчитать бюджет на новую модель.

В сфере логистики и транспорта

Здесь BMW тоже преуспели: в компании искусственный интеллект помогает оптимизировать логистику. Он делает точные расчеты, благодаря которым удается избежать перевозки пустых контейнеров — а значит, сэкономить. Еще AI помогает роботам, которые загружают продукцию, быстро определять тип объекта и не ошибаться в работе.

Для широкого круга потребителей нейросети в сфере транспорта — пока еще диковинка. Роботов-курьеров пробовали запускать в разных странах, эксперименты начались в разгар пандемии COVID-19, но широкого распространения технология пока не получила. То же можно сказать и о беспилотных автомобилях — полную безопасность, учитывая непредсказуемые ситуации на дороге, гарантировать тут трудно. Но, очевидно, это дело времени — AI развивается очень быстро.

В медицине и фармацевтике

Нейросети помогают врачам проводить более точную диагностику. Например, AI способен определять рак по снимкам МРТ точнее, чем обычные врачи. Человек может не заметить незначительные отклонения на ранних стадиях, а AI это увидит. Технологию уже применяют во многих областях медицины, чтобы безошибочно распознавать болезни.

Роботы уже используются в хирургии — доверить им самостоятельную операцию, конечно, нельзя, но они успешно ассистируют врачам. Также роботы на основе искусственного интеллекта помогают в реабилитации больных. А еще развитие нейросетей — большой шаг в сторону персонализированной медицины: система может изучить всю историю болезни и предложить на ее основе лучшее лечение.

Наконец, способность AI обрабатывать огромные массивы информации уже используют при создании новых лекарств. Нейросети помогают оптимизировать состав препаратов и подбирать неизвестные ранее комбинации веществ, которые могут быть полезны в медицине.

В финансах

Искусственный интеллект анализирует изменения курсов валют или цен на акции, делает прогнозы на фондовых рынках и дает  финансовые рекомендации — частным лицам или крупным компаниям.

ML используют сейчас в любой кредитной организации, вопрос в его сложности. Но иногда это простой алгоритм — логистическая регрессия, а иногда что-то более продвинутое. Есть целые организации, которые предоставляют финансовые услуги на основе AI. Например, Enova с помощью нейросети принимает решения о выдаче кредитов частным лицам и малому бизнесу. А компания Symphony Sensa помогает финтех-предприятиям управлять рисками — благодаря точным прогнозам от AI.

В потребительских продуктах

Благодаря технологиям Computer Vision камера смартфона легко фокусируется на людях в кадре, а сам девайс можно разблокировать буквально своим лицом. Siri или любой другой голосовой помощник понимает вас с полуслова, а ChatGPT знает ответы на любые вопросы. Встроенная в Adobe Photoshop нейросеть легко дорисовывает недостающие части изображения, а в PowerPoint — подбирает картинки для презентаций по словам на слайдах. Пришло время, когда AI уже существенно упрощают нашу повседневную жизнь, и это только начало.

Ключевые навыки и профессии

ИТ-специалистам в области ML нужен сильный математический бэкграунд, навыки разработки, чтобы выводить модели в продакшн, а также знание ключевых технологий машинного обучения. 

Собрали в таблице самые важные навыки, которые требуются в сфере AI.

Это главные скилы, которые позволят работать с AI.

А названия профессий могут варьироваться в зависимости от компании. В крупных tech-компаниях, сравнимых с FAANG, обычно используют такое разделение:

• Research Scientists — это не айтишники, а ученые, которые придумывают новые технологии;
• Research Engineers — инженеры-исследователи, работают на стыке науки и разработки;
• Machine Learning Engineers — инженеры, которые обучают нейросети и делают готовые сервисы.
• Data Engineer — работают с данными и задействует AI для их обработки, потом передает данные спецам по Data Science;
• Data Scientists — занимаются аналитикой, черпают инсайты из данных и помогают с принятием решений;
• Solution Architects, специализирующиеся на ML — опытные специалисты, которые прошли путь инженера, отвечают за архитектуру сервиса на основе ML.
• Prompt Engineer — это гуманитарии в ИТ, которые помогают обучать нейросети: они работают с информацией и текстами и добиваются того, чтобы по нужному запросу нейросеть выдавала корректный результат;
• Менеджер в AI — профессия на стыке технологий и продаж. Основная задача — работа с рисками неопределённости: каждый проект в AI не даёт 100% предсказуемого результата и это надо контролировать в команде и объяснять клиенту. На этой позиции нужны верхнеуровневые знания о всех новинках и возможностях AI.

Иногда у этих ролей есть дополнительные специализации. Например, Computer Vision Engineer или Natural Language Processing Engineer. Но так происходит не всегда, зачастую один специалист может работать с разными доменами — между ними нетрудно переключаться, обладая базовыми знаниями и навыками в AI.

Где этому можно научиться: курсы для старта в профессии

AI — большая и сложная сфера, не каждый курс даст всю исчерпывающую информацию для работы. Скорее всего потребуется выбрать несколько курсов, чтобы охватить все компетенции. И, конечно, никто не отменял самообразования: подписывайтесь на блоги профессионалов, читайте новости на Deeplearning.ai. Если вы всерьез решили стать спецом в AI, можно рассмотреть следующие программы обучения.

Серия «Машинное обучение» от Edureka

Это карьерный трек из 10 коротких учебных программ. Из них пять — полноценные курсы с живыми созвонами два раза в неделю по 3 часа. А еще пять — бесплатные дополнительные курсы, которые можно слушать самостоятельно в любое удобное время. 

Суммарно вас ждет более 200 часов обучения и 6 практических заданий на основе реальных кейсов — эти проекты можно будет показать в портфолио. И это не вся практика — по мере прохождения курса предстоит выполнить еще 40 заданий для закрепления материала.

Студенты изучают:

• основы Data Science и статистики;
• программирование на Python;
• принципы работы ИИ и распространенные алгоритмы;
• устройство и перспективы ChatGPT;
• библиотеку PySpark.

Подробное превью доступно на YouTube:

Стоимость всего курса — $1499.

Посмотреть программу

Курс «AWS Machine Learning инженер» и другие курсы на Udacity

На платформе Udacity есть много курсов по AI — можно проходить их в своем темпе и постепенно осваиваться в новой сфере. Для начала подойдет курс по Machine Learning с помощью Amazon Web Services — это среда для загрузки приложений, которая предоставляет широкий набор инструментов работы с  AI. Если вы готовы тратить на занятия до 10 часов в неделю, обучение можно завершить за 5 месяцев.

Студенты на курсе:

• узнают о принципах Machine Learning;
• создают собственный воркфлоу машинного обучения;
• разбираются в Deep Learning в NLP и CV;
• делают финальный проект: обучают ИИ для роботов, которые должны идентифицировать и перемещать предметы в центре дистрибуции.

Слушатели получают фидбек от преподавателей и доступ к студенческому комьюнити, где можно учиться у более опытных коллег.

Доступ к курсу на 5 месяцев будет стоить $1695.

Если вы настроены серьезно, на Udacity удобно будет собрать пакет из разных курсов — в каталоге есть отдельные программы обучения по Deep Learning, NLP, CV. Выбирайте, что вам интересно.

Посмотреть программу

Курс «Специализация Машинное обучение» и другие курсы от Deeplearning.ai

Курс по машинному обучению для новичков — совместная разработка компании Deeplearning.ai и Стенфордского университета. Обучение проходит на платформе Coursera, там можно посмотреть развернутую программу. Курс займет до 3 месяцев, при этом на обучение может потребоваться до 9 часов в неделю. Можно слушать лекции в любое удобное время и сдавать задания, которые проверяет куратор.

Студенты узнают:

• как проходит машинное обучение с учителем;
• как строить модели на Python;
• какие есть продвинутые алгоритмы обучения;
• чем отличается обучение без учителя и как строить такие модели.

Надо иметь в виду, что это вводный курс — профессионалом за 2,5 месяца с нуля не стать. Но в каталоге у Deeplearning.ai еще много программ, на которых можно продолжить обучение.

Стоимость вводного курса на Coursera: $49 в месяц. Первые 7 дней можно попробовать учиться бесплатно, чтобы оценить уровень и подачу материала.

Посмотреть программу

Курс «Машинное обучение от А до Я» на Udemy

В программе — более 40 часов видеолекций и 39 статей для самостоятельного обучения. Когда занятия закончатся, доступ к материалам останется у вас навсегда. Для поступления на курс рекомендуют хорошо знать школьную программу по математике — других требований нет.

Слушатели осваивают:

• азы программирования на Python;
• азы программирования на языке R;
• основные этапы процесса машинного обучения;
• алгоритмы Natural Language Processing;
• концепцию Deep Learning.

Стоимость курса: $17.

В отзывах студенты отмечают доступность изложения материала.

Посмотреть программу

Программа обучения «Основы AI и машинного обучения» на Codecademy

Это набор коротких курсов, суммарно обучение займет 2 месяца. На платформе можно слушать теоретические лекции, проходить интерактивные тесты и делать практические задания по пошаговым видеоинструкциям. Программа подходит для обучения с нуля. Исчерпывающих знаний за 2 месяца не дадут, но можно сделать первые шаги в профессии — и даже создать два проекта в портфолио.

Студенты на курсе:

• разбираются в принципах ML/AI;
• осваивают программирование на Python;
• тренируются в аналитике данных;
• работают с библиотекой Pandas;
• получают необходимые знания в области математики и статистики.

Доступен бесплатный пробный период 7 дней, далее стоимость обучения $14 в месяц.

Посмотреть программу

Курс «Машинное обучение» на Ods.ai

Программа рассчитана на подготовленных слушателей: нужно владеть Python и знать математику. Это бесплатный курс, но довольно обширный и неповерхностный: там много полезной информации в доступном изложении. Один минус — обучение самостоятельное, без преподавателей и кураторов. Без фидбека осваивать ML тяжело. Но если вы планируете работать с ментором и он будет готов отвечать на технические вопросы, это тоже неплохой вариант.

В программе: 

• основы анализа данных;
• ключевые концепции ML;
• примеры построения разных моделей и упражнения для практики;
• специфика машинного обучения без учителя.

Курс открытый, видеолекции можно просматривать бесплатно.

Посмотреть программу 

Курс «Устойчивое машинное обучение» на Educative

Это небольшой курс, который могут встроить в свой план обучения те, кто уже что-то знает о ML. Если вы разобрались в теории и изучили Python, но не имеете опыта выпуска реального приложения в продакшен, эта учебная программа поможет перейти от прототипов к реальной работе. 

Это курс в текстовом формате с упором на практику: в программе более 30 интерактивных упражнений, которые различаются по объему и сложности. Длительность занятий —  8 часов.

Студенты узнают:

• как сделать ML устойчивым;
• какие есть лучшие и худшие практики;
• как тестировать ML-приложения.

На Educative есть бесплатный пробный период 7 дней. Если потребуется больше времени, подписка с помесячной оплатой стоит $59 в месяц. Она открывает доступ ко всем учебным программам платформы — там есть и другие курсы по ML.

Посмотреть программу

«Мне только посмотреть»: курсы для знакомства со сферой AI

Если пока не готовы тратить много времени и денег на учебу или просто сомневаетесь, что карьера в AI вам точно подходит, можно пройти какой-то небольшой курс. Так вы получите общее представление о профессии и решите, куда развиваться дальше.

Курс «Машинное обучение и основы Python» на Udemy

Это короткий курс на 3 часа, который даст обзорную информацию о направлениях AI и ML.

Студенты узнают:

• историю развития искусственного интеллекта и основные понятия;
• основы программирования на Python;
• принцип построения моделей на Python;
• перспективы ИИ.

Стоимость курса $12,99

Посмотреть программу

Курс «Введение в машинное обучение» на Coursera

Учебная программа от IBM длительностью 7 часов подойдет для поверхностного знакомства с ML.

Студенты знакомятся:

• с историей ИИ;
• с жизненным циклом моделей машинного обучения;
• принципами обучения с учителем и без учителя;
• основными понятиями науки о данных.

Прослушать видеолекции этого курса можно бесплатно. А если хотите сдать тест и получить сертификат — стоимость $29.

Посмотреть программу

Что дальше: путь от курсов до первой работы

ML — одна из самых сложных сфер в IT, преимущественно потому что технологии здесь очень быстро меняются. Но перспективность направления того стоит — как минимум, специалистов по искусственному интеллекту в ближайшее время не заменит искусственный интеллект. И даже высокий порог входа в индустрию можно преодолеть, в среднем, за год — если усердно учиться. Конечно, все очень индивидуально, но знания в любой другой области IT станут большим подспорьем.

Наши эксперты подтверждают, что для полноценного обучения с нуля нужно не меньше 9-12 месяцев — если действительно много времени уделять учебе. Впрочем, у обладателей какого-то математического бэкграунда дело пойдет быстрее. Стоит помнить, что работа в ML — все еще не самая сложная в мире.

Когда выбираете учебные программы, всегда обращайте внимание на спикеров: важно, чтобы это были практикующие специалисты. И, конечно, если хотите преуспеть в новой сфере, важно следить за новостями, общаться с профессионалами и искренне интересоваться индустрией — а не просто прослушивать курсы между делом.  А то, что сфера быстро меняется — отчасти преимущество: многие знания возможно добирать уже на практике, в процессе работы.

Чтобы устроиться на первую работу, можно показать пет-проекты на Github. От вас тут не нужно прорывных идей: делайте то же, что уже существует, используя разные подходы. Можно создать свой ChatGPT или систему компьютерного зрения которая определяет, скажем, погоду с вашей вебкамеры установленной у подъезда. А еще стоит участвовать в хакатонах и соревнованиях: там рекрутеры и лидеры проектов ищут талантливых новичков. Соревнования в области ML регулярно проводит Kaggle.