Як увійти в AI та ML. Експертний гід за фахом: компетенції, курси, можливості
Хочете приборкати штучний інтелект швидше, ніж він забере у вас роботу? Розбираємо кар'єрні можливості та курси у сфері AI.
Хочете приборкати штучний інтелект швидше, ніж він забере у вас роботу? Розбираємо кар'єрні можливості та курси у сфері AI.
Штучний інтелект все більше використовується в різних областях. Нейросети не лише відповідають на запитання у службі підтримки та генерують нам гарні аватари, вони асистують лікарям та прогнозують ситуацію на фондових ринках. Щоб підтримувати та вдосконалювати ці технології, потрібні добрі фахівці. І поки ринок праці переповнений фронтендерами та тестувальниками, айтішників у сфері AI треба ще пошукати.
Зі статті ви дізнаєтеся, які є професії, пов’язані з машинним навчанням, без якихось навичок не обійтися і куди піти вчитися.
Зміст
Примітка Adviser
У статті є посилання на партнерів. Це означає, що якщо ви щось купуєте з нашою допомогою, ви також підтримуєте dev.ua.
При цьому редакція та автори незалежні у виборі теми, концепції матеріалу, фокусу опису, підходу до послуг чи товарів. Перш ніж щось радити, ми багато читаємо і дивимося на тему, говоримо з експертами.
Редакція може висловлювати свою думку та пробувати все на собі.
Якщо рекомендаційний матеріал оновлюється, ми вказуємо, що коли змінилося, на самому початку.
Що таке AI та машинне навчання
AI (Artificial Intelligence), або ІІ (штучний інтелект) — технологія, яка може генерувати нову інформацію та коригувати власний результат у процесі навчання. На відміну від звичайних алгоритмів, AI здатний навчатися, виконувати творчі завдання та видавати унікальний непередбачуваний результат. Термін з’явився ще 1956-го, але по-справжньому великий стрибок штучний інтелект зробив лише останніми роками.
Популярне слово нейромережа — це окремий випадок алгоритму AI. Нейросети заточені вивчення інформації, а чи не розв’язання конкретної завдання. Такі системи можуть переробляти великі обсяги даних і потім функціонувати виходячи з отриманих «знань».
Ще один важливий термін у сфері AI — машинне навчання (Machine Learning або ML). Так називають розробку алгоритмів та моделей, які допомагають системі робити логічні висновки та надалі діяти на підставі цих висновків.
У машинному навчанні є великий пласт — Deep Learning (глибоке навчання). Це самонавчання, яке реалізують завдяки багатошаровим нейронним мережам: AI навчається на власних помилках і з кожною ітерацією видає більш точний результат. Глибоке навчання характерне лише для нейромереж.
Популярні напрямки Natural Language Processing (сприйняття тексту людською мовою) або Computer Vision (комп’ютерний зір) — також частина сфери AI. Є різні домени, які стосуються характеру роботи, яку виконує нейромережа. Можна класифікувати ці домени так:
- робота з текстами;
- робота із зображеннями та відео;
- табличні дані;
- тимчасові ряди;
- звукові сигнали.
Це не вичерпний список, якісь із завдань AI можуть в цю класифікацію не вписатися. А деякі можна зарахувати відразу до кількох доменів. Тому розподіл на вузькі спеціалізації умовний, його роблять аж ніяк не у всіх компаніях.
Де застосовується AI
Штучний інтелект вже повноцінна частина нашого життя. Звичайно, за ним потрібне око та око: не завжди він видає ідеальні результати.
Проте у співпраці з людиною нейромережі вже творять чудеса.
У виробництві
На заводах та фабриках штучний інтелект може здійснювати контроль якості продукції або прогнозувати зношування обладнання.
У компанії Caterpillar, яка виробляє будівельну і гірничодобувну техніку, нейромережа нагадує , коли час чистити корпуси своїх кораблів. Це допомагає запобігати поломкам і економить сотні тисяч доларів на рік.
На заводах BMW штучний інтелект визначає шлюб у реальному часі — система зауважує, якщо якась деталь відхиляється від стандартів. Також AI може оцінити, наскільки правильно все змонтовано та попередить, якщо якоїсь деталі не вистачає. BMW була однією з перших компаній, що впровадили AI у виробництво — це зробили ще у 2018 році. Наразі нейромережі задіяні практично на всіх етапах роботи.
Ще один приклад: співпраця Autodesk та General Motors. Компанії спільно розробили AI, що допомагає створити оптимальний дизайн продукції. Нейросеть може врахувати технічні вимоги, обмеження і відразу розрахувати бюджет на нову модель.
У сфері логістики та транспорту
Тут BMW теж досягли успіху: у компанії штучний інтелект допомагає оптимізувати логістику. Він робить точні розрахунки, завдяки яким вдається уникнути перевезення порожніх контейнерів, а отже, заощадити. Ще AI допомагає роботам, які завантажують продукцію, швидко визначати тип об'єкта та не помилятися у роботі.
Для широкого кола споживачів нейромережі у сфері транспорту — поки що дивина. Роботів-кур'єрів намагалися запускати в різних країнах, експерименти почалися в розпал пандемії COVID-19, але широкого поширення технологія поки що не отримала. Те саме можна сказати і про безпілотні автомобілі — повну безпеку, враховуючи непередбачувані ситуації на дорозі, гарантувати тут важко. Але, очевидно, це справа часу — AI розвивається дуже швидко.
У медицині та фармацевтиці
Нейросети допомагають лікарям проводити більш точну діагностику. Наприклад, AI здатний визначати рак за знімками МРТ точніше, ніж звичайні лікарі. Людина може помітити незначні відхилення на ранніх стадіях, а AI це побачить. Технологію вже застосовують у багатьох галузях медицини, щоб безпомилково розпізнавати хвороби.
Роботи вже використовуються у хірургії — довірити їм самостійну операцію, звісно, не можна, але вони успішно асистують лікарям. Також роботи на основі штучного інтелекту допомагають у реабілітації хворих. А ще розвиток нейромереж — великий крок у бік персоналізованої медицини: система може вивчити всю історію хвороби та запропонувати на її основі найкраще лікування.
Зрештою, здатність AI обробляти величезні масиви інформації вже використовують при створенні нових ліків. Нейросети допомагають оптимізувати склад препаратів та підбирати невідомі раніше комбінації речовин, які можуть бути корисними у медицині.
У фінансах
Штучний інтелект аналізує зміни курсів валют чи цін на акції, робить прогнози на фондових ринках та дає фінансові рекомендації — приватним особам чи великим компаніям.
ML використовують зараз у будь-якій кредитній організації, питання у його складності. Але іноді це простий алгоритм — логістична регресія, а іноді щось просунуте. Існують цілі організації, які надають фінансові послуги на основі AI. Наприклад, Enova за допомогою нейромережі приймає рішення про видачу кредитів приватним особам та малому бізнесу. А компанія Symphony Sensa допомагає фінтех-підприємствам управляти ризиками завдяки точним прогнозам від AI.
У споживчих продуктах
Завдяки технологіям Computer Vision камера смартфона легко фокусується на людях у кадрі, а сам девайс можна розблокувати буквально своїм обличчям. Siri або будь-який інший голосовий помічник розуміє вас із півслова, а ChatGPT знає відповіді на будь-які питання. Вбудована в Adobe Photoshop нейромережа легко домальовує недостатні частини зображення, а PowerPoint — підбирає картинки для презентацій за словами на слайдах. Настав час, коли AI вже суттєво спрощують наше повсякденне життя, і це лише початок.
Ключові навички та професії
ІТ-фахівцям у галузі ML потрібен сильний математичний бекграунд, навички розробки, щоб виводити моделі у продакшн, а також знання ключових технологій машинного навчання.
Зібрали у таблиці найважливіші навички, які потрібні у сфері AI.
| Мова/компетенція | Навіщо потрібно |
| Python | Основна мова в Data Science точно знадобиться і з неї найлегше стартувати. |
| SQL | Обов’язковий для тих, хто працює з табличними даними, рідше важливий для NLP/CV/Audio. |
| C++ | Потрібен в окремих випадках, поширений при роботі з роботами, Computer Vision, в роботі з фінансами. |
| Бібліотеки TensorFLow, Keras, PyTorch | Найбільш поширене ПЗ для ML. Але є ще багато інших бібліотек, з якими, можливо, доведеться мати справу. |
| Практики MLOps | Затребувані для управління життєвим циклом моделі: багато хто може робити моделі, але мало хто може їх інтегрувати у бізнес процеси замовника. Тому часто AI проекти згортають на стадії прототипу. |
| Вишмат (лінійна алгебра, математичний аналіз, теорія ймовірності та математична статистика) | Доведеться вивчити для будь-якої роботи з AI — інакше не зрозуміти, про що йдеться. |
Це головні скіли, які дозволять працювати з AI.
А назви професій можуть змінюватись в залежності від компанії. У великих tech-компаніях, які можна порівняти з FAANG, зазвичай використовують такий поділ:
- Research Scientists — це не айтішники, а вчені, які вигадують нові технології;
- Research Engineers — інженери-дослідники, працюють на стику науки та розробки;
- Machine Learning Engineers — інженери, які навчають нейромережі та роблять готові сервіси.
- Data Engineer — працюють з даними і використовує AI для їх обробки, потім передає дані фахівцям з Data Science;
- Data Scientists — займаються аналітикою, черпають інсайти з даних та допомагають з прийняттям рішень;
- Solution Architects, що спеціалізуються на ML — досвідчені фахівці, які пройшли шлях інженера, відповідають за архітектуру сервісу на основі ML.
- Prompt Engineer — це гуманітарії в ІТ, які допомагають навчати нейромережі: вони працюють з інформацією та текстами і домагаються того, щоб за потрібним запитом нейромережа видавала коректний результат;
- Менеджер в AI — професія на стику технологій та продажів. Основне завдання — робота з ризиками невизначеності: кожен проект в AI не дає 100% передбачуваного результату, і це треба контролювати в команді та пояснювати клієнту. На цій позиції потрібні верхньорівневі знання про всі новинки та можливості AI.
Іноді ці ролі мають додаткові спеціалізації. Наприклад, Computer Vision Engineer або Natural Language Processing Engineer. Але так відбувається не завжди, часто один фахівець може працювати з різними доменами — між ними неважко перемикатися, маючи базові знання та навички в AI.
Де цьому можна навчитися: курси для старту у професії
AI — велика та складна сфера, не кожен курс дасть всю вичерпну інформацію для роботи. Швидше за все, потрібно вибрати кілька курсів, щоб охопити всі компетенції. І, звісно, ніхто не скасовував самоосвіти: підписуйтесь на блоги професіоналів, читайте новини на Deeplearning.ai. Якщо ви всерйоз вирішили стати фахівцем в AI, можна розглянути такі програми навчання.
Перед початком навчання корисно зареєструватися в Studio Lab від Amazon. Компанія надає безкоштовні хмарні Notebooks — робочий простір для навчальних проектів та експериментів. І обов’язково підпишіться на Youtube-канал Machine Learning University: там короткі уроки — до півгодини на вузькі теми. Стануть в нагоді, коли вже почнете займатися, але захочете повторити матеріал або послухати пояснення іншими словами.
Серія «Машинне навчання» від Edureka
Це кар'єрний трек із 10 коротких навчальних програм. З них п’ять — повноцінні курси з живими дзвонами двічі на тиждень по 3 години. А ще п’ять — безкоштовні додаткові курси, які можна слухати самостійно у будь-який зручний час.
Сумарно на вас чекає понад 200 годин навчання та 6 практичних завдань на основі реальних кейсів — ці проекти можна буде показати в портфоліо. І це не вся практика — у міру проходження курсу виконати ще 40 завдань для закріплення матеріалу.
Студенти вивчають:
- основи Data Science та статистики;
- програмування на Python;
- принципи роботи ІІ та поширені алгоритми;
- будову та перспективи ChatGPT;
- бібліотеку PySpark.
Докладне прев’ю доступне на YouTube:
Вартість всього курсу — $1499.
Курс «AWS Machine Learning інженер» та інші курси на Udacity
На платформі Udacity є багато курсів з AI — можна проходити їх у своєму темпі та поступово освоюватись у новій сфері. Для початку підійде курс з Machine Learning за допомогою Amazon Web Services — це середовище для завантаження програм, що надає широкий набір інструментів роботи з AI. Якщо ви готові витрачати на заняття до 10 години на тиждень, навчання можна завершити за 5 місяців.
Студенти на курсі:
- дізнаються про принципи Machine Learning;
- створюють власний воркфлоу машинного навчання;
- розбираються в Deep Learning NLP і CV;
- роблять фінальний проект: навчають ІІ для роботів, які мають ідентифікувати та переміщати предмети у центрі дистрибуції.
Слухачі отримують фідбек від викладачів та доступ до студентського ком’юніті, де можна вчитися у досвідченіших колег.
Доступ до курсу на 5 місяців буде коштувати $1695.
Якщо ви налаштовані серйозно, на Udacity зручно буде зібрати пакет із різних курсів — у каталозі є окремі програми навчання з Deep Learning, NLP, CV. Вибирайте, що вам цікаво.
Курс «Спеціалізація Машинне навчання» та інші курси від Deeplearning.ai
Курс з машинного навчання для новачків — спільна розробка компанії Deeplearning.ai та Стенфордського університету. Навчання проходить на платформі Coursera, там можна подивитися розгорнуту програму. Курс займе до 3 місяців, при цьому на навчання може знадобитися до 9 години на тиждень. Можна слухати лекції в будь-який зручний час і складати завдання, які перевіряє куратор.
TIP від Adviser: Заощаджуйте до 80% на освіті з підпискою Coursera Plus, що дає необмежений доступ до 7000 курсів, проектів, спеціалізацій та сертифікацій на платформі.
Студенти дізнаються:
- як проходить машинне навчання з учителем;
- як будувати моделі на Python;
- які є просунуті алгоритми навчання;
- чим відрізняється навчання без вчителя та як будувати такі моделі.
Треба мати на увазі, що це вступний курс — професіоналом за 2,5 місяці з нуля не стати. Але в каталозі Deeplearning.ai ще багато програм, на яких можна продовжити навчання.
Вартість вступного курсу на Coursera: $49 на місяць. Перші 7 днів можна спробувати вчитися безкоштовно, щоб оцінити рівень та подачу матеріалу.
Курс «Машинне навчання від А до Я» на Udemy
У програмі — понад 40 годин відеолекцій та 39 статей для самостійного навчання. Коли заняття закінчаться, доступ до матеріалів залишиться у вас назавжди. Для вступу на курс рекомендують добре знати шкільну програму з математики інших вимог немає.
Слухачі освоюють:
- ази програмування на Python;
- ази програмування мовою R;
- основні етапи процесу машинного навчання;
- алгоритми Natural Language Processing;
- концепція Deep Learning.
Вартість курсу: $17.
У відгуках студенти наголошують на доступності викладу матеріалу.
Програма навчання «Основи AI та машинного навчання» на Codecademy
Це набір коротких курсів, сумарно навчання триватиме 2 місяці. На платформі можна слухати теоретичні лекції, проходити інтерактивні тести та виконувати практичні завдання з покрокових відеоінструкцій. Програма підходить для навчання з нуля. Вичерпних знань за 2 місяці не дадуть, але можна зробити перші кроки у професії — і навіть створити два проекти в портфоліо.
Студенти на курсі:
- розуміються на принципах ML/AI;
- освоюють програмування на Python;
- тренуються в аналітиці даних;
- працюють із бібліотекою Pandas;
- отримують необхідні знання з математики та статистики.
Доступний безкоштовний пробний період 7 днів, далі вартість навчання $14 на місяць.
Курс «Машинне навчання» на Ods.ai
Програма розрахована на підготовлених слухачів: потрібно мати Python і знати математику. Це безкоштовний курс, але досить великий і неповерхневий: там є багато корисної інформації в доступному викладі. Один мінус — навчання самостійне, без викладачів та кураторів. Без фідбеку освоювати ML важко. Але якщо ви плануєте працювати з ментором і він готовий відповідати на технічні питання, це теж непоганий варіант.
В програмі:
- основи аналізу даних;
- ключові концепції ML;
- приклади побудови різних моделей та вправи для практики;
- специфіка машинного навчання без учителя.
Курс відкритий, відеолекції можна переглядати безкоштовно.
Курс«Стійке машинне навчання» на Educative
Це невеликий курс, який можуть вбудувати у свій план навчання ті, хто вже щось знає про ML. Якщо ви розібралися в теорії та вивчили Python, але не маєте досвіду випуску реальної програми у продакшен, ця навчальна програма допоможе перейти від прототипів до реальної роботи.
Це курс у текстовому форматі з упором на практику: у програмі понад 30 інтерактивних вправ, що різняться за обсягом та складністю. Тривалість занять — 8 годин.
Студенти дізнаються:
- як зробити ML стійким;
- які є найкращі та найгірші практики;
- як тестувати ML-програми.
На Educative є безкоштовний пробний період 7 днів. Якщо потрібно більше часу, підписка з помісячною оплатою коштує $59 на місяць. Вона відкриває доступ до всіх навчальних програм платформи — там є й інші курси з ML.
Як додатковий помічник у навчанні можна використовувати ChatGPT — так роблять навіть серйозні айтішники, щоб, наприклад, прокачатися у вышмате. Встановіть плагін Tutory: з ним ChatGPT допоможе скласти план навчання під ваші потреби та рухатися ним. А ще у нейромережі, на відміну від живої людини, міцні нерви: можна по двісті разів питати будь-які дурниці, не боячись засудження.
«Мені тільки подивитись»: курси для знайомства зі сферою AI
Якщо поки що не готові витрачати багато часу та грошей на навчання або просто сумніваєтеся, що кар'єра в AI вам точно підходить, можна пройти якийсь невеликий курс. Так ви отримаєте загальне уявлення про професію та вирішите, куди розвиватися далі.
Курс «Машинне навчання та основи Python» на Udemy
Це короткий курс на 3 години, який надасть оглядову інформацію про напрямки AI та ML.
Студенти дізнаються:
- історію розвитку штучного інтелекту та основні поняття;
- основи програмування на Python;
- принцип побудови моделей на Python;
- перспективи ІІ.
Вартість курсу $12,99
Курс «Введення в машинне навчання» на Coursera
Навчальна програма IBM тривалістю 7 годин підійде для поверхового знайомства з ML.
Студенти знайомляться:
- з історією ІІ;
- із життєвим циклом моделей машинного навчання;
- принципами навчання з учителем та без вчителя;
- основними поняттями науки про дані.
Прослухати відеолекції цього курсу можна безкоштовно. А якщо хочете скласти тест та отримати сертифікат — вартість $29.
Що далі: шлях від курсів до першої роботи
ML — одна з найскладніших сфер в ІТ, переважно тому, що технології тут дуже швидко змінюються. Але перспективність того вартий — як мінімум, фахівців зі штучного інтелекту найближчим часом не замінить штучний інтелект. І навіть високий поріг входу в індустрію можна подолати, в середньому, за рік, якщо старанно вчитися. Звичайно, все дуже індивідуально, але знання в будь-якій іншій галузі IT стануть великою підмогою.
Наші експерти підтверджують, що для повноцінного навчання з нуля потрібно не менше 9-12 місяців — якщо справді багато часу приділяти навчанню. Втім, у володарів якогось математичного бекграунду справа йтиме швидше. Варто пам’ятати, що робота в ML — все ще не найскладніша у світі.
Коли вибираєте навчальні програми, завжди звертайте увагу на спікерів: важливо, щоби це були практикуючі фахівці. І, звичайно, якщо хочете досягти успіху в новій сфері, важливо стежити за новинами, спілкуватися з професіоналами та щиро цікавитися індустрією — а не просто прослуховувати курси між справою. А те, що сфера швидко змінюється — частково перевага: багато знань можна добирати вже на практиці, в процесі роботи.
Щоб влаштуватись на першу роботу, можна показати пет-проекти на Github. Від вас тут не потрібно проривних ідей: робіть те, що вже існує, використовуючи різні підходи. Можна створити свій ChatGPT або систему комп’ютерного зору, яка визначає, скажімо, погоду з вашої вебкамери, встановленої біля під'їзду. А ще варто брати участь у хакатонах та змаганнях: там рекрутери та лідери проектів шукають талановитих новачків. Змагання в області ML регулярно проводить Kaggle .
Кар'єра в ІТ майбутнього. Топ-7 професій, яким потрібно навчатися у 2023 році
Кар'єра в ІТ майбутнього. Топ-7 професій, яким потрібно навчатися у 2023 році
Як пройти інтерв’ю з майбутнім роботодавцем? 8 курсів для підготовки до технічних співбесід з Java, Python, SQL
Як пройти інтерв’ю з майбутнім роботодавцем? 8 курсів для підготовки до технічних співбесід з Java, Python, SQL
Читайте головні ІТ-новини країни у нашому Telegram
Читайте головні ІТ-новини країни у нашому Telegram
