Как войти в AI и ML. Экспертный гид по профессии: компетенции, курсы, возможности
Хотите обуздать искусственный интеллект быстрее, чем он отнимет у вас работу? Разбираем карьерные возможности и курсы в сфере AI.
Хотите обуздать искусственный интеллект быстрее, чем он отнимет у вас работу? Разбираем карьерные возможности и курсы в сфере AI.
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.
Содержание
Примечание Adviser
В статье есть ссылки партнеров. Это значит, что если вы что-то покупаете с нашей помощью — вы также поддерживаете dev.ua.
При этом редакция и авторы независимы в выборе темы, концепции материала, фокуса описания, подхода к услугам или товарам. Прежде чем что-то советовать, мы много читаем и смотрим по теме, говорим с экспертами.
Редакция может выражать свое мнение и пробовать всё на себе.
Если рекомендательный материал обновляется, мы указываем, что и когда поменялось, в самом начале.
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.
| Язык/компетенция | Зачем нужно |
| Python | Основной язык в Data Science, точно понадобится и с него легче всего стартовать. |
| SQL | Обязателен для тех, кто работает с табличными данными, реже важен для NLP/CV/audio. |
| C++ | Нужен в отдельных случаях, распространен при работе с роботами, в Computer Vision, в работе с финансами. |
| Библиотеки TensorFLow, Keras, PyTorch | Наиболее распространенное ПО для ML. Но есть еще много других библиотек, с которыми, возможно, придется иметь дело. |
| Практики MLOps | Востребованы для управления жизненным циклом модели: многие могут делать модели, но мало кто может их интегрировать в бизнес процессы заказчика. Поэтому часто AI-проекты сворачивают на стадии прототипа. |
| Вышмат (линейная алгебра, математический анализ, теория вероятности и математическая статистика) | Придется выучить для любой работы с AI — иначе не понять, о чем идет речь. |
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.
Перед началом обучения полезно зарегистрироваться в Studio Lab от Amazon. Компания предоставляет бесплатные облачные Notebooks — рабочее пространство для учебных проектов и экспериментов. И обязательно подпишитесь на Youtube-канал Machine Learning University: там короткие уроки — до получаса, по узким темам. Пригодятся, когда уже начнете заниматься, но захотите повторить материал или послушать объяснения другими словами.
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.
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.
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.
TIP от Adviser: Экономьте до 80% на образовании с подпиской Coursera Plus, дающей неограниченный доступ к 7000 курсов, проектов, специализаций и сертификаций на платформе.
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.
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.
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.
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.
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.
Как дополнительного помощника в обучении можно использовать ChatGPT — так делают даже серьезные айтишники, чтобы, например, прокачаться в вышмате. Установите плагин Tutory: с ним ChatGPT поможет составить план обучения под ваши нужды и двигаться по нему. А еще у нейросети, в отличие от живого человека, крепкие нервы: можно по двести раз спрашивать любые глупости, не боясь осуждения.
«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
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.
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.
Карьера в ИТ будущего. Топ-7 профессий, которым нужно учиться в 2023 году
Карьера в ИТ будущего. Топ-7 профессий, которым нужно учиться в 2023 году
Как пройти интервью с будущим работодателем? 8 курсов для подготовки к техническим собеседованиям по Java, Python, SQL
Как пройти интервью с будущим работодателем? 8 курсов для подготовки к техническим собеседованиям по Java, Python, SQL
Читайте главные IТ-новости страны в нашем Telegram
Читайте главные IТ-новости страны в нашем Telegram
