Искусственный интеллект и языковые модели: с чего начать

Ещё недавно словосочетание «искусственный интеллект» означало исследовательскую лабораторию, а сегодня оно стоит в описаниях вакансий у банков, ритейла и промышленных компаний. Причина — большие языковые модели: программы, обученные предсказывать продолжение текста и научившиеся попутно рассуждать, переводить, писать код и извлекать смысл из документов.

Вокруг них за короткое время выросла целая полка профессий. Часть из них требует серьёзной математики, часть — нет, и различить их до того, как вы заплатите за программу, важнее всего остального. Этот гид разбирает вход по шагам: что происходит внутри моделей, какая база нужна на старте, чем отличается обучение искусственному интеллекту в формате интенсива от полноценной программы и по каким признакам выбирать школу.

Чтобы сразу видеть масштаб выбора, начнём с короткой выборки из каталога.

Что такое большие языковые модели и откуда взялись новые роли

Языковая модель — это система, которая по предыдущему тексту предсказывает следующий фрагмент. Обучается она на огромных массивах текстов, а знания хранит не в виде базы фактов, а в виде весов — числовых коэффициентов, настроенных в процессе обучения. Отсюда две главные особенности, из которых вырастают все рабочие задачи.

Первая: модель не знает, где кончается её знание, и одинаково уверенно выдаёт и точный ответ, и выдуманный. Значит, кто-то должен строить проверку и оценку качества. Вторая: свежих и внутренних данных компании в модели нет. Значит, кто-то должен подключать её к корпоративным документам и базам так, чтобы ответ опирался на реальные источники.

Из этих двух потребностей и сложились роли. Инженер по машинному обучению отвечает за модели и данные. Инженер по ИИ-решениям собирает продукт вокруг готовой модели: поиск по базе документов, помощник для поддержки, разбор входящих обращений. Специалист по оценке качества готовит наборы примеров и проверяет, стало ли лучше после изменений. Аналитик данных остаётся рядом и часто становится точкой входа в отрасль для тех, кто приходит из другой профессии.

Какая база нужна на входе

Здесь честный ответ зависит от того, какую роль вы выбрали, и разница огромна.

Для работы с готовыми моделями достаточно уверенного Python, понимания того, как программы обмениваются данными через программный интерфейс, и умения аккуратно ставить задачу текстом. Математика на этом уровне нужна на уровне школьной.

Для инженерии моделей база другая: линейная алгебра, теория вероятностей и статистика, основы оптимизации. Без них устройство обучения останется набором заклинаний, и вы не сможете понять, почему модель ведёт себя не так, как ожидалось.

Первый практический проект стоит выбрать простой и полезный: помощник, который отвечает на вопросы по вашим собственным документам. Вы соберёте поиск по файлам, подстановку найденного в запрос и проверку ответа на выдумки — и пройдёте через все типовые сложности области на маленьком масштабе. Такой проект показывают на собеседовании чаще, чем любой учебный ноутбук из лекции.

Отдельный навык, который недооценивают, — работа с данными. Большая часть времени в реальных проектах уходит не на модель, а на сбор, чистку и разметку того, на чём она учится и на чём проверяется. Если эта часть вызывает отторжение, стоит честно посмотреть в сторону прикладных ролей.

Как выбрать программу

Обучение искусственному интеллекту сегодня продают и в виде трёхнедельного интенсива, и в виде годовой программы с дипломом. Оба формата имеют право на жизнь, но решают разные задачи. Проверяйте пять вещей.

• Что именно вы соберёте своими руками. В хорошей программе на выходе есть работающий проект: помощник по базе документов, классификатор обращений, система оценки ответов. Если в описании только лекции — портфолио не появится.
• Есть ли математический блок. Для инженерных ролей его отсутствие — красный флаг. Для прикладных, наоборот, лишний вес и лишние месяцы.
• Кто проверяет работы. Живой преподаватель с разбором вашего кода стоит дороже автотестов и того стоит.
• Когда обновляли программу. Область меняется быстро, и материал двухлетней давности местами описывает уже несуществующие практики.
• Документ и поддержка при трудоустройстве. Диплом о профессиональной переподготовке нужен тем, кто меняет сферу формально; сертификата школы обычно хватает для роста внутри компании.

Выбор редакции

Нейросети на практике

Moscow MBA ·2 мес.

69 900 ₽ 116 500 ₽ −40% Смотреть программу

На сайт школы

• Работа с нейросетями Бруноям 39 500 ₽
• Нейросети для финансистов Eduson Academy 68 700 ₽ 229 000 ₽ −70%
• Бизнес-консультант +ИИ Eduson Academy 106 500 ₽ 355 000 ₽ −70%
• Нейросети для работы Яндекс Практикум 66 500 ₽
• Нейросети для дизайнеров и художников (Москва) HSE Design 50 000 ₽

Все курсы в каталоге

Сколько платят и где работать

Приводить конкретную вилку было бы нечестно. Публичной статистики именно по этим ролям пока нет: должности называются по-разному в каждой компании, много проектной занятости, а объявления о вакансиях меняются от недели к неделе и статистическим источником не являются.

Зато понятно, от чего доход зависит. Первое — глубина роли: сборка решений на готовых моделях оплачивается ниже, чем обучение и оптимизация собственных. Второе — цена ошибки в отрасли: финансы, медицина и промышленность платят больше именно поэтому. Третье — способность довести проект до работающего продукта, а не до демонстрации.

Нанимают такие специалистов продуктовые ИТ-компании и разработчики корпоративного софта, банки и страховые, телеком-операторы, маркетплейсы и крупные розничные сети, исследовательские подразделения университетов, а также интеграторы, которые внедряют решения под заказ. Самый плотный рынок — в Москве, но программы дистанционные, и значительная часть вакансий открыта для работы из любого города России.

Окупаемость считайте сами и без чужих обещаний: разделите цену выбранной программы из подборки выше на ожидаемый месячный доход — получите срок возврата вложения в месяцах.

Где учиться

Смотрите на три вещи: сколько лет школа на рынке, показывает ли она программу по неделям до оплаты и видны ли на её странице конкретные проекты выпускников.

Чем это отличается от соседних направлений

Если по ходу текста стало ясно, что математика и данные — не ваше, это не тупик, а развилка. Прикладная работа с нейросетями как с инструментом даёт результат быстрее и не требует инженерной базы: там задача — встроить готовую модель в рабочий процесс и отвечать за пользу.

Подробный разбор: С чего начать в работе с нейросетями.

Другая соседняя дорога — аналитика данных: те же таблицы и статистика, но без обучения моделей. Третья — разработка, если больше нравится собирать системы, а модель для вас лишь один из компонентов.

Частые вопросы

Можно ли войти без высшего технического образования? В прикладные роли — да, там смотрят на проекты. В инженерные без сильной математики сложно, но её добирают отдельно, и часть программ включает подготовительный блок.

Сколько времени занимает вход? Реалистично — от полугода при регулярных занятиях для прикладного уровня и заметно дольше для инженерного.

Нужен ли английский? Для чтения документации и статей — да, хотя бы на уровне понимания текста. Говорить необязательно.