Как начать карьеру в сфере ИИ на разных этапах жизни

Согласно отчету Всемирного экономического форума, количество вакансий в области искусственного интеллекта и машинного обучения к 2030 году увеличится более чем на 80%. Это делает направление одним из самых перспективных для профессионального развития.

Начать карьеру в этой сфере можно на разных этапах жизни, и точка входа и порядок действий будут различаться. Рассмотрим три варианта: школьника до поступления в вуз, заканчивающего бакалавриат по другому направлению студента, взрослого человека с карьерой в иной сфере.

Важно отметить, что вне зависимости от возраста и этапа жизненного пути, людям, пожелавшим связать свою профессию с машинным обучением и искусственным интеллектом, стоит понимать особенности этого бурно развивающегося направления. Поскольку технологии и подходы эволюционируют очень быстро, обучаться тоже нужно непрерывно. Образование не заканчивается в моменте, когда человек получил очередную корочку, а его приняли на работу младшего исследователя или младшего инженера. Это происходит постепенно. И если у человека есть способности и желание, то он с этим справится.

В работе с машинным обучением (МО/ML) и искусственным интеллектом (ИИ) есть две большие роли, которые важно различать.

Исследователь ИИ

Исследователь ИИ самостоятельно или в команде занимается более научными вопросами технологии. Обычно он берет не совсем четко поставленную задачу и занимается поиском наилучшего способа ее решения: разрабатывает методологию, выбирает модели, проводит их оценку на имеющихся данных, анализирует результаты и старается их улучшить. Это научно-исследовательская работа, которая далеко не всегда приводит к готовому для практики результату. Зато успех способствует качественному росту понимания работы моделей и приращению научного знания.

Такие специалисты могут работать в научно-исследовательских институтах, вузах или RnD-отделах крупных компаний. Согласно информации «Хабр карьеры», ученый, по данным, в среднем получает около ₽220 тыс. в месяц, специалист по AI — порядка ₽208 тыс. В исследовании рынка труда Antal talent вилка зарплат для RnD-инженера составляет от ₽230 тыс. до ₽570 тыс. в месяц.

В зависимости от выбранного карьерного трека доход будет формироваться по-разному. Если в частном бизнесе это стандартные зарплата плюс премия, то при работе в научном центре при вузе на доход влияют выплаты за преподавательскую деятельность, научное руководство, участие в грантах, публикации в международных журналах, академические достижения, стаж и другие аспекты. Реальные цифры зарплаты различаются от региона к региону и сильно зависят от активности кандидата.

ML-инженер

ML-инженер больше взаимодействует с готовыми моделями. Его задачи практические: интегрировать конкретные решения в продукты и сервисы, чтобы улучшить пользовательский опыт. Например, сделать так, чтобы модель для маркетплейса помогала генерировать описание карточек товаров, автоматически замазывала номера автомобилей на фото или выступала в роли модератора, находя дубли объявлений или нарушение правил платформы. Здесь результат более предсказуемый и понятный: новая фича на основе модели позволяет сэкономить компании какое-то количество денег или улучшить опыт пользователей на сколько-то процентов по внутренним метрикам бизнеса.

ML-инженеры обычно работают в крупном бизнесе и, по данным исследования рынка труда Antal talent, могут рассчитывать в среднем на зарплату от ₽220 тыс. до ₽480 тыс. в месяц. Согласно информации на сайте «Хабр карьера», средняя зарплата ML-разработчика составляет около ₽215 тыс.

Другие направления

Существуют и другие направления. Например, MLOps-инженер обеспечивает для моделей автоматизированное развертывание, мониторинг и поддержку, а также общее управление ML-инфраструктурой. Это важно, потому что у технологических гигантов под капотом уже тысячи моделей, которыми управлять вручную крайне затруднительно. По данным «Хабр Карьеры», их средняя зарплата — ₽237 тыс. в месяц. Но ключевых ролей все-таки две: исследователь и ML-инженер.

Фундаментальное образование — важный аспект для профессий в области ИИ. Если у человека есть способности к математике и программированию, то можно пробовать поступить на математический факультет или факультет с фундаментальной информатикой, чтобы развить способности к критическому мышлению, пониманию алгоритмов, структур и вычислений. В классических вузах — МФТИ, МГУ, ВШЭ и других — хорошие программы, тем более в России традиционно очень сильна школа математики и кибернетики.

Математический анализ, линейная алгебра, матрицы, векторные пространства, теория вероятностей, статистика и другие базовые дисциплины помогут смотреть на ИИ как на понятную область со своими законами и причинно-следственными связями, а не просто как на магический ящик.

Параллельно с математическими дисциплинами стоит изучать программирование. В первую очередь пригодится Python. Это самый распространенный язык программирования в сфере ИИ, на нем написано большинство библиотек для МО.

Гораздо реже в сфере используется С++. На нем работают специалисты, которым нужно решать сложные высокопроизводительные вычислительные задачи. Обычно они входят в сферу задач MLOps. Для всех остальных знание Python более чем достаточно.

Если человек уже отучился в бакалавриате по совсем другому направлению, скорее всего, у него не будет времени, чтобы четыре года дополнительно погружаться в фундаментальную математику. Тогда можно поступить в магистратуру на направления, связанные с data science, например в «Сколтех». И дальше два года посвятить изучению непосредственно ИИ и его применению в разных областях. Здесь же будут курсы по разным видам машинного обучения.

Параллельно необходимо изучать Python и определяться с направлением карьеры: работать в будущем исследователем ИИ или ML-инженером. От этого зависит то, как факультативно развивать свои навыки и куда двигаться.

Например, исследователю ИИ будет полезно следить за научными конференциями из списка CORE Conference Ranking, среди которых — NeurIPS, ICLR, ICML, AAAI, ACL, EMNLP. Мир искусственного интеллекта глобален и быстро развивается, поэтому ориентироваться стоит на главные мировые события. За публикациями российских ученых на этих конференциях можно следить в блогах ведущих университетов и научно-исследовательских организаций, включая AIRI, ИСП РАН, НИУ ВШЭ, «Сбер», МФТИ, «Яндекс», «Сколтех» и другие. Чтобы понять, как все устроено, можно самостоятельно начать с участия в событиях на базе российских вузов — не только в конференциях, но и в открытых семинарах, воркшопах и хакатонах, о них организации обычно объявляют в соцсетях.

Не менее важно публиковаться в высокорейтинговых научных журналах и сборниках по итогам конференций. Чем больше людей прочитают научные статьи автора, тем больше пользы будет для его будущей карьеры и возможности работать над крупными проектами.

Но публикации — это не только про карьеру. Если человек занимается наукой, то основная цель здесь — получить новые знания и рассказать о них миру. Пирамида научного знания строится за счет труда множества людей. Внося свой кирпичик в основание «здания», мы надеемся на существенное развитие отрасли в будущем.

Универсальный совет для студентов: начинать с научных соревнований по своей области интересов (анализу текстов, компьютерному зрению, обучению с подкреплением). Такие соревнования можно найти на платформе Kaggle, на воркшопах ведущих конференциях в области (например, воркшоп SemEval при ACL или соревнования NeurIPS) или в социальных сетях организаторов, которыми часто становятся научно-исследовательские команды. Авторы предлагают конкретную задачу, предоставляют под нее данные и говорят, каким способом будут оцениваться результаты. Чаще всего есть базовое решение и натренированный метод. Задача участника — попробовать улучшить проект. Если результат успешный, можно писать научную статью и развивать навыки представления результатов для широкой публики.

У МО и ИИ очень широкая сфера применения. Сегодня развиваются много прикладных проектов в химии, физике, биологии, гуманитарных науках. Чтобы решения работали в жизни, мало исследователей ИИ и ML-инженеров. Нужны люди, глубоко знающие практическую сторону вопроса в конкретной предметной области. Поэтому в команды, например, по медицинским проектам входят также врачи и специалисты смежных областей — бывшие медики или люди с соответствующим образованием. Они изучили Python, МО, понимают особенности работы ИИ и могут разговаривать на одном языке как с математиками и кибернетиками, так и с врачами. Эти специалисты выступают своего рода переводчиками, объединяющими два непохожих друг на друга мира. То же самое касается перехода в МО и ИИ из гуманитарных направлений: филологи, экономисты и искусствоведы также помогают наводить мосты со своими «родными» специальностями, используя вновь приобретенные технические навыки. Еще одной логичной точкой входа является направление промпт-инженерии, где зачастую требуется только подбирать правильные инструкции для языковых моделей, чтобы они решали задачи лучше.

Сегодня подобный переход абсолютно нормален и не выглядит чем-то специфическим. Согласно исследованию Всемирного экономического форума, к 2030 году создание новых и сокращение старых рабочих мест затронет 22% от всего рынка труда. В мире появится 170 млн рабочих мест, а 92 млн исчезнет.

У взрослого специалиста могут быть карьера, семья, финансовые обязательства, которые не позволяют вновь проходить путь обучения в вузе на дневном отделении. При должной мотивации можно поступить на связанные с ИИ направления «Яндекс Практикума» и других онлайн-университетов и учиться в свободное от основной работы время. Также можно смотреть курсы на Coursera и Hugging Face (особенно HuggingFace NLP Course, в котором можно найти все, что нужно для устройства на позицию NLP-стажера), ролики Андрея Карпатого, где простым языком объясняется вся подноготная машинного обучения и NLP. Для лучшего понимания классического NLP подойдет NLP course for you Лены Войты, а для освоения базовой математики и линейной алгебры — сайт Mathprofi.

Специалистам для полноценной работы нужны хорошие знания Python и классических алгоритмов ML, а также английский язык. Что касается стека технологий, то в 2025 году для написания экспериментов используют преимущественно PyTorch, для обучения языковых моделей — Transformers/Unsloth, для инференса — vLLM, для построения RAG-систем — LangChain/LlamaIndex/Faiss.

Один из ключевых факторов успеха при поиске работы — возможность продемонстрировать свои навыки. Например, можно создать собственного чат-бота на основе ваших сообщений в Telegram. Используя Unsloth на Google Colab, вы сможете обучить диалоговую модель, сквантовать ее с помощью llama.cpp и запустить на обычном ноутбуке через Ollama. В итоге вы получите возможность пообщаться со своим собственным чат-ботом, практически без программирования.

Когда базовый стек освоен, есть пет-проекты, дальше можно целенаправленно искать себя в направлениях на стыке своей базовой специальности и ИИ. Эта позиция будет ближе к прикладной сфере и работе ML-инженера, чем исследователя ИИ. Но если ориентироваться на самые денежные индустрии, то сегодня это финансы и рекомендательные системы. Более точные алгоритмы построения рекомендаций нужны многим — на них завязаны, например, вся современная реклама, музыка и алгоритмические ленты в соцсетях.

За пробел в фундаментальной математике первое время можно сильно не беспокоиться. На уровнях стажера и джуниора эти знания необязательны. А пока специалист доберется до более высоких должностей, он либо передумает и выберет другую сферу работы, либо искренне увлечется ИИ и увидит для себя смысл в том, чтобы подтянуть базу. Дальнейший переход из позиции ML-инженера в исследователя ИИ не будет проблемой.