«Я не тороплюсь, но всё ближе к работе в Data Science»: история Станислава

«В IT я давно, но несколько лет назад заинтересовался ИИ»: о карьере

Я учился в институте на специальности, связанной с автоматизацией техпроцессов и производств. Мы изучали микроконтроллеры и системы управления, которые применяют в промышленности и в быту, — например, для автоматического управления освещением или инженерными сетями в зданиях.

Во время учёбы я уже работал по специальности. А после получения диплома немного поменял направление деятельности — с автоматизации техпроцессов на автоматизацию бизнеса. Работал на проектах Oracle Siebel CRM. Делали коробочное решение для крупных российских банков.

Сейчас я разработчик в иностранной компании. Мы делаем процессинговую систему для топливных карт. Я дорабатываю терминальный софт. У нас в России тоже есть подобные системы — «Лукойл», «Интеркарт».

В общем, в IT я уже давно, но машинным обучением и искусственным интеллектом заинтересовался в 2018–2019 гг. Мне всё чаще попадались статьи на «Хабре» или в ленте новостей: о том, что сгенерирована картинка по текстовому описанию, или о том, что кота скрестили с собакой с помощью ИИ... Всё это было очень интересно, и я подумал, что неплохо бы мне перейти в эту сферу. Для этого нужно было пройти структурированное обучение от людей, которые работают в этой области, — чтобы не просто нахвататься обрывочных знаний, а получить хорошую базу.

Я обратил внимание на курс Data Scientist Pro (так он тогда назывался) от Skillbox. Там были лекторы по разным направлениям из интересных компаний. Программа курса была очень разнообразной, и я решился — приобрёл его в 2020 году.

«Я учился долго, но специалисты по ИИ стали ещё более востребованы»: об обучении

Проходил я этот курс долго — четыре года. Был загружен на работе и не был готов полностью пожертвовать свободным временем, чтобы быстро-быстро изучать все модули и сдавать работы. Решил, что лучше двигаться медленно, досконально разбираться во всём и погружаться в задачи. И вот наконец курс полностью пройден, и я защитил два дипломных проекта.

Модули, которые были в начале, давались мне легко. Python и работа с данными проблем не вызывали. Сложности начались, когда стали проходить нейросети, где много математики «под капотом». Пришлось потратить немало времени, чтобы настроить модель на достаточно точный результат.

Сложнее всего было справиться с техническими ограничениями. Компьютер у меня тогда был не самый мощный, а дипломный проект я делал в Google Colab — это облачная среда для работы с кодом, которой часто пользуются специалисты в сфере Data Science. В бесплатной версии запуск шёл на удалённой машине, модель обучалась с перебоями и иногда просто «падала». Ушло много времени, но зато я получил ценный опыт: научился настраивать и корректировать архитектуру нейросетей.

Я выбрал готовую архитектуру и занялся её дообучением: читал документацию (вся, конечно, на английском), искал статьи с похожими задачами, разбирался, как делать fine-tuning-модели. Это кропотливая, почти исследовательская работа — но она действительно даёт понимание о том, как всё устроено внутри.

Читайте также:

Что такое нейросеть и как она работает

«Потратил много времени, но результатом доволен»: о финальных проектах

Мой первый проект был связан с онлайн-кинотеатром, который придумал Skillbox, — «Самые зрелищные сериалы РФ». Идея такая: нейросеть оценивает сериалы по реакции зрителя. Например, человек смотрит «Короля Льва», а система отслеживает выражения его лица — злость, интерес, радость, разочарование.

Мне выдали датасет — фотографии с эмоциями, которые нужно было разметить по девяти базовым состояниям. Но данные оказались далеко не идеальными: дубли, странные ракурсы (например, видно только нос и ухо), разный размер и качество изображений, противоречивая разметка. Пришлось всё аккуратно вычищать, готовить и нормализовать.

Я подключил нужные библиотеки, загрузил датасет в ноутбук, почистил и начал собирать прототип нейросети на базе архитектуры ResNet.

Второй проект был связан с рекомендательными системами. Я делал её для пользователей онлайн-гипермаркета Instacart. Один покупает набор здорового питания, второй — дешевый джанк фуд, третий — ещё что-то. И вот на базе прошлых покупок нужно выстроить рекомендации. С помощью коллаборативной фильтрации библиотеки я делал нейросеть, с помощью которой можно было учитывать привычки и метрики качества.

«Рынок труда изменился»: о поиске работы

Сразу после вуза я начал активно пользоваться HeadHunter — и долгое время это отлично работало. У меня инженерная специальность, напрямую с IT не связана, но это не помешало устроиться на позицию, где нужно было работать с CRM-системами. Тогда никто не рассматривал резюме под лупой: если видели подходящий опыт, приглашали на собеседование.

Сейчас всё по-другому. Рынок перегрет, откликов на вакансии сотни, и эйчарам просто физически сложно отобрать релевантных кандидатов. Я бы, наверное, на их месте делал перезапуск вакансии — чтобы отсеялись случайные отклики и остались те, кому действительно интересно. Хотя понимаю, почему так происходит: многие шлют резюме на всё подряд и не всегда оценивают свои навыки и соответствие позиции. Это усложняет поиск для всех — и для соискателей, и для работодателей.

Резюме на HeadHunter словно уходят в никуда. Меня даже на собеседование ни разу не позвали.

Сейчас планирую рассмотреть другие варианты поиска работы — в профильных телеграм-каналах, в сообществах дата-сайентистов. А я участвовал в вебинарах по поиску работы от Центра карьеры Skillbox. С моим персональным менеджером мы общаемся, корректируем резюме, обсуждаем варианты. Уверен, что и это тоже сработает. Просто делаю поправку на то, что сейчас лето, сезон отпусков.

Плюс сказывается макроэкономическая нестабильность. Многие компании запускают проекты в области Data Science и искусственного интеллекта, формируют команды, набирают опытных специалистов. Но если проект не начинает приносить быструю прибыль или его сложно продать клиентам, его могут свернуть уже на старте.

Читайте также:

Грамотный поиск работы для новичков: 6 ключевых шагов

«Эта сфера стремительно развивается, и нужно ещё и учиться самому»: о работе в области ИИ

Сейчас я в поиске работы в сфере искусственного интеллекта — хочу применить полученные знания на практике. Я понимаю, что рынок меняется очень быстро: появляются новые нейросети, растёт количество задач, обновляются библиотеки.

Чтобы оставаться востребованным, нужно постоянно учиться и подтягивать свои навыки под актуальные требования. Это нормально — я воспринимаю это как часть профессии.

Например, я делал проект по распознаванию эмоций с помощью сверточной нейросети — всё строилось на старых версиях библиотек. Если сейчас делать такую же задачу для реального заказчика, придётся пересобирать код: что-то переписать, что-то убрать или добавить, чтобы он соответствовал текущим требованиям и работал стабильно.

Многое зависит от проекта и заказчика. Скажем, если это система распознавания лиц с уличных камер — такая, что работает на всю Россию, с высокой нагрузкой и тысячами пользователей, — тут лишние обновления могут только навредить. Любая попытка модернизации может привести к сбоям. Поэтому такие продукты дорабатывают не в техническую глубину, а в сторону взаимодействия с заказчиком.

А вот если продукт работает в конкурентной нише и нацелен на массового пользователя — как, например, генераторы дизайнов или видео в Telegram-ботах, — его постоянно улучшают, дополняют, дорабатывают. Там без быстрых обновлений просто не выжить.