Как я стал AI-специалистом: путь от студенческой лабораторной до оргкомитета AiConf Х

Привет! Меня зовут Александр Абрамов, я руковожу AI-командами  в R&D для b2c в SberDevices, веду канал ^[1] про AI и вхожу в программный комитет конференции AiConf Х ^[2]. В этой статье хочу рассказать о своём пути в мир искусственного интеллекта ^[3]: как одна лабораторная работа по анализу данных определила мою карьеру, зачем нужны соревнования и хакатоны, и почему участие в конференциях важнее, чем просто прокачка резюме. Делюсь опытом ^[4], ошибками, победами и тем, как реально устроен AI в продакшене.

Как всё началось: AI из лабораторной

Всё началось ещё в универе. Однажды мне попалась лабораторная работа по прогнозированию потребления газа — в привычном виде это задача прогнозирования временных рядов. Это было задолго до того, как такие задачи стали называть машинным обучением ^[5]. Тогда всё относили к аналитике, статистическому обучению и подобным вещам. Я решил попробовать: погрузился, сделал работу, и мне неожиданно стало по-настоящему интересно. Причём заинтересовала не столько сама задача, сколько необходимость разобраться глубже, выйти за пределы практикума, залезть в учебники, пособия, дополнительные источники. Так всё и началось.

Эта лабораторная плавно переросла в научную работу, а затем — в выпускную работу бакалавра. Именно в этот момент я впервые оказался внутри того, что вскоре начали называть машинным обучением. На тот момент в моём окружении ещё никто не называл это ML — этот термин вошёл в обиход буквально пару лет спустя.

Параллельно я размышлял над тем, чем вообще хочу заниматься. Стать разработчиком-программистом в чистом виде мне не хотелось — несмотря на то, что я учился на айтишной специальности, в которой было много прикладного программирования. Моя программа была в том числе тесно связана с обработкой и анализом данных, и мне это откликалось гораздо больше. Я ощущал, что где-то на пересечении программирования и математики ^[6] есть направление, связанное с аналитикой, способное дать понимание будущего через работу с данными.

И вот так совпало, что этим направлением оказался искусственный интеллект, тогда ещё под именем Data Science. Я начал заниматься им где-то на втором курсе. В этом направлении всё сложилось для меня естественно: мои сильные стороны в аналитическом мышлении ^[7], хорошее знание математики, навыки программирования — всё это оказалось именно тем набором, который нужен для старта в AI и ML.

К тому же, мне это просто нравилось. Я всегда придерживался принципа: старайся заниматься тем, что тебе действительно интересно, и зарабатывай на этом. Так я понял, что это и есть та самая профессия, в которой я хочу развиваться и углубляться дальше. Всё совпало — мои представления о будущем, навыки, требования рынка и личный интерес ^[8].

Соревнования: путь к мастерству

Когда я решил всерьёз заниматься искусственным интеллектом и машинным обучением, первым делом нужно было разобраться в устройстве этой сферы: какие есть направления, какие технические навыки требуются, какое железо, какие инструменты. Я понял, что нужно сосредоточиться и «бить в одну точку» — последовательно прокачивать нужные скиллы.

Я начал с Python. При любой возможности учил язык, писал код, оттачивал навыки. Параллельно с этим проходил специализированные курсы, например, на Coursera — в тот момент была популярная специализация по машинному обучению и анализу данных. Эти знания я сразу же закреплял на практике — писал код, решал задачи, пробовал новые библиотеки.

Кроме этого, я старался брать как можно больше прикладных кейсов. Но поскольку на тот момент я ещё не работал, а просто учился, нужно было искать реальные задачи где-то за пределами университета. Лабораторные работы — это хорошо, но их недостаточно. Альтернатива — соревнования.

Я начал участвовать в международных и российских состязаниях по анализу данных и ML, которые организовывали крупные компании. Часто они используют такие форматы, чтобы обкатать свои реальные бизнес-кейсы: либо потому, что задача «болит», либо потому, что её удобно выдать в публичный доступ. Для меня это была отличная возможность попробовать силы, потренироваться, получить опыт.

Сначала, конечно, я не выигрывал. Это нормально: были типичные ошибки ^[9] новичка. Но именно на соревнованиях я научился анализировать решения победителей, сравнивать их со своими, понимать, где допустил ошибки, чего не учёл, как можно было подумать по-другому. Это сильно повлияло на меня. Я начал перенимать паттерны мышления у сильных игроков, и постепенно сам стал мыслить как ML-специалист.

С течением времени начал выигрывать. Сначала — в хакатонах, затем — в онлайн-соревнованиях. Всё это шло параллельно: систематизация знаний, практика, закрепление теории, чтение, сравнение решений, изучение чужого подхода. Всё это в совокупности дало мне уверенность и готовность к первой работе — у меня уже был пул кейсов, конкретных решений. Я знал, как применять эти знания в проде и приносить пользу бизнесу.

За всё время я поучаствовал как минимум в 30–40 соревнованиях. Только на одном Kaggle — около двух десятков, плюс российские платформы. Это был долгий процесс, не всё сразу. Между соревнованиями всегда делал паузы: сначала участвовал, потом анализировал, делал работу над ошибками, отдыхал — и переходил к следующему. Так продолжалось примерно с 2016 по 2022 год. В первые два года я только учился, набивал шишки, искал подход. Где-то с конца 2018 года начал занимать призовые места: сначала в хакатонах, потом — на онлайн-платформах.

Соревнования важны для начинающих. Особенно если ещё учишься и не можешь работать — это отличный способ прокачаться. Во-первых, закрепляешь знания на реальных кейсах. Во-вторых, это постоянная тренировка. В-третьих, это вход в комьюнити: ты знакомишься с людьми, обмениваешься опытом, учишься у других. Это нетворкинг и возможность себя показать.

Если повезёт победить — можно не только заработать, но и получить предложение о работе. А уж строчка в резюме — серьёзный плюс. Так что я считаю, что соревнования дают начинающим всё: опыт, знания, причастность к комьюнити, карьерные возможности. И это, безусловно, стоит усилий.

В 2020 году я наконец стал Kaggle Master — не Grandmaster, но всё же достиг того, что хотел. Гештальт был закрыт. Я получил от соревнований всё, что планировал: опыт, навыки, знания, уверенность. После этого фокус сместился на работу — она стала основной площадкой для роста. А вместо соревнований я перешёл к участию в конференциях.

Конференции: от слушателя до организатора

Для меня участие в профильных конференциях всегда было способом не просто слушать доклады, но и учиться, развиваться, находить интересные знакомства. Даже если ты сам работаешь с кейсами, внедряешь решения, всегда есть шанс услышать что-то новое от коллег по цеху, которые работают в других компаниях или проектах. Иногда ты узнаешь об альтернативном подходе, иногда — просто о более эффективной реализации знакомой задачи. Это обогащает кругозор.

Конечно, сначала конференции для меня были именно про новые знания. Но со временем добавился и второй уровень — нетворкинг. Общение с людьми, работающими над похожими задачами, обмен опытом, совместные идеи — это действительно мощный ресурс.

А когда переходишь в роль спикера, появляется ещё одна важная грань: возможность делиться своими знаниями. Выступление — это уже не про «взять», а про «отдать». Делишься своим опытом, проектами, подходами. Это и личный бренд, и способ структурировать собственные знания, и, конечно, вклад в сообщество. Плюс учишься выступать, рассказывать понятно и полезно — а это отдельный навык, необходимый каждому специалисту.

К членству в ПК я пришёл естественным путём. Я был уже на всех ролях: участник соревнований, организатор соревнований, зритель, спикер, мастер-классник. И когда почувствовал, что накопил достаточно опыта и готов делиться не только через выступления, но и помогать формировать саму программу, то принял приглашение в программный комитет.

Меня пригласили коллеги, знающие меня как специалиста и Kaggle Master, призёра хакатонов, участника множества конференций, в том числе от «Онтико». Меня знали как человека с опытом и пониманием индустрии. Рекомендации сделали своё дело — я не писал резюме, не подавал заявки, просто получил приглашение и согласился.

В  этом году на AiConf Х мы продолжаем классические темы, но постараемся взглянуть на них под новым углом. Даже если темы — знакомые, подходы будут свежими. Прикладных кейсов в индустрии — море, и каждый год появляется что-то достойное обсуждения.

Разумеется, мы не обойдём вниманием и направления — генеративный AI, агенты, большие языковые модели, робототехника, вычислительные мощности. Всё это будет. Но также будет и «классика», не теряющая актуальности, — те вещи, на которых всё держится и которые важно не забывать ^[10] на фоне шума вокруг трендов.

Мы стараемся привлекать не только интересными темами, но и самими докладчиками. В этом году будут действительно сильные спикеры, эксклюзивные выступления. Часть имён и тем уже есть на главной странице, часть появится ближе к дате — следите за анонсами на сайте конференции.

Меня всегда интересовали рекомендательные системы и задачи, связанные с поиском. У меня был опыт работы с поисковыми системами, и эта тема близка мне как по духу, так и по сложности. В ней много интересных инженерных решений, архитектурных подходов, ML System Design.

Из свежих направлений меня особенно волнуют вопросы безопасности и этики в LLM. Например, атаки на языковые модели. Как только ты внедряешь что-то на прод, особенно LLM, будь уверен — это будут атаковать. Это уже не теория, а повседневная реальность. Поэтому важно знать, какие типы атак бывают, как их отслеживать, как от них защищаться и как повышать устойчивость систем.

Ну и, конечно, тема этичного поведения ^[11] моделей. Как обучить модель, чтобы она вела себя корректно, не нарушала законы и при этом оставалась интересной, полезной и безопасной — это сложный, но очень важный вопрос. Я уверен, что такие доклады будут на конференции, и сам с удовольствием их послушаю.

Конференции дают нечто, что невозможно получить в онлайне — живое общение. Сейчас, когда многие работают удалённо или гибридно, возможность собраться в одном месте, поговорить, обсудить тренды и кейсы — очень ценна. Для меня это в первую очередь про обмен знаниями, ощущение комьюнити, вектор развития индустрии.

Можно не только узнать что-то новое, но и дать что-то другим, вдохновиться, найти идеи, новых коллег, партнёров, даже работу. Да, участие требует времени и ресурсов, но, на мой взгляд, это полностью окупается. Живое общение и передача знаний — это и есть то, что делает такие конференции по-настоящему ценными.

Самые интересные кейсы: ассистенты, GigaChat и переход на нейросети

За свою карьеру мне удалось поучаствовать в действительно интересных и значимых проектах. Некоторые из них стали для меня настоящими вехами, могу даже выделить свои личные топ-3.

Один из таких кейсов — это работа над службой поддержки пользователей. Тогда стояла задача перевести её на новые рельсы: отказаться от старых, шаблонных решений и внедрить нейросетевые алгоритмы. Я был одним из первых, кто начал применять нейросетевые подходы в автоматизированной поддержке клиентов. Это был важный шаг, когда технологии позволили сделать сервис умнее, быстрее и адаптивнее.

Второй важный кейс — это виртуальный ассистент Салют. Я отвечал за персонажей Сбер и Афина, и в частности — за те сценарии, где она могла поддерживать свободный диалог и отвечать на фактологические вопросы. Это была интереснейшая задача, потому что требовала сочетания разных направлений: от понимания естественного языка до построения логики диалога. Мы старались находиться на переднем крае — использовали как проверенные архитектуры, так и только зарождающиеся решения. В те годы как раз начинали появляться трансформеры, которые потом стали основой для GPT-моделей. И мы старались сразу их изучать, адаптировать и внедрять в продуктах.

Третий важный этап — участие в проекте GigaChat. Это была одна из сильнейших больших языковых моделей, которую мы создавали. Здесь мы оказались в самой гуще развития технологий: на пике хайпа, в центре исследований, когда каждый день появлялось что-то новое. Мы старались сделать модель не просто большой, но и реально полезной: быстрой, устойчивой, применимой в сервисах, способной приносить пользу как клиенту, так и бизнесу.

Во всех этих проектах чувствовалось, что находишься на переднем крае. Постоянно нужно было быть в тонусе, следить за новостным потоком в индустрии, уметь быстро адаптироваться и принимать технологические решения. Причем не только ради экспериментов — эти решения должны были работать в продакшене.

Сложностей, конечно, хватало. Первая — это вычислительные ресурсы. Когда работаешь с трансформерами и языковыми моделями, особенно на этапе экспериментов и обучения, всегда нужно много железа. Это и дорого, и непросто с точки зрения ^[12] масштабирования.

Вторая — это работа в условиях «чистого поля». Я часто оказывался в ситуации, когда решение приходилось искать с нуля. Когда только начинался хайп вокруг LLM, и decoder-only архитектур, все — и новички, и опытные специалисты — были примерно в одинаковом положении. Мы все искали одни и те же статьи, разбирались в одних и тех же багрепортах, читали одни и те же посты на форумах. Опора на готовые best practices тогда ещё отсутствовала, и каждый набивал свои собственные шишки.

Третья — это этические и юридические вызовы. Особенно в проектах, которые связаны с клиентским взаимодействием, важно понимать, как обучать модели так, чтобы они не нарушали законы, не были токсичными, не вводили в заблуждение. Это уже не только про качество ответа, но и про ответственность. Приходилось искать баланс между качеством, скоростью и этическими ограничениями.

И, конечно, одна из самых сложных задач — это довести технологию до продакшена. Потому что одно дело — получить интересные результаты в лабораторных условиях, и совсем другое — обеспечить стабильную работу в реальных продуктах, где важно всё: latency, отклик, предсказуемость, повторяемость. И тут снова всплывают вопросы инфраструктуры, оптимизации, грамотного «встраивания» AI в существующие системы.

Но именно эти сложности и делают такие кейсы самыми запоминающимися. Позволяют расти как специалисту, дают буст команде. В результате видишь реальную ценность того, что делаешь. Это дорогого стоит.

Ещё одна сложность в том, как воспринимают генеративные модели и агенты на уровне стратегии, и как они реально работают в проде. Это, как говорится, две большие разницы. Я сам не раз видел, как возникает идея: «А давайте теперь всё на LLM!». Это результат и маркетинга, и хайпа, и желания ускорить процессы. Но те, кто работают руками, прекрасно понимают, какие ограничения накладывают инфраструктура, сбор и обработка данных, Time-To-Market, latency, стоимость.

Когда технология доходит до продакшена, обязательно наступает этап компромиссов. Требования бизнеса к отклику, стабильности, затратам — всё это нужно учитывать. Нельзя просто взять LLM, поставить в прод, и считать, что она решит всё. Так не работает.

Вот почему хорошие инженерные решения строятся как гибрид: LLM используется там, где она сильна, а где она менее эффективна — применяются проверенные алгоритмы, или логика ^[13], которую мы точно контролируем. Это нормально. Мы не сносим замок, чтобы построить новый из одного большого кубика. Мы просто вставляем этот кубик туда, где он нужен — и где он действительно принесет максимум пользы.

Когда бизнес хочет внедрить новую технологию везде, а ты понимаешь, что это не сработает — важно не просто сказать «нет». Вы должны честно объяснить, почему это не сработает, и предложить альтернативу: где именно эта технология даст результат, где реально принесёт деньги или сэкономит ресурсы. То есть важно не просто отговаривать, а направлять — как навигатор, как специалист, который понимает, что делает.

Иногда бывает, что люди просто берут под козырёк — «надо, значит делаем». Но это путь в никуда. Такой подход приводит к потере времени, ресурсов, репутации. Поэтому моя позиция — думать, проверять, пробовать, делать выводы заранее. Тогда ты сможешь сказать: «Здесь — не вставляется. А вот здесь — встанет идеально». Это и есть профессионализм.

Какие вызовы стоят перед индустрией и как конференции помогают с ними справляться

Таких вызовов сразу несколько, и каждый из них — весомый.

1. Баланс между спросом и предложением на рынке труда. Первый важный вызов — это дисбаланс между спросом и предложением на рынке вакансий в сфере AI и Data Science. С одной стороны, много открытых позиций, с другой — не всегда просто найти замотивированных и квалифицированных специалистов. Конференции в этом смысле — отличная площадка для хантинга. Когда человек приходит на конференцию, интересуется темой, подходит к стенду, задаёт вопросы — это уже говорит о высокой мотивации ^[14]. А мотивация ^[15], как по мне — это вообще отдельная валюта, особенно в нашей отрасли. Поэтому такие площадки действительно помогают работодателям и потенциальным кандидатам находить друг друга.

2. Обратная связь, рост и развитие технологий. Второй вызов связан с тем, как компании развиваются и куда двигается рынок. На конференциях мы делимся опытом, обсуждаем подходы, решения, делаем доклады. Это создаёт эффект положительной обратной связи. Кто-то делится решением, кто-то — идеей, кто-то даёт фидбэк. Это запускает цепочку развития. Компании получают не только вдохновение, но и конкретные инструменты, которые могут использовать у себя. И часто речь идёт не просто о доработке старого, а о рождении принципиально новых направлений, новых идей, которые потом перерастают в продукты и сервисы.

3. Обсуждение острых тем и формирование позиций. Третий важный аспект — это обсуждение сложных, острых, порой неоднозначных тем, которые часто не поднимаются в одиночку. На конференциях есть формат панельных дискуссий, и он как раз для этого. Это безопасное пространство, где можно столкнуть мнения, поспорить, задать вопрос, сформировать позицию. В прошлом году, например, мы обсуждали, как большие языковые модели и генеративный AI в целом влияют на рынок труда, на требования к специалистам, поднимали вопросы этики и регулирования. Такие дискуссии — важная часть развития комьюнити и всей отрасли. Мы не просто осваиваем технологии, мы определяем, как их применять, как ими не навредить, и как построить этичные, полезные решения.

Если подытожить, можно выделить три основных вектора, по которым конференции помогают отрасли:

• Подбор и мотивация ^[16] специалистов. Нетворкинг, обмен контактами, поиск людей с горящими глазами — всё это происходит здесь.

• Рост и развитие технологий через знания. Специалисты получают новые идеи, компании находят решения, рынок двигается вперёд.

• Обсуждение острых тем. Вместе можно обсудить то, о чём сложно говорить поодиночке. Это важно для этики, регуляторики, оценки рисков и общего вектора развития.

Конференции — это не только технологические события. Это точки роста, площадки для обмена опытом, идейные и профессиональные маяки для всей индустрии.

Как развиваться в AI сегодня и что нас ждет завтра

Если говорить про развитие в сфере искусственного интеллекта — особенно сейчас, когда доступ к обучающим материалам огромен — важно не зацикливаться только на соревнованиях или курсах. Источников информации полно: блоги, статьи, документация, кейсы в открытом доступе. Всё, что вы читаете, стоит пробовать повторять ^[17] — пусть даже на уровне небольших pet-проектов. Увидели в блоге пример — попробуйте реализовать хотя бы как лабораторную работу.

Например, на HuggingFace часто публикуются статьи, в которых код и объяснения идут вперемешку. Их можно буквально взять и повторить, по шагам. Именно в таких историях важно соблюдать баланс между теорией и практикой: просто прочитать статью — мало, нужно «прожить» её, попробовать руками, сделать выводы, понять, как это работает внутри.

Если смотреть в будущее, то я бы начал с того, чтобы реалистично оценивать, что генеративный искусственный интеллект может, а что не может. Сейчас под AI часто подразумевают исключительно LLM и подобные технологии, но важно понимать — это не «серебряная пуля». Есть конкретный набор кейсов, где такие модели эффективны, и есть те, где они либо не работают, либо работают с ограничениями.

Основной тренд, который я вижу: вокруг уже существующих моделей, API и больших сервисов начинают строиться вторичные, прикладные решения. И это нормально. Не обязательно разрабатывать свою core-модель, свою LLM, свою мультимодальную архитектуру. Часто достаточно воспользоваться API существующих моделей, наложить на них свою логику, сделать сервис, решить задачу и принести пользу.

Пример? Один из лучших — Perplexity. У них не было своей языковой модели в начале. Они взяли API, наложили свой поиск, обернули это в удобный UX, и получилось что-то новое, полезное и востребованное. Сейчас у них уже, вероятно, свои модели, но стартовали они именно так — и это типичный путь роста современных AI-продуктов.

То же самое и с агентами. По сути, это интеллектуальные акторы, собранные из кирпичиков — API, инструменты, компоненты, логика. Их задача — решать конкретные задачи: экономить человеку время, помогать принимать решения, обслуживать пользователей. Это не магия, это инженерия вокруг core-технологий. Агент может быть частью сервиса, ассистента, аналитического решения — не важно. Главное — что он собран на уже готовой базе и добавляет ценность.

Это закономерная эволюция. Новые технологии всегда проходят через волну хайпа, затем через адаптацию в прикладные сервисы. Так было с поиском, так было с голосовыми ассистентами, так сейчас происходит с LLM и агентами. Всё развивается по спирали: появляются новые технологии, они сначала вызывают ажиотаж, а потом становятся инструментами в составе более сложных решений.

Приходите на AiConf Х ^[18] — обсудим, что нас ждёт в будущем и как эффективно работать с LLM и агентами в эпоху хайпа нейросетей.