Искусственный интеллект перестал быть уделом узких специалистов.
Сегодня AI-команды собирают не только математиков и программистов, но и менеджеров, аналитиков, юристов, врачей, маркетологов. Спрос на AI-специалистов растёт взрывными темпами.
Но кто именно нужен рынку и какими навыками должен обладать такой профессионал?
Разберём два ключевых блока компетенций: хард-скиллы (техническая база) и софт-скиллы (гибкие навыки), которые часто оказываются важнее.
Сегодня AI-команды собирают не только математиков и программистов, но и менеджеров, аналитиков, юристов, врачей, маркетологов. Спрос на AI-специалистов растёт взрывными темпами.
Но кто именно нужен рынку и какими навыками должен обладать такой профессионал?
Разберём два ключевых блока компетенций: хард-скиллы (техническая база) и софт-скиллы (гибкие навыки), которые часто оказываются важнее.
Хард-скиллы
Без технической основы в AI делать нечего. Но важно понимать: глубина погружения зависит от роли. Исследователю нужна серьёзная математика, а отраслевому эксперту — базовые компетенции.
1. Продуктовое мышление
AI-специалист решает не абстрактные задачи, а бизнес-проблемы. Поэтому продуктовое мышление — ключевой хард-скилл.
Инженер должен посмотреть на создаваемый сервис глазами конечного пользователя и ответить на вопрос: «Решит ли эта модель реальную боль пользователя и будет ли ему удобно с ней работать?»
Навык включает в себя умение готовить и исследовать данные, формулировать и проверять гипотезы, анализировать результаты экспериментов и встраивать модель в реальный продукт.
Без продуктового подхода даже самый точный алгоритм рискует уйти в стол, не принеся пользы клиентам и бизнесу.
AI-специалист решает не абстрактные задачи, а бизнес-проблемы. Поэтому продуктовое мышление — ключевой хард-скилл.
Инженер должен посмотреть на создаваемый сервис глазами конечного пользователя и ответить на вопрос: «Решит ли эта модель реальную боль пользователя и будет ли ему удобно с ней работать?»
Навык включает в себя умение готовить и исследовать данные, формулировать и проверять гипотезы, анализировать результаты экспериментов и встраивать модель в реальный продукт.
Без продуктового подхода даже самый точный алгоритм рискует уйти в стол, не принеся пользы клиентам и бизнесу.
2. Python – один из главных языков AI-экосистемы
Почти все библиотеки для машинного обучения и работы с данными написаны на Python. Это язык, который нужно знать в первую очередь. Не углубленно, как бэкенд-разработчик, но уверенно: синтаксис, функции, классы, работа с файлами, базовые библиотеки (os, json, requests).
Python доминирует в AI, но это далеко не единственный язык, который используется в индустрии. Вокруг него существует целый стек технологий и языков, которые решают разные задачи.
Руководитель образовательной онлайн-программы «Компьютерное зрение и искусственный интеллект» Артём Осинцев рассказывает, что для входа в профессию необходимо знание любого языка.
Почти все библиотеки для машинного обучения и работы с данными написаны на Python. Это язык, который нужно знать в первую очередь. Не углубленно, как бэкенд-разработчик, но уверенно: синтаксис, функции, классы, работа с файлами, базовые библиотеки (os, json, requests).
Python доминирует в AI, но это далеко не единственный язык, который используется в индустрии. Вокруг него существует целый стек технологий и языков, которые решают разные задачи.
Руководитель образовательной онлайн-программы «Компьютерное зрение и искусственный интеллект» Артём Осинцев рассказывает, что для входа в профессию необходимо знание любого языка.
Хотя бы какой-то базовый язык программирования у вас в рукаве должен быть. Пусть это не обязательно будет C++ либо Python. Возможно, вы программировали на Java Script, почему нет, тоже хорошо. Все конструкции любого языка схожи между собой, разница в синтаксисе не сильно повлияет на изучение нового языка.
Артём Осинцев
Руководитель образовательной онлайн-программы «Компьютерное зрение и искусственный интеллект»
В реальных проектах используются языки:
- SQL – почти обязательный навык для работы с данными. Нужен аналитикам, ML-инженерам и data scientists для выборок, обработки и проверки данных.
- C++ – применяется там, где важна производительность: например, в инфраструктуре AI, ускорении вычислений и разработке высоконагруженных систем.
- Java и Scala – часто используются в крупных корпоративных системах и Big Data-платформах.
- JavaScript / TypeScript – востребованы в AI-продуктах, где нужно интегрировать модели в веб-интерфейсы и пользовательские сервисы.
- R – всё ещё встречается в академической среде и аналитике, особенно в исследованиях и статистике.
- Go и Rust – становятся популярнее в AI-инфраструктуре благодаря скорости и эффективности.
При этом важно понимать: в AI ценится не количество языков, которые знает специалист, а способность решать задачи — работать с данными, обучать модели, понимать логику алгоритмов и внедрять решения в продукт.
Поэтому Python остаётся лучшей отправной точкой для большинства профессий в AI.
Поэтому Python остаётся лучшей отправной точкой для большинства профессий в AI.
3. ML-библиотеки: инструменты на которых строится современный AI
Специалистам по AI не нужно писать алгоритмы машинного обучения и нейросети с нуля – для этого существуют готовые библиотеки и фреймворки. Они позволяют быстрее обучать модели, тестировать гипотезы и внедрять AI-решения в продукты. Без них вы будете писать нейросети с нуля – что долго и не нужно.
Специалистам по AI не нужно писать алгоритмы машинного обучения и нейросети с нуля – для этого существуют готовые библиотеки и фреймворки. Они позволяют быстрее обучать модели, тестировать гипотезы и внедрять AI-решения в продукты. Без них вы будете писать нейросети с нуля – что долго и не нужно.
Ключевые инструменты, которые чаще всего встречаются в индустрии:
- PyTorch и TensorFlow – основные фреймворки для обучения нейросетей. Они применяются в компьютерном зрении, генеративном AI, рекомендательных системах и работе с большими языковыми моделями (LLM). Сегодня PyTorch особенно популярен в исследованиях и стартапах благодаря своей гибкости и удобству.
- Scikit-learn – объединяет проверенные алгоритмы машинного обучения: регрессию (прогноз значений), классификацию (распознавание категорий) и кластеризацию (обнаружение скрытых групп). Незаменима для быстрого прототипирования, обработки небольших наборов данных и построения базовых моделей, с которых начинается любой ML-проект.
- Transformers (Hugging Face) – библиотека для работы с большими языковыми моделями (LLM). Позволяет загружать, дообучать и использовать модели вроде BERT, GPT, Llama и Mistral. Содержит тысячи готовых предобученных моделей, экономя недели разработки и снижая порог входа в NLP.
- Pandas и NumPy – фундамент обработки данных в Python. NumPy отвечает за быстрые математические вычисления с многомерными массивами и матрицами, Pandas – за анализ, фильтрацию, группировку, объединение таблиц и работу с пропусками. На практике именно эти библиотеки используются 80% времени AI-специалиста для подготовки и очистки данных, исследовательского анализа, создания признаков. Без них не обойтись ни в одном ML-проекте.
4. Понимание LLM-архитектур и принципов работы генеративного AI
После бума генеративного AI всё больше профессий требуют базового понимания того, как работают большие языковые модели (LLM).
Речь не о том, чтобы создавать их с нуля. Для большинства специалистов важнее понимать принципы работы, возможности и ограничения моделей.
После бума генеративного AI всё больше профессий требуют базового понимания того, как работают большие языковые модели (LLM).
Речь не о том, чтобы создавать их с нуля. Для большинства специалистов важнее понимать принципы работы, возможности и ограничения моделей.
Сегодня «понимание LLM» становится аналогом «понимания интернета» в 2000-х. Не всем нужно строить инфраструктуру, но базовые принципы полезны почти каждому, кто работает в диджитал и AI.
Полезно разбираться:
Для AI-разработчиков и ML-инженеров это уже часть хард-скиллов.
Для продуктовых специалистов, дизайнеров и аналитиков – новая AI-грамотность, без которой работать с современными AI-продуктами становится всё сложнее.
- как работают трансформеры и LLM;
- что такое токены, эмбеддинги и контекстное окно;
- почему модели «галлюцинируют» (выдают ложную информацию);
- в чём суть файн-тюнинг( fine-tuning – тонкая настройка) и RAG;
- чем отличаются открытые (open-source) и закрытые модели;
- как выбирать модель под конкретную задачу.
Для AI-разработчиков и ML-инженеров это уже часть хард-скиллов.
Для продуктовых специалистов, дизайнеров и аналитиков – новая AI-грамотность, без которой работать с современными AI-продуктами становится всё сложнее.
5. Базовая линейная алгебра и статистика
AI – это математика, «завёрнутая» в код. Без основы вы будете копировать решения, не понимая, почему они работают (или не работают).
Достаточно базового уровня:
AI – это математика, «завёрнутая» в код. Без основы вы будете копировать решения, не понимая, почему они работают (или не работают).
Достаточно базового уровня:
- Линейная алгебра: векторы, матрицы, операции с тензорами.
- Статистика: распределения, средние, дисперсия, корреляция, базовые принципы A/B-тестирования.
Руководитель образовательной программы онлайн-магистратуры ТГУ «Науки о данных и искусственный интеллект» Диана Даммер рассказывает, что если речь идёт о науках о данных и искусственном интеллекте, то программы обучения обязательно включают математику и программирование, несмотря на имеющуюся базовую предметную область.
Здесь тем, кто выбирает для это направление, нужно чётко понимать, что если у вас есть отторжение математики еще со школьных времён, то наверное это направление не для вас. Но если у вас просто не хватает навыков, то это не проблема, математику можно освоить. Например, в высшей математике для машинного обучения на нашей программе мы собрали только то, что будет необходимо в дальнейшей работе выпускнику. Бояться высшей математики не надо. У нас есть платформа адаптивного обучения, на которую заходят студенты с абсолютно разным уровнем подготовки. Есть те, кто пришёл в науки о данных из медицинских или экономических вузов, есть специалисты из ИТ, с механико-математических специальностей. Математику изучают (или повторяют) и те и другие.
Диана Даммер
Руководитель образовательной программы онлайн-магистратуры ТГУ «Науки о данных и искусственный интеллект»
Софт-скиллы: почему они часто важнее хардов
Технические инструменты быстро автоматизируются.
То, что сегодня делает ML-инженер, завтра может делать AutoML. А вот умение мыслить критически, коммуницировать и задавать правильные вопросы остаётся уникально человеческим.
Именно эти навыки становятся главным конкурентным преимуществом.
То, что сегодня делает ML-инженер, завтра может делать AutoML. А вот умение мыслить критически, коммуницировать и задавать правильные вопросы остаётся уникально человеческим.
Именно эти навыки становятся главным конкурентным преимуществом.
1. Критическое мышление
Модель может уверенно выдать ответ, который окажется полной чушью. LLM не знают правду — они знают, какие слова чаще встречаются рядом.
Специалист с критическим мышлением не верит модели на слово, проверяет логику, замечает противоречия, сомневается в результатах.
Модель может уверенно выдать ответ, который окажется полной чушью. LLM не знают правду — они знают, какие слова чаще встречаются рядом.
Специалист с критическим мышлением не верит модели на слово, проверяет логику, замечает противоречия, сомневается в результатах.
2. Промпт-компетентность (умение задавать вопросы)
Это новая цифровая грамотность. Способность сформулировать запрос так, чтобы модель дала точный и полезный ответ.
Хороший промпт-инженер может в разы повысить качество работы LLM без дообучения.
Иными словам, промпт-компетентность — это не «умение копировать запросы из интернета», а способность инженерно мыслить при взаимодействии с нейросетями.
Это новая цифровая грамотность. Способность сформулировать запрос так, чтобы модель дала точный и полезный ответ.
Хороший промпт-инженер может в разы повысить качество работы LLM без дообучения.
Иными словам, промпт-компетентность — это не «умение копировать запросы из интернета», а способность инженерно мыслить при взаимодействии с нейросетями.
3. Коммуникация между бизнесом и технарями
Бизнес говорит на языке «увеличить прибыль», «снизить отток», «автоматизировать отчёты».
Технари — о батч-нормализации и файн-тюнинге.
Нужен переводчик, который говорит на обоих языках.
Вы должны быть способны переводить бизнес-задачу на язык ML-задачи, а результаты работы модели — на язык бизнес-метрик. Объяснять руководству, почему модель стоит 3 месяца разработки, а не 2 недели.
Бизнес говорит на языке «увеличить прибыль», «снизить отток», «автоматизировать отчёты».
Технари — о батч-нормализации и файн-тюнинге.
Нужен переводчик, который говорит на обоих языках.
Вы должны быть способны переводить бизнес-задачу на язык ML-задачи, а результаты работы модели — на язык бизнес-метрик. Объяснять руководству, почему модель стоит 3 месяца разработки, а не 2 недели.
4. Этическая рефлексия
AI может дискриминировать, закреплять стереотипы, нарушать приватность. Часто — непреднамеренно.
Специалист с этической рефлексией способен заранее подумать: «Не навредит ли наша модель людям? Кто пострадает, если она ошибётся? Не усилит ли она неравенство?»
AI может дискриминировать, закреплять стереотипы, нарушать приватность. Часто — непреднамеренно.
Специалист с этической рефлексией способен заранее подумать: «Не навредит ли наша модель людям? Кто пострадает, если она ошибётся? Не усилит ли она неравенство?»
Реальный пример. В 2024 году система распознавания лиц ошибочно идентифицировала учёного-гидролога Александра Цветкова как подозреваемого в совершении серии убийств двадцатилетней давности. ИИ сгенерировал фоторобот, который на 55% совпал с его изображением. В результате мужчину арестовали, и он провёл в заключении десять месяцев, пока не удалось доказать его невиновность. (Коммерсант, 29.02.2024. «Прекращено уголовное дело ученого-гидролога Александра Цветкова»)
Скорее всего это случай – не единичная ошибка алгоритма и на техническом уровне есть проблемы, которые разработчики или те, кто принимал решение об использовании модели, посчитали несущественными и допустили запуск продукта в правоохранительной системе, не предусмотрев последствия.
Отсутствие этической рефлексии часто ведет к таким показательным случаям.
В Европе и США AI-этик уже обязательная роль в крупных компаниях. Россия движется в ту же сторону.
Отсутствие этической рефлексии часто ведет к таким показательным случаям.
В Европе и США AI-этик уже обязательная роль в крупных компаниях. Россия движется в ту же сторону.
Итог
AI-рынок превращается из чисто инженерного в гибридный. Спрос на MLOps, AI-продакт-менеджеров и отраслевых экспертов, владеющих AI, растёт быстрее, чем на чистых ML-исследователей.
Чтобы войти в профессию, не обязательно штурмовать высшую математику — достаточно выбрать конкретную прикладную область (маркетинг, HR, финансы, медицину) и добавить к ней базовые AI-компетенции.
Успех в AI — это сочетание технической базы и «гибких» компетенций.
Но все же главное — развивать софт-скиллы. Критическое мышление, умение задавать правильные вопросы, коммуникация между бизнесом и технологиями, этическая рефлексия — именно эти навыки делают специалиста незаменимым в эпоху автоматизации.
Чтобы войти в профессию, не обязательно штурмовать высшую математику — достаточно выбрать конкретную прикладную область (маркетинг, HR, финансы, медицину) и добавить к ней базовые AI-компетенции.
Успех в AI — это сочетание технической базы и «гибких» компетенций.
Но все же главное — развивать софт-скиллы. Критическое мышление, умение задавать правильные вопросы, коммуникация между бизнесом и технологиями, этическая рефлексия — именно эти навыки делают специалиста незаменимым в эпоху автоматизации.
Именно такие «гибриды» — отраслевые эксперты, владеющие AI как инструментом и мыслящие шире одной строки кода, — сегодня нужны рынку больше всего.
Если вы хотите стать именно таким экспертом, начните с системного образования и выберете для себя программу онлайн-магистратуры Томского государственного университета.
Если вы хотите стать именно таким экспертом, начните с системного образования и выберете для себя программу онлайн-магистратуры Томского государственного университета.
Хотите сделать следующий шаг в профессиональном развитии?
Оставьте заяку, мы расскажем как устроена магистратура, какие навыки вы получите и как подготовиться к поступлению
Нажимая на кнопку «Оставить заявку», вы соглашаетесь с условиями обработки персональных данных в соответствии с политикой конфиденциальности