Какие специалисты нужны для масштабного внедрения ИИ и как их подготовить

Ключевой вопрос, который в ближайшие годы будет напрямую влиять на темпы внедрения искусственного интеллекта в экономике — это каких именно специалистов и как необходимо готовить, чтобы ИИ-решения доходили до промышленной среды и были эксплуатируемы.

Речь идет об ИИ промышленного уровня — надежных, масштабируемых системах, рассчитанных на постоянную эксплуатацию в финансах, энергетике, торговле, промышленности, государственном секторе и других сферах.

На мой взгляд, проблема состоит не просто в дефиците кадров. Существующая линейная модель подготовки универсальных кадров под каждое предприятие плохо подходит для масштабного внедрения ИИ.

Альтернативой может стать платформенный подход.

Почему универсальные команды сложно воспроизвести в каждой компании

Линейная модель предполагает, что под каждую организацию или отдельный проект создается практически полный набор компетенций.

Компании нужны специалисты по данным, машинному обучению, вычислительной инфраструктуре, MLOps, интеграции, информационной безопасности и эксплуатации. При этом команда должна разбираться в конкретной отрасли и понимать внутренние процессы заказчика.

Крупное предприятие может позволить себе такой подход. Однако масштабировать его на всю экономику сложно.

Разные организации параллельно создают сходные технологические компоненты: среды для работы с данными, пайплайны обучения, инструменты развертывания моделей, системы мониторинга и механизмы управления вычислительными ресурсами.

В результате редкие специалисты значительную часть времени тратят не на задачу, а на повторное создание базовой технологической среды.

Получается, что ограничением становится не только количество кадров, но и способ распределения их компетенций.

Как платформенный подход меняет модель внедрения

Идея платформенной модели заключается в том, что она предполагает общий платформенный слой — сервисы по работе с данными, вычисления, пайплайны, MLOps, инфраструктуру, агентские платформы, ниже которого идут отраслевые ИИ-сервисы. На этой базе уже выполняются внедрение, адаптация и эксплуатация в большом количестве организаций.

Почему это важно для темы кадров? Такой подход, во-первых, позволяет разделить специалистов для конечных прикладных задач, и специалистов, которые будут создавать платформенные сервисы, дающие мультипликатор для множества внедрений сразу.

Во-вторых, дифференцировать требования к специалистам — университетская подготовка, научная работа, курсы повышения квалификации и курсы для неограниченного самостоятельного обучения.

Почему высокий интерес к ИИ не решает проблему найма

Желающих работать в сфере искусственного интеллекта становится больше. Однако между интересом к профессии и готовностью решать реальные инженерные задачи сохраняется заметный разрыв.

В нашей практике основные причины отсева можно сформулировать так:

• недостаточное понимание ML-инфраструктуры и полного жизненного цикла решения;
• слабая математическая подготовка;
• нехватка опыта работы с реальными проектами.

Почему фундаментальная математика по-прежнему важна

Одна из причин разрыва между подготовкой специалистов и практикой — подмена понимания методов навыком использования готовых библиотек.

Специалист может уметь запускать модель, настраивать параметры и воспроизводить типовой пример. Однако в реальном проекте этого недостаточно: меняются данные, растут требования к точности и скорости, возникают ограничения по вычислительным ресурсам и стоимости.

В такой ситуации необходимо понимать, какие математические методы и алгоритмы лежат в основе инструмента, почему модель дает определенный результат, где находятся границы ее применимости и как выбрать альтернативное решение.

Именно фундаментальная математическая подготовка позволяет не просто пользоваться библиотекой, а осмысленно работать с моделями: корректно выбирать метрики, анализировать ошибки, проверять гипотезы и переносить методы на новые задачи.

Поэтому образование в области ИИ не должно сводиться к освоению популярных фреймворков. Инструменты меняются, тогда как понимание базовых принципов помогает специалисту адаптироваться к новым технологиям и нестандартным условиям.

Где заканчивается прототип и начинается система промышленного уровня

Даже глубокого понимания алгоритмов недостаточно, если специалист не видит полный жизненный цикл системы.

Искусственный интеллект промышленного уровня — это значительно больше, чем модель.

Для его эксплуатации необходимы:

• сбор и подготовка данных;
• вычислительные ресурсы;
• оркестрация процессов;
• управление экспериментами;
• MLOps;
• развертывание и обновление моделей;
• контроль версий;
• мониторинг качества;
• наблюдаемость;
• информационная безопасность;
• интеграция с корпоративными системами;
• управление стоимостью вычислений.

В учебном проекте работа часто заканчивается после обучения модели и оценки ее качества. В реальном внедрении с этого момента начинается следующий этап.

После запуска качество решения может снижаться из-за изменения входных данных, поведения пользователей или изменения бизнес-процесса. Такие изменения необходимо обнаруживать, а модель — переобучать, тестировать и при необходимости возвращать к предыдущей версии.

Одновременно требуется контролировать надежность, задержки и стоимость вычислений.

Поэтому для масштабного внедрения ИИ нужны специалисты, которые понимают не только устройство модели, но и то, как превратить ее в устойчивую, управляемую и экономически оправданную систему.

Как перевести задачу бизнеса на язык ИИ

Отдельно стоит отметить проблему слабой связи между бизнес-целями и ML-архитектурой.

В реальной компании никто не формулирует задачу словами «обучите классификатор» или «подберите embedding model». 

Бизнес говорит иначе: сократите время обработки, улучшите поиск, повысьте удовлетворенность клиентов, снизьте ошибки. Специалист должен перевести такую цель в архитектуру решения.

Необходимо определить источники данных, оценить их качество, сформировать этапы обработки, выбрать метрики, модели и вычислительную среду. Затем нужно понять, как интегрировать результат в действующий процесс.

Это уже не только наука и не только разработка программного кода. Это системная инженерия.

Почему ранняя практика ускоряет подготовку

Даже качественная академическая подготовка не всегда компенсирует отсутствие опыта работы в продуктовой и инженерной среде.
Наши сотрудники ведут дипломников и отмечают очень простую

вещь: студенты с ранним опытом стажировок значительно быстрее переходят от теоретических знаний к решению реальных инженерных задач, тогда как у студентов без опыта реальных проектов адаптация к промышленным задачам в среднем занимает не менее трех месяцев.

Этот период требуется преимущественно для изменения подхода к работе.

В учебной задаче обычно известны исходные данные и ожидаемый результат. В промышленном проекте сначала необходимо выяснить, в чем заключается реальная проблема, какие данные доступны, можно ли им доверять и как будет измеряться эффект.

Поэтому стажировки, проектная работа и участие в реальных разработках должны быть не дополнительным преимуществом, а обязательной частью подготовки специалистов.

Как соединить университет, бизнес и инфраструктуру

Для масштабной подготовки специалистов необходим единый контур взаимодействия университетов, бизнеса и провайдеров ИИ-инфраструктуры.

Университет отвечает за фундаментальную подготовку, исследовательскую среду, преподавательскую школу, работу со студентами и развитие научных направлений.

Бизнес предоставляет реальные задачи, данные, ограничения и критерии результата. Его роль состоит не только в рассказе о востребованных профессиях, но и в постоянном участии в формировании содержания программ.

Инфраструктурный и платформенный партнер создает среду, в которой можно пройти полный жизненный цикл решения: от эксперимента с моделью до ее развертывания, мониторинга и интеграции.
Взаимодействие этих участников может включать:

• совместные учебные и исследовательские лаборатории;
• предоставление инфраструктуры для образовательных проектов;
• стажировки для студентов и аспирантов;
• участие специалистов бизнеса в преподавании;
• корректировку программ с учетом реальных кадровых потребностей;
• совместную постановку дипломных и исследовательских задач;
• создание датасетов, моделей и алгоритмов для повторного использования.

Важно, чтобы такое сотрудничество не ограничивалось единичными мероприятиями. Оно должно быть встроено в образовательный процесс и связано с долгосрочными задачами участников.

От подготовки отдельных специалистов — к масштабированию ИИ

В завершение я бы сформулировал главный вывод так.

Если мы продолжим мыслить линейно — отдельная R&D-команда под каждое предприятие или кейс, то внедрение ИИ будет идти медленно и дорого.

Если же мы начнем готовить специалистов для платформенного и прикладного уровня одновременно, выстраивая общую систему университета, бизнеса и ИИ-инфраструктуры, тогда темпы внедрения ИИ в российской экономике действительно смогут расти.