Кто такой разработчик нейронных сетей?
Разработчик нейронных сетей – специалист, который создает искусственные нейронные сети под различные прикладные задачи. Должность может называться по-разному: программист-разработчик нейронных сетей, конструктор нейронных сетей.
Что делают разработчики нейронных сетей и чем занимаются?
- Разработка программного обеспечения на основе алгоритмов компьютерного зрения и развитие существующего ПО
- Интеграция алгоритмов в существующую программную платформу системы видеонаблюдения
- Взаимодействие с командами тестирования, аналитики и техподдержки
Что должен знать и уметь разработчик нейронных сетей?
- знание популярных нейросетевых архитектур, применяющихся в области computer vision, и понимание метрик для оценки качества предсказаний сетей
- работа с PyTorch и tensorflow
- хорошее владение Python
- умение пользоваться git, dvc
- владение linux
Освоение основ программирования
- «Поколение Python»: курс для начинающих
- «Поколение Python»: курс для продвинутых
- Python: основы и применение — оговорюсь, что этот курс содержит порой странные задачи, которые я советую пропускать, чтобы не терять боевой дух и не застревать на несколько дней с одной задачей.
Параллельно с изучением питона я прошел курс по SQL: «Интерактивный тренажер по SQL». Правда, на собеседованиях вопросы по SQL задавали только в начале пути поиска работы и крайне редко — примерно в 10% случаев.
На базовое понимание Python и SQL у меня ушло около 4 месяцев ежедневной работы по 3–4 часа в день, 5–6 дней в неделю.
Изучение математики
Математика очень важна. Она не используется в ежедневной работе, но является фундаментальным знанием. Я считаю, что не стоит даже пытаться заниматься ИИ без математики.
- Линейная алгебра. Все, что связано с матрицами, разложением матриц, работа с пространствами. Тензоры.
- Математический анализ. Функции, производные, экстремумы — это важно непосредственно для обучения самих нейронных сетей.
- Теория вероятности и статистика. Условная вероятность, теорема Байеса, различные распределения и их оценки, критерии Согласия.
Линейная алгебра. Все, что связано с матрицами, разложением матриц, работа с пространствами. Тензоры.
Математический анализ. Функции, производные, экстремумы — это важно непосредственно для обучения самих нейронных сетей.
Теория вероятности и статистика. Условная вероятность, теорема Байеса, различные распределения и их оценки, критерии Согласия.
Темы, которые я указал в каждом разделе, являются базовыми. Линейная алгебра и мат. анализ нужны для понимания работы сетей, а теорию вероятности и мат. статистику чаще спрашивали на собеседованиях. Кроме того, благодаря знанию математики я могу читать специализированные статьи, разбирать архитектуры нейронных сетей, алгоритмы машинного обучения.
Для восполнения пробелов по математике я рекомендую пройти видеокурсы от преподавателей МГУ — тут есть различные темы. И читать соответствующие книги.
Базовые знания в ML
Следующий этап изучения — классическое машинное обучение. Здесь я советую освоить книгу «Python и машинное обучение» Себастьяна Рашка. Есть много книг, которые так или иначе пробуют объяснять одни и те же вещи, но написаны с разной степенью понятности — мне подошел Рашка.
На это обучение у меня ушло около 7 месяцев. Но стоит отметить, что я занимался 6–8 часов в день последние 3 месяца.
Выбор специализации
Сфера ИИ обширна, поэтому я советую углубиться в одну из тематик (очередность выстроена в порядке возрастания сложности входа в сферу).
- Классическое машинное обучение — если метишь в сферы, где много цифр и нужно строить прогнозы: возврат кредита в банках, покупательская способность в ритейле, статистика в соцсетях и т. п.. Мне кажется, что это единственная специализация из всех тут перечисленных, где после обучения можно сразу пробовать искать работу.
- Компьютерное зрение — любая видеоаналитика: подсчет людей по камере видеонаблюдения, анализ их поведения, подсчет товаров на конвейере, распознавание лиц, детекция и сегментация любых предметов, трекинг. Также есть большой пласт задач в области генеративных моделей (генерация фото/видео), задачи с 3D‑моделированием. Я пошел именно этим путем, считаю, что здесь много работы и есть спрос на сотрудников, а конкуренция меньше, чем в классическом машинном обучении.
- Аудио — от умных колонок до софта, где требуется работа по расшифровке текста. Достаточно высокий порог входа для специалистов.
- NLP — все, что связано с текстом и его обработкой. Важный момент — работа с большими мультимодальными моделями требует большого количества ресурсов ноутбука (а арендовать сервер поиграться с моделями достаточно затратное удовольствие, если ты джун).
- Обучение с подкреплением — тренировка агентов в определенной среде: выигрыши роботом в шахматы, го, обучение роботов ходить и не спотыкаться или выполнять какие‑то самостоятельные действия. Мало вакансий на рынке труда, плюс такие разработки ведутся только в крупных компаниях. Для входа в ML — не лучший выбор.
Классическое машинное обучение — если метишь в сферы, где много цифр и нужно строить прогнозы: возврат кредита в банках, покупательская способность в ритейле, статистика в соцсетях и т. п.. Мне кажется, что это единственная специализация из всех тут перечисленных, где после обучения можно сразу пробовать искать работу.
Компьютерное зрение — любая видеоаналитика: подсчет людей по камере видеонаблюдения, анализ их поведения, подсчет товаров на конвейере, распознавание лиц, детекция и сегментация любых предметов, трекинг. Также есть большой пласт задач в области генеративных моделей (генерация фото/видео), задачи с 3D‑моделированием. Я пошел именно этим путем, считаю, что здесь много работы и есть спрос на сотрудников, а конкуренция меньше, чем в классическом машинном обучении.
Аудио — от умных колонок до софта, где требуется работа по расшифровке текста. Достаточно высокий порог входа для специалистов.
NLP — все, что связано с текстом и его обработкой. Важный момент — работа с большими мультимодальными моделями требует большого количества ресурсов ноутбука (а арендовать сервер поиграться с моделями достаточно затратное удовольствие, если ты джун).
Обучение с подкреплением — тренировка агентов в определенной среде: выигрыши роботом в шахматы, го, обучение роботов ходить и не спотыкаться или выполнять какие‑то самостоятельные действия. Мало вакансий на рынке труда, плюс такие разработки ведутся только в крупных компаниях. Для входа в ML — не лучший выбор.
Создание своего проекта
Чтобы как‑то выделиться на фоне других, сделай небольшой проект в той области, которая интересна. Это важная составляющая успешного резюме. Если ты джун, который не видел ни одного проекта, — это твое спасение. Наличие идеи, понимание применимости методов, умение писать код, используя структуры данных, а также отдавать это в мир — большое умение джуна. Приложение может быть совсем простое, с примитивной логикой, но, если ты используешь какую‑то сеть из коробки, она приемлемо работает на твоем демостенде и это можно показать (например, через докер‑контейнер), это сильно повысит твои шансы на интервью.
Дополнительные советы
- Поставь себе Ubuntu рядом с Windows. Большинство вещей, которыми я занимался, так или иначе требуют ОС Linux, поэтому с ним обязательно нужно уметь работать.
- Начни заниматься английским. Английский нужен 100%, так как большинство статей первоначально выходит на английском, а только потом, с течением какого‑то времени, их переводят энтузиасты.
- Когда выбрал специализацию, возьми книгу по направлению и начни проходить ее как курс. Есть задание — выполни его в google collab (это очень удобная среда с возможностью ГПУ для проведения минимальных тестов кода).
- Начни смотреть про железо. Какие есть на рынке видеокарты, их стоимость, возможности и мощность. Такие знания еще и любят проверять на собеседованиях: меня очень часто просили оценить, сколько потребуется железа для того или иного проекта (или сетки).
- Разберись с фреймворком Django / FastApi / Flask. Это необходимо, чтобы ты мог писать API для использования твоей готовой модели.
- Разберись с GIT и Docker. Первое позволяет тебе сохранять прогресс работы, второе — упаковывает и изолирует твое «приложение» в отдельный микросервис.
Поставь себе Ubuntu рядом с Windows. Большинство вещей, которыми я занимался, так или иначе требуют ОС Linux, поэтому с ним обязательно нужно уметь работать.
Начни заниматься английским. Английский нужен 100%, так как большинство статей первоначально выходит на английском, а только потом, с течением какого‑то времени, их переводят энтузиасты.
Когда выбрал специализацию, возьми книгу по направлению и начни проходить ее как курс. Есть задание — выполни его в google collab (это очень удобная среда с возможностью ГПУ для проведения минимальных тестов кода).
Начни смотреть про железо. Какие есть на рынке видеокарты, их стоимость, возможности и мощность. Такие знания еще и любят проверять на собеседованиях: меня очень часто просили оценить, сколько потребуется железа для того или иного проекта (или сетки).
Разберись с фреймворком Django / FastApi / Flask. Это необходимо, чтобы ты мог писать API для использования твоей готовой модели.
Разберись с GIT и Docker. Первое позволяет тебе сохранять прогресс работы, второе — упаковывает и изолирует твое «приложение» в отдельный микросервис.
Востребованность и зарплаты разработчиков нейронных сетей
На сайте поиска работы в данный момент открыто 102 вакансии, с каждым месяцем спрос на разработчиков нейронных сетей растет.
Таблица №1
| Количество вакансий с указанной зарплатой разработчика нейронных сетей по всей России | |
|---|---|
| от 70 000 руб | – 32 |
| от 125 000 руб | – 22 |
| от 180 000 руб | – 16 |
| от 235 000 руб | – 7 |
| от 290 000 руб | – 5 |
Таблица №2
| Вакансий с указанным уровнем дохода по Москве | |
|---|---|
| от 115 000 руб | – 9 |
| от 190 000 руб | – 5 |
| от 345 000 руб | – 2 |
| от 420 000 руб | – 1 |
Мой опыт собеседований на примере специализации на компьютерном зрении
Первое касание с работодателем — отбор HR. Скорее всего зададут вопросы по опыту работы (или учебы), базовые вопросы по теории, иногда высылают тестовое задание. Далее, если ты проходишь первый этап отбора, попадаешь на техническое интервью. Оно обычно длится час‑полтора. Собеседует либо разработчик, либо глава подразделения, либо все вместе. Бывало, что собеседования проводили 5 человек.
Я советую каждый раз, когда изучаешь что‑то новое, записывать информацию об этом в личной табличке — так информация будет копиться и систематизироваться. Это поможет подготовиться к собеседованию, да и вообще станет личной базой знаний.
- Pyton. Как устроена память, ООП, GIL, декораторы, лямбда‑функции, структуры данных, вычислительная сложность и скорость алгоритмов.
- Машинное обучение. Метрики (обязательно). Классические алгоритмы, математическая составляющая алгоритмов. Ошибки первого и второго рода.
- Нейронные сети. Архитектуры сетей, точнее их эволюция (обязательно). Необходимо глубокое понимание на уровне слоев, вычисление градиентов, что, как и когда происходит. Опять же, метрики.
- Секция математики (все разделы сразу).
- Железо.
- Иногда — OpenCV. Библиотека для обработки изображений.
- Крайне редко — Linux.
- Крайне редко — Pytorch. Это фреймворк для работы с нейронными сетями.
- Совсем редко — Docker.
Pyton. Как устроена память, ООП, GIL, декораторы, лямбда‑функции, структуры данных, вычислительная сложность и скорость алгоритмов.
Машинное обучение. Метрики (обязательно). Классические алгоритмы, математическая составляющая алгоритмов. Ошибки первого и второго рода.
Нейронные сети. Архитектуры сетей, точнее их эволюция (обязательно). Необходимо глубокое понимание на уровне слоев, вычисление градиентов, что, как и когда происходит. Опять же, метрики.
Для разных ML‑специализаций вопросы на собеседованиях немного отличаются. Поэтому можно использовать такой подход — изучить вакансии, собрать требования в них, рассортировать по частотности и важности и проверять соответствие своих знаний требованиям.
Жизнь после трудоустройства
Дальше начнется самое интересное и сложное, потому что мало уметь обращаться с моделями, необходимо уметь правильно интегрировать их в общую систему. Здесь потребуется огромный пласт знаний в области оптимизации нейронных сетей (квантование, прунинг и тд), перевод какой‑то части на С++ и многое другое.
В завершении этой статьи хочу сказать что все не так страшно, как кажется, и стать ML‑разработчиком возможно, если тебе искренне нравится то, что ты делаешь. ML‑разработка — это большое число исследований и регулярные провалы гипотез. Специфику моей работы можно сравнить с прохождением через лабиринт, где спустя долгое время ты можешь вернуться на старт, чтобы начать поиск нового пути решения. Постоянное изучение нового и радость от каждой успешно выполненной нетривиальной задачи не дают отчаяться в этой работе.
Спасибо всем, кто дочитал, если у вас есть вопросы — задавайте, буду рад на них ответить.
Часто задаваемые вопросы о профессии разработчика нейронных сетей
Вопрос: Какое образование нужно, чтобы стать разработчиком нейронных сетей?
Ответ: Чаще всего требуется высшее образование в области компьютерных наук, математики, физики или статистики, но сильное портфолио и практические навыки могут компенсировать его отсутствие.
Вопрос: С чего начать изучение нейронных сетей с нуля?
Ответ: Начните с основ Python, линейной алгебры, математического анализа и теории вероятностей, затем переходите к базовым курсам по машинному обучению.
Вопрос: Обязательно ли знать высшую математику для работы с ИИ?
Ответ: Да, понимание линейной алгебры, математического анализа, статистики и теории вероятностей критически важно для создания, понимания и отладки моделей.
Вопрос: Какие языки программирования самые важные для разработчика нейросетей?
Ответ: Python является основным языком благодаря богатым библиотекам (TensorFlow, PyTorch). Также полезны C++ для оптимизации и R для анализа данных.
Вопрос: Сколько времени нужно, чтобы стать junior-разработчиком нейронных сетей?
Ответ: При интенсивном обучении (20+ часов в неделю) на формирование базовых компетенций может уйти от 1 до 2 лет.
Вопрос: В каких отраслях сейчас самые высокие зарплаты у специалистов по ИИ?
Ответ: Финансовый сектор (финтех, алготрейдинг), крупные IT-корпорации (FAANG), автомобилестроение (автономный транспорт) и медицинские исследования.
Вопрос: Что важнее для трудоустройства: диплом или портфолио проектов?
Ответ: Портфолио с реальными, завершенными проектами (например, на GitHub) часто имеет большее значение, чем диплом, особенно для стартапов.
Вопрос: Какие типичные задачи выполняет разработчик нейросетей на работе?
Ответ: Сбор и подготовка данных, проектирование архитектуры модели, обучение и валидация моделей, развертывание решений в production, их мониторинг и поддержка.
Вопрос: Нужно ли сразу углубляться в какую-то узкую специализацию?
Ответ: Нет, сначала стоит получить широкий базис (ML, DL), а затем, на основе интересов и рыночного спроса, выбрать направление: CV, NLP, генеративные модели и т.д.
Вопрос: Как оставаться востребованным в этой быстро меняющейся области?
Ответ: Непрерывное обучение (научные статьи, курсы, конференции), практика на актуальных задачах (соревнования Kaggle) и развитие soft skills (коммуникация, управление проектами).
Краткая памятка для начинающего разработчика ИИ
- Освойте Python на уверенном уровне, включая основные библиотеки для анализа данных (NumPy, Pandas).
- Заложите фундамент: линейная алгебра, математический анализ, статистика и теория вероятностей.
- Пройдите базовые курсы по машинному обучению (например, от Andrew Ng на Coursera).
- Изучите фреймворки для глубокого обучения: TensorFlow и/или PyTorch.
- Начните с простых проектов (классификация изображений, предсказание временных рядов) и выложите код на GitHub.
- Участвуйте в соревнованиях на платформах вроде Kaggle для получения практического опыта.
- Определитесь с интересующей специализацией (Computer Vision, NLP, Reinforcement Learning и др.).
- Углубитесь в чтение научных статей (arXiv.org) по выбранному направлению.
- Освойте инструменты для работы с большими данными и облачные платформы (AWS, GCP, Azure).
- Прокачайте навыки работы с системами контроля версий (Git) и контейнеризации (Docker).
- Учитесь не только строить модели, но и развертывать их (MLOps).
- Развивайте soft skills: умение ясно объяснять сложные концепции и работать в команде.
- Создайте профессиональный профиль на LinkedIn, актуальный GitHub и резюме, сфокусированное на проектах.
- Будьте готовы к непрерывному обучению — область развивается экспоненциально.
