Введение в машинное обучение: обзор профессии

От алгоритмов к обучению: как AI меняет логику разработки

Представьте, что вам поручили написать программу для блокировки спама в электронной почте. Вы, как классический программист, начинаете писать правила: если в письме есть слово «выигрыш» большими буквами — это спам. Если адрес отправителя состоит из случайных цифр — это спам. Программа работает отлично ровно два дня. Затем спамеры начинают писать «в ы и г р ы ш» через пробел. Вы добавляете новое правило. Они заменяют русскую «о» на английскую. Вы снова меняете код.

Через месяц ваш код превращается в неподдерживаемого монстра из тысяч условий, а спам всё равно просачивается.

Именно в этой точке, где заканчиваются возможности классического программирования, начинается территория машинного обучения (Machine Learning, или просто ML). Чтобы понять суть профессии ML-инженера, нам нужно разобраться, как искусственный интеллект переворачивает привычную логику создания программ.

Классическая разработка: власть инструкций

Вся история программирования до бума нейросетей строилась на одной фундаментальной парадигме: компьютер — это послушный, но абсолютно лишенный фантазии исполнитель.

Чтобы компьютер решил задачу, разработчик должен досконально понимать процесс решения и описать его шаг за шагом. У нас есть входные Данные, мы пишем для них Правила (алгоритм), и компьютер выдает Результат.

Данные + Правила = Результат

Например, чтобы рассчитать стоимость поездки в такси, разработчик пишет четкую формулу: базовая подача стоит 150 рублей, плюс 15 рублей за каждый километр, умножить на коэффициент спроса. Компьютер просто подставляет цифры в эту жесткую структуру. Это работает безупречно для бухгалтерии, баз данных и навигации.

Стена сложности: почему мы не можем запрограммировать кота

Проблема классического подхода в том, что мы можем написать правила только для тех процессов, которые понимаем сами и которые можно описать математически.

Попробуйте написать классическую программу, которая определяет, есть ли на фотографии кот. Фотография для компьютера — это просто матрица чисел, где каждое число обозначает цвет отдельного пикселя. Какие правила вы напишете? «Если есть два треугольника (уши) и круги (глаза)»? Но кот может свернуться клубком, отвернуться, быть в тени, быть пушистым или лысым. Значения пикселей будут меняться миллионами разных способов. Написать if-else для каждой возможной позы кота физически невозможно.

Мы столкнулись со стеной: мы сами легко узнаем кота, но не можем объяснить компьютеру, как именно мы это делаем.

Сдвиг парадигмы: пусть машина пишет правила сама

Машинное обучение элегантно обходит эту стену, переворачивая классическое уравнение с ног на голову.

Вместо того чтобы писать Правила, мы даем компьютеру Данные и готовые Результаты (ответы), и просим его самостоятельно найти закономерности и создать Правила.

Данные + Результаты = Правила

Возвращаясь к задаче со спамом: ML-инженер не пишет правила про заглавные буквы. Он собирает 10 000 обычных писем и 10 000 спам-писем. Он показывает их алгоритму и говорит: «Вот нормальные письма, а вот спам. Изучи их и сам найди, чем они отличаются».

Алгоритм анализирует частоту слов, скрытые связи, длину предложений и формирует сложную математическую модель. Эта модель и есть то самое Правило, которое мы искали. Теперь, когда придет новое, неизвестное письмо, модель пропустит его через себя и выдаст вердикт.

Как именно происходит «обучение»?

Слово «обучение» звучит очень по-человечески, но под капотом нет никакой магии — только математика и оптимизация.

Представьте, что мы хотим научить модель предсказывать цену квартиры по ее площади. У нас есть исторические данные: точки на графике, где по горизонтали — квадратные метры, а по вертикали — цена в миллионах.

Обучение модели — это процесс проведения линии через эти точки так, чтобы она лежала максимально близко ко всем известным примерам. Сначала алгоритм проводит случайную линию. Затем он измеряет свою ошибку (насколько линия далека от реальных цен) и немного сдвигает линию, чтобы ошибку уменьшить. Этот шаг повторяется тысячи раз, пока линия не ляжет идеально.

Как только линия зафиксирована — обучение закончено. Теперь, если вы дадите модели новую площадь (например, 65 квадратных метров), она посмотрит на свою линию и выдаст предсказанную цену.

В реальных задачах ML-инженера измерений не два (площадь и цена), а сотни или тысячи. Модель оценивает не только площадь, но и расстояние до метро, год постройки, этаж, наличие парковки. Линия превращается в сложную многомерную плоскость, которую человек не способен даже представить, но математика справляется с этим без труда.

Итог: в чем суть работы ML-инженера?

Если в классической разработке программист сам решает задачу и переводит решение на язык кода, то ML-инженер создает условия, в которых машина сама находит решение.

Его главный инструмент — не написание бесконечных логических условий, а работа с данными, выбор правильного алгоритма обучения и настройка параметров этого алгоритма. О том, как именно устроен этот процесс от сбора первой таблицы до запуска готовой модели в реальный мир, мы поговорим в следующей главе.

Анатомия ML-проекта: путь от сырых данных до работающей модели

Мы уже знаем, что модель машинного обучения самостоятельно выводит правила из исторических данных. Но если вы просто загрузите в алгоритм базу данных бухгалтерии или сырые логи сервера, чуда не произойдет — система выдаст ошибку или найдет ложные закономерности.

Создание искусственного интеллекта — это не написание одной магической строчки кода, а строгий производственный конвейер. Давайте разберем, какие этапы проходит проект на примере классической бизнес-задачи: предсказания оттока клиентов телеком-оператора (кто из абонентов собирается уйти к конкуренту в следующем месяце).

Этап 1: Сбор и понимание данных

Алгоритму нужно «топливо». Чтобы предсказать уход клиента, нам нужно собрать всю доступную историю его взаимодействия с компанией.

На этом этапе мы выгружаем данные из разных источников:

• CRM-система (возраст, пол, город, тарифный план).
• Биллинг (сколько денег потратил, были ли задержки оплаты).
• Техническая поддержка (сколько раз звонил с жалобами, тематика обращений).

Вся эта информация собирается в единую таблицу — датасет. Каждая строка в ней — это один клиент, а колонки — информация о нем.

Этап 2: Подготовка данных (Feature Engineering)

Это самый долгий и важный этап, на который уходит до 80% времени Junior ML-инженера. Алгоритмы понимают только числа. Они не знают, что делать с пустыми ячейками, опечатками или сложными датами.

Нам нужно очистить датасет и провести конструирование признаков (Feature Engineering) — превратить сырую информацию в понятные для алгоритма сигналы.

Сырые данные	Проблема	Готовый признак (Фича)
Дата рождения: 15.04.1990	Алгоритм не понимает календарь	Возраст: 36
Жалобы: "Инет тормозит!!!", "Опять обрыв"	Текст нельзя умножать и складывать	Количество жалоб за месяц: 2
Статус: Ушел к конкуренту	Текстовая метка	Целевая переменная: 1 (ушел) или 0 (остался)

Признак (или фича) — это измеримое свойство объекта, которое помогает модели принять решение. Чем лучше вы придумаете признаки, тем точнее будет предсказание. Часто простая модель на отличных признаках работает лучше, чем сложная нейросеть на сыром мусоре.

Этап 3: Разделение данных и обучение

У нас есть идеальная таблица, где для тысяч клиентов расписаны их признаки и известен финальный ответ (ушли они или остались). Теперь нужно передать эти данные алгоритму, чтобы он нашел скрытые правила.

Но здесь вступает в силу главное правило машинного обучения: никогда не проверяйте модель на тех же данных, на которых она училась.

Если дать алгоритму всю таблицу целиком, он может просто «зазубрить» ответы для конкретных людей, а не найти общие закономерности. Чтобы этого избежать, датасет разбивают на две части:

1. Обучающая выборка (Train) — обычно $70\% - 80\%$ данных. На них алгоритм ищет правила.
2. Тестовая выборка (Test) — оставшиеся $20\% - 30\%$. Эти данные мы прячем от алгоритма в «сейф» до самого конца.

Сам процесс обучения (Training) — это математическая оптимизация. Алгоритм смотрит на обучающую выборку и пытается подобрать такие внутренние настройки, чтобы его предсказания максимально совпали с реальными ответами.

Этап 4: Оценка модели (Evaluation)

Когда обучение завершено, мы достаем из «сейфа» тестовую выборку. Мы показываем модели признаки этих клиентов, но скрываем правильные ответы. Модель делает свои предсказания, а мы сравниваем их с реальностью.

Для оценки используются метрики — числовые показатели качества. Например, метрика Accuracy (точность) показывает долю правильных ответов:

$$\text{Accuracy} = \frac{\text{Верные предсказания}}{\text{Все предсказания}}$$

Если модель угадала поведение 90 клиентов из 100 в тестовой выборке, ее точность — $90\%$.

Этап 5: Внедрение (Production)

Модель, которая выдает $90\%$ точности в ноутбуке разработчика, не приносит бизнесу ни копейки. Ее нужно внедрить в реальную жизнь — вывести в продакшн.

Готовая модель сохраняется в виде файла (по сути, это набор математических весов и формул). ML-инженер «оборачивает» этот файл в программный интерфейс (API).

Теперь, когда клиент заходит в мобильное приложение телеком-оператора, приложение мгновенно отправляет его свежие признаки (возраст, траты, звонки) в наше API. Модель за миллисекунды рассчитывает вероятность оттока $P$. Если вероятность высока (например, $P > 0.8$, то есть превышает $80\%$), система автоматически отправляет клиенту SMS с персональной скидкой, чтобы удержать его.

Конвейер замкнулся: сырые данные превратились в автоматизированное бизнес-решение. В реальных компаниях этот конвейер обслуживают разные специалисты. Кто именно собирает данные, кто обучает модель, а кто выводит ее в продакшн? Об этом мы поговорим в следующей главе, где разберем роли в индустрии данных.

Роли в индустрии данных: чем ML-инженер отличается от Data Scientist и аналитика

Чтобы модель предсказания оттока клиентов начала приносить бизнесу деньги, её мало просто обучить. Нужно собрать терабайты истории звонков, очистить их от мусора, найти математические закономерности, а затем встроить готовую формулу в мобильное приложение так, чтобы она работала без сбоев для миллионов пользователей одновременно.

Сделать это в одиночку практически невозможно. Поэтому конвейер работы с данными обслуживает целая команда, где каждый отвечает за свой участок. Если в маленьком стартапе один человек может быть «человеком-швейцарским ножом», то в средних и крупных компаниях роли строго разделены.

Давайте разберем, кто есть кто в мире данных, и почему ML-инженер — это совершенно отдельная профессия.

Data Analyst (Аналитик данных): детектив прошлого

Аналитик смотрит в прошлое и настоящее. Его главная задача — помочь бизнесу принять решение прямо сейчас, опираясь на накопленные факты.

Аналитик не строит сложные системы искусственного интеллекта. Он пишет SQL-запросы к базам данных, ищет аномалии и упаковывает результаты в понятные дашборды (интерактивные графики).

Если мы вернемся к телеком-оператору, именно аналитик первым заметит проблему. Он выгрузит данные за год и скажет:

«Смотрите, на тарифе "Супер-Плюс" отток среди пользователей старше 50 лет вырос на 15%. Вероятно, это связано с недавним повышением абонентской платы».

Фокус: бизнес-метрики, визуализация, проверка гипотез (A/B-тесты). Результат работы: отчет, график или презентация, после которой директор по маркетингу меняет стратегию.

Data Scientist (Дата-саентист): исследователь будущего

Когда аналитик нашел проблему, а бизнес решил, что хочет предсказывать отток заранее, в игру вступает Data Scientist. Это ученый-исследователь от мира IT. Он смотрит в будущее.

Именно Data Scientist берет историческую выгрузку, проводит конструирование признаков (Feature Engineering), делит данные на обучающую и тестовую выборки и начинает эксперименты. Он применяет математику, статистику и алгоритмы машинного обучения, чтобы найти скрытые правила.

Его цель — подобрать такую модель, которая выдаст максимальную метрику качества, например Accuracy (или любую другую метрику, важную для решения бизнес-задачи). Он может неделями перебирать разные алгоритмы, меняя настройки, пока не добьется нужной точности.

Фокус: математика, статистика, алгоритмы ML, поиск скрытых закономерностей. Результат работы: математическая модель (код в ноутбуке исследователя), которая умеет с высокой вероятностью отличать клиента, готового уйти, от лояльного.

Machine Learning Engineer (ML-инженер): мост в реальность

Представьте: Data Scientist добился потрясающей точности. Его модель идеально предсказывает отток. Но есть проблема: эта модель существует только в виде экспериментального кода на его личном ноутбуке.

Как сделать так, чтобы биллинг-система компании автоматически отправляла данные в эту модель каждую секунду? Что будет, если одновременно придут данные о 100 000 абонентов — ноутбук саентиста просто сгорит.

Здесь на сцену выходит ML-инженер. Это классический разработчик (Software Engineer), который специализируется на машинном обучении. Он берет «сырую» модель у Data Scientist и превращает её в надежный, масштабируемый программный продукт.

В случае с телекомом ML-инженер:

1. Переписывает код исследователя так, чтобы он работал быстро и потреблял меньше памяти.
2. Оборачивает модель в API (программный интерфейс), чтобы мобильное приложение или CRM-система могли отправлять к ней запросы.
3. Настраивает серверы, чтобы система выдерживала пиковые нагрузки.
4. Создает систему мониторинга: если модель вдруг начнет ошибаться из-за изменения поведения пользователей, ML-инженер получит уведомление.

Фокус: программирование, архитектура, оптимизация, вывод в продакшн (Production). Результат работы: работающий сервис, интегрированный в IT-инфраструктуру компании, который стабильно выдает предсказания 24/7.

Data Engineer (Дата-инженер): строитель дорог

Для полноты картины стоит упомянуть еще одну важнейшую роль. Ни аналитик, ни саентист, ни ML-инженер не смогут работать, если данных нет или они лежат в виде разрозненных текстовых файлов на разных серверах.

Data Engineer строит конвейеры данных. Он пишет программы, которые каждую ночь забирают информацию из мобильного приложения, сайта и кассовых аппаратов, очищают её от системного мусора и аккуратно складывают в единое хранилище. Он прокладывает «трубы», по которым течет информация.

Сводная картина: кто за что отвечает

Чтобы окончательно закрепить разницу, посмотрим на эти роли через призму их главных вопросов и инструментов.

Роль	Главный вопрос	Основной инструмент	Что отдает бизнесу
Data Analyst	Что произошло и почему?	SQL, BI-системы (Tableau, PowerBI)	Инсайты, дашборды, отчеты
Data Scientist	Что произойдет в будущем?	Python, математика, ML-библиотеки	Обученная модель (алгоритм)
ML Engineer	Как заставить это работать стабильно и масштабно?	Python, Docker, API, облачные сервисы	Готовый сервис (Production)
Data Engineer	Как собрать и сохранить данные для всех остальных?	SQL, базы данных, Apache Airflow	Инфраструктура и хранилища

Граница между Data Scientist и ML-инженером часто бывает размытой. В некоторых компаниях саентисты сами выводят свои модели в продакшн. Однако индустрия всё больше движется к разделению труда: наука требует глубокого погружения в математику, а инженерия — в архитектуру программного обеспечения.

Выбирая путь Junior ML Engineer, вы выбираете путь инженера-разработчика. Вашим главным оружием будет не столько высшая математика, сколько умение писать чистый, надежный код и понимать, как работают современные IT-системы. О том, как выглядит типичный рабочий день на этой позиции и какие конкретно инструменты придется освоить, мы поговорим на следующем шаге.

Будни Junior ML-инженера: типовые задачи, инструменты и ожидания работодателей

По статистике индустрии, около 80% разработанных моделей машинного обучения никогда не добираются до реальных пользователей. Они навсегда остаются экспериментами в ноутбуках исследователей. Причина проста: бизнесу недостаточно просто найти математическую закономерность. Эту математику нужно превратить в надежный, быстрый и масштабируемый программный продукт. Именно здесь на сцену выходите вы — ML-инженер.

В прошлой главе мы выяснили, что ML-инженер — это мост между лабораторией Data Scientist'а и реальным миром (Production). Теперь давайте спустимся с уровня абстрактных схем на уровень ежедневной рутины. Чем конкретно вы будете заниматься в свой первый год работы на позиции Junior?

Ожидания vs Реальность

Главный миф, с которым сталкиваются новички: «Я буду целыми днями придумывать новые архитектуры нейросетей, как те парни, что создали ChatGPT».

Реальность Junior ML-инженера гораздо ближе к классической разработке программного обеспечения, чем к фундаментальной науке. Ваша главная задача — заставить чужую (или уже готовую) математику работать стабильно.

Миф (Ожидание)	Реальность Junior ML-инженера
Разработка новых AI-алгоритмов с нуля	Использование готовых библиотек и алгоритмов для решения бизнес-задач
Чтение научных статей (Paper) целыми днями	Написание чистого кода, тестов и настройка инфраструктуры
Работа со сложной высшей математикой	Работа с базами данных, серверами и программными интерфейсами (API)
Обучение гигантских нейросетей	Оптимизация небольших моделей, чтобы они работали быстро и без сбоев

Типовые задачи: один день из жизни Junior'а

Представьте, что вы работаете в крупной сети супермаркетов. Data Scientist вашей команды создал модель динамического ценообразования: она предсказывает, купит ли клиент товар, если предложить ему скидку 15%. Модель показывает отличную точность на исторических данных. Что делаете вы?

1. Упаковка модели в API

Data Scientist передает вам модель в виде файла и куска исследовательского кода в Jupyter Notebook (интерактивной среде для экспериментов). Этот код невозможно встроить в кассовый аппарат или мобильное приложение.

Ваша задача — написать веб-сервис (API). Вы пишете код, который будет принимать запрос от мобильного приложения («Клиент ID 12345 смотрит товар ID 987»), передавать эти данные в модель, получать предсказание и возвращать ответ за доли секунды. Бизнес требует, чтобы время ответа сервиса составляло $t < 200$ миллисекунд (где $t$ — время ответа, то есть задержка между отправкой запроса приложением и получением предсказания от модели). Вы оптимизируете код загрузки данных, чтобы уложиться в этот лимит.

2. Борьба с деградацией модели (Concept Drift)

Мир меняется. Модель, которая отлично предсказывала спрос на гречку в прошлом году, начнет ошибаться сегодня, потому что изменились цены, привычки людей или сезонность. Это явление называется Concept Drift (смещение концепта — изменение взаимосвязи между данными и целевой переменной, из-за чего падает качество предсказаний).

Вы не придумываете новую модель, но вы пишете скрипт (автоматический сценарий), который раз в неделю берет свежие данные из хранилища, заново обучает на них существующую модель и проверяет, не упала ли метрика Accuracy. Если всё хорошо — обновленная модель автоматически заменяет старую на сервере.

3. Решение проблемы «А у меня работает!»

Вы написали отличный код API, проверили на своем ноутбуке — всё летает. Вы передаете код IT-отделу для запуска на главном сервере компании, и он падает с ошибкой. Оказывается, на сервере установлена другая версия операционной системы и старая версия языка программирования.

Чтобы таких ситуаций не возникало, ML-инженеры используют контейнеризацию. Вы упаковываете свой код, саму модель и все необходимые системные настройки в единую изолированную коробку — Docker-контейнер. Этот контейнер будет работать абсолютно одинаково и на вашем стареньком ноутбуке, и на мощном сервере в облаке.

Инструментарий: что должно быть в вашем резюме

Чтобы справляться с описанными задачами, Junior ML-инженер собирает свой базовый чемоданчик инструментов. Вам не нужно знать всё на свете, но фундамент должен быть крепким:

1. Python — язык общения в мире ML. Вы должны уметь писать на нем чистый, понятный код, использовать функции и базовые структуры данных.
2. Библиотеки классического ML и работы с данными (pandas, scikit-learn). Вы не обязаны знать наизусть формулы алгоритмов, но должны уметь вызвать нужную функцию в коде и правильно подать в нее данные.
3. Фреймворки для создания API (например, FastAPI или Flask). Инструменты, которые превращают вашу модель в веб-сервис, доступный другим программам.
4. Git — система контроля версий. Позволяет работать в команде, сохранять историю изменений кода и безопасно откатываться назад, если вы случайно что-то сломали.
5. Docker — для создания тех самых изолированных контейнеров.
6. Базовый SQL — чтобы уметь самостоятельно выгрузить нужную табличку из базы данных, не дергая каждый раз Data Engineer'а.

Чего ждет работодатель от Junior-специалиста?

На собеседованиях от Junior-инженеров редко требуют глубоких познаний в математическом анализе или умения с нуля написать архитектуру трансформера. Работодатели ищут другое:

• Инженерная культура. Умение писать код, который легко читать другим людям. Использование понятных имен переменных, разбиение сложного кода на простые функции.
• Понимание полного цикла. Вы должны понимать, откуда берутся данные, как они превращаются в признаки (Feature Engineering), как обучается модель и как она попадает к пользователю. Вы должны видеть картину целиком, даже если пока отвечаете только за один её участок.
• Самостоятельность в поиске ответов. Junior не знает всего, и это нормально. Ожидается, что столкнувшись с ошибкой, вы сначала внимательно прочитаете текст ошибки, поищете решение в документации, и только потом пойдете с конкретным вопросом к старшему коллеге (Senior).

Ваша ценность на старте карьеры измеряется не количеством выученных алгоритмов, а способностью взять готовую идею и превратить её в работающий, надежный винтик большого бизнес-механизма.

В следующей, заключительной главе этого модуля мы соберем всё воедино и построим вашу карьерную карту: пошаговый план от изучения первой строчки кода до получения заветного оффера.

Карьерная карта: от первой модели до оффера в BigTech

Каждый год сотни тысяч людей скачивают датасет с пассажирами «Титаника», пишут десять строк кода на Python и получают модель, предсказывающую выживаемость с точностью 80%. Кажется, что до профессии рукой подать. Однако ИТ-компании месяцами не могут закрыть вакансии Junior ML-инженеров.

Парадокс возникает из-за разрыва между «игрушечным» машинным обучением в тепличных условиях и суровой реальностью Production, где модель должна работать стабильно, быстро и приносить бизнесу деньги.

В этой статье мы превратим хаотичный набор технологий, с которыми мы познакомились ранее, в четкую карьерную карту. Это ваш пошаговый план на ближайшие месяцы: от первой строчки кода до уверенного прохождения технического собеседования.

Фаза 1: Инструментальный фундамент

Невозможно строить небоскреб на песке. Для ML-инженера фундаментом являются язык программирования и математика.

1. Программирование (Python)

Python — это lingua franca машинного обучения. На старте вам не нужно знать специфические веб-фреймворки для создания сложных сайтов. Ваш фокус — структуры данных (списки, словари), циклы, функции и умение писать чистый, читаемый код. Вы должны научиться думать алгоритмически: как взять сырой текст, разбить его на слова, подсчитать их частоту и сохранить результат.

2. Математический минимум

Современные библиотеки позволяют обучить сложный алгоритм одной командой. Зачем тогда учить математику?

Математика нужна не для того, чтобы писать алгоритмы с нуля, а чтобы понимать, почему модель ошибается и как ее исправить. Вам понадобятся три кита:

• Линейная алгебра: компьютеры не понимают картинки или тексты, они понимают матрицы (таблицы чисел). Вы узнаете, как данные трансформируются в многомерных пространствах.
• Математический анализ: основа процесса обучения. Как алгоритм понимает, в какую сторону нужно изменить свои внутренние параметры, чтобы завтра ошибаться меньше, чем сегодня?
• Теория вероятностей и статистика: чтобы отличать реальную закономерность в данных от случайного совпадения.

Фаза 2: Классическое машинное обучение

Прежде чем переходить к нейросетям, генерирующим картины, нужно освоить классическое машинное обучение на табличных данных. Именно такие задачи составляют 80% реальной работы в бизнесе (предсказание спроса, кредитный скоринг, отток клиентов).

Здесь вы познакомитесь с базовой математической логикой предсказаний. Самый простой пример — линейная модель, которая описывается уравнением:

$$y = wx + b$$

Где:

• $y$ — это то, что мы предсказываем (например, стоимость поездки на такси).
• $x$ — входной признак (расстояние в километрах).
• $w$ — вес признака, который модель выучила из данных (например, тариф 20 рублей за километр).
• $b$ — базовое смещение (цена посадки в такси, например, 100 рублей).

Если расстояние $x = 5$ км, модель мгновенно посчитает: $y = 20 \times 5 + 100 = 200$ рублей.

На этом этапе вы научитесь подготавливать данные (Feature Engineering), обучать деревья решений, оценивать качество с помощью метрик и бороться с переобучением — ситуацией, когда модель идеально вызубрила обучающую выборку, но полностью проваливается на новых данных.

Фаза 3: Инженерная обвязка (MLOps)

Именно эта фаза превращает Data Scientist'а в ML-инженера. Как мы обсуждали в предыдущих главах, модель в Jupyter Notebook не приносит бизнесу пользы.

Ваша задача — научиться оборачивать математику в программный продукт. Для этого карта обучения включает:

1. SQL: язык запросов к базам данных. Вы должны уметь самостоятельно достать нужные данные из хранилища компании, а не ждать, пока их принесет аналитик.
2. API (FastAPI / Flask): создание интерфейса, чтобы другие программы могли отправлять вашей модели данные и получать предсказания.
3. Docker: упаковка вашего кода, модели и всех зависимостей в изолированный контейнер, чтобы код гарантированно работал на любом сервере.
4. Git: система контроля версий для совместной работы в команде.

Фаза 4: Сборка портфолио

Когда инструменты освоены, приходит время доказать свои навыки работодателю. Главная ошибка новичков — пустое резюме или портфолио, состоящее из учебных задач.

Pet-проект (от англ. pet — питомец) — это ваш личный тренировочный проект, который вы делаете в свободное время для отработки навыков и демонстрации их будущему работодателю.

Давайте сравним два подхода к созданию pet-проекта:

Признак	Слабое портфолио (Учебный подход)	Сильное портфолио (Инженерный подход)
Данные	Скачанный готовый чистый датасет (Титаник, цены на жилье в Калифорнии).	Собранные самостоятельно данные (парсинг сайтов, открытые API).
Результат	Jupyter Notebook с графиками и выводом метрики Accuracy.	Работающий Telegram-бот или веб-сервис, которым может воспользоваться любой человек.
Инфраструктура	Код лежит локально на компьютере.	Проект упакован в Docker и развернут на бесплатном облачном сервере.
Фокус	Выжать 99% точности любой ценой.	Создать стабильный сервис, пусть и с моделью средней точности.

Хороший pet-проект для Junior ML-инженера — это, например, Telegram-бот, который просит пользователя скинуть ссылку на объявление о продаже квартиры, сам скачивает оттуда параметры, прогоняет через вашу обученную модель и выдает вердикт: «Цена завышена на 15%».

Резюме вводного модуля

Путь от абсолютного новичка до оффера в BigTech (крупной технологической компании) обычно занимает от 9 до 12 месяцев регулярных занятий. Это марафон, а не спринт.

Мы завершили обзорный модуль. Вы узнали, чем машинное обучение отличается от классического кода, как устроен жизненный цикл ML-проекта, кто есть кто в индустрии данных и какие задачи вам предстоит решать. Карта у вас в руках.

Следующий шаг — сделать первый реальный шаг по этому маршруту. В следующей главе мы открываем среду разработки и начинаем осваивать язык Python — тот самый фундамент, на котором будет построено всё ваше будущее в искусственном интеллекте.