Слухи о том, что ИИ оставит людей работы, немного преувеличены. Как показывает история, такие настроения возникают каждый раз с появлением новой революционной технологии: паровые механизмы, железные дороги, электричество и интернет. И каждый раз оказывается, что занятость, созданная с помощью этих технологий, многократно превышает все утраченные рабочие места. Новые мощные нейросети не станут исключением. Во‑первых, их возможности сами по себе открывают безграничные просторы для создания новых профессий и проектов для людей по их интересам. Во‑вторых, кто‑то с ними всё равно должен взаимодействовать: разрабатывать, обучать, проверять, ставить задачи, следить за безопасностью и так далее. ИИ сам себе задачи не поставит, и результат её выполнения не оценит. А за теми ИИ, которые могут сами ставить задачу — тем более нужен глаз да глаз.

Занимать места в этом поезде нужно пораньше. При жизни, взрослым и дееспособным застать революционный технологический переход — это событие, про которое говорят «такой шанс выпадает только раз в жизни». Раньше это и правда было так: в XVIII‑XX веках технологические переходы случались с шагом в 50–100 лет. Но с конца XX века прогресс значительно ускорился: те, кто пришли в интернет в 1990-е, мобильную разработку в 2000-е, вложился в Биткоин в 2010-е, обеспечили себе карьеру и источник дохода на всю жизнь. Но революционные преобразования, которые изменят всё, включая уже существующие отрасли (тот же интернет, мобильные технологии, финтек и так далее) и коснутся всех сфер деятельности, продолжают происходить как по часам каждое десятилетие. Волна перемен накроет всех, так почему бы не попробовать её оседлать?

ИИ для всех: как совершить переворот в своей карьере

Плюсы технологических переходов в том, что на ранних этапах, пока рыночная и трудовая ниша ещё не оформлена и не занята, она открыта практически для всех — как для людей с релевантным опытом, так и новичков, готовых перескочить из другой занятости (рассказ студента Университета искусственного интеллекта «Как я перестал работать ветеринаром и стал программистом‑нейронщиком«). Позже, когда рынок будет занят, поделен, а все рабочие места созданы и распределены, такой возможности уже не будет. По экспертным оценкам, рынок ИИ уже через 7 лет вырастет до двух триллионов долларов.

Сейчас, на том этапе, когда пока все в этой сфере ещё новички — самое время осваивать релевантные профессии и открывать ИИ‑бизнесы. Кстати, ту же ветеринарию ИИ тоже неизбежно изменит, как предсказуемыми способами — в области диагностирования, в первую очередь, так и совершенно неожиданными, которые только предстоит изобрести. Поэтому опыт «из ветеринара в ИИ‑инженеры» вовсе не означает расставания со своей прошлой профессией, а может стать способом вернуться в неё на своих условиях: например, открыть бизнес, опередив конкурентов в предложении кардинально новых услуг.

И то же самое верно для любых профессий. Для не‑айтишников ИИ открывает даже больше возможностей, потому что добавление ИИ в профессии, где цифровизация до сих пор не играла ключевой роли, может стать тем самым революционным переворотом в бизнесе, которым для многих отраслей в своё время стали интернет и мобильные телефоны. То есть, бросать просто так своё призвание и цинично уходить в ИИ «за длинным рублём» насовсем совершенно необязательно. Можно научиться работе с ИИ, а затем вернуться в свою профессию и её изменить.

Профессия в ИИ с нуля: с чего начать?

Выберите специализацию, которая ближе всего. Сфера ИИ включает в себя множество различных направлений, таких как компьютерное зрение; обучение с подкреплением; классическое машинное обучение; генетические алгоритмы; интеграция в production; управление проектами и продажа на заказ и так далее. 

Получите образование в области, связанной с ИИ. Время, необходимое для изучения ИИ, зависит от того, каким путём вы пойдёте: как самоучка или же через формальное образование.

Зачастую работодатели хотят от кандидатов на должность в сфере ИИ высшего образования в области компьютерных наук, математики или другой технической области. Однако для некоторых начальных должностей может быть достаточно ассоциированной степени или даже отсутствия степени. Тем более это необязательно, если вы рассчитываете вернуться с навыками ИИ в свою прежнюю отрасль или начать свой бизнес.

Продолжительность самообучения зависит от ваших предварительных знаний, количества свободных часов в неделю, которые вы можете себе позволить на это выделить, и доступных учебных ресурсов. Чтобы получить четкое представление о концепциях ИИ, языках программирования, таких как Python, математике и различных алгоритмах машинного обучения, может потребоваться от нескольких месяцев до года и более. Самостоятельные онлайн-курсы, учебные пособия и практические проекты могут ускорить процесс обучения — благо сейчас на рынке образования много предложений по обучению искусственному интеллекту, далее я расскажу про свой опыт в  Университете искусственного интеллекта.

Продолжительность формального образования более стандартизирована: получение бакалавра в области компьютерных наук, data science или смежных областях займёт ~четыре года, в ходе которых вы пройдёте всестороннюю подготовку по ИИ и смежным предметам.

Пройдите стажировку, чтобы получить практический опыт. Стажировка - это отличный способ получить практический опыт работы в сфере ИИ и узнать больше о том, как работает индустрия. Многие компании предлагают стажировки для студентов и выпускников, поэтому поищите возможности в своем регионе. Самые продвинутые программы курсов ИИ тоже включают в себя программы стажировок. В программе стажировок Neural University студенты реализуют проекты для компаний абсолютно разных сфер и размеров. 

Подайте заявку на начальные должности в сфере ИИ. После того, как вы получили образование и практический опыт, вы можете начать искать работу в сфере ИИ. Начните с поиска начальных должностей, таких как младший инженер машинного обучения или аналитик данных, чтобы получить больше опыта и продвинуться по карьерной лестнице. Кроме того, это поможет наработать необходимые связи, компетенции и найти перспективную нишу для собственного бизнеса. 

Или же вернитесь в свою область с новыми навыками. Если вы уже были специалистом в какой-то неайтишной специальности, то альтернативой началу карьеры в ИИ с низовых позиций, может стать возвращение в свою профессию на уровень начальника направления по интеграции ИИ или даже запуск бизнеса в своей уникальной нише. Люди на пересечении неайтишных профессий с ИИ-компетенциями первое время будут редки — и на них будет огромный спрос. А пригодится ИИ в абсолютно любой занятости: от врачей до перевозчиков, от музейного дела до добычи полезных ископаемых.   

Продолжайте развиваться. Сфера ИИ непрерывно развивается, поэтому важно продолжать обучение и развивать свои навыки. Существует множество онлайн-курсов и проектов, которые предлагают обучение ИИ для различных уровней знаний и целей. Некоторые из этих курсов охватывают глубокое обучение, машинное обучение, науку о данных, tensorflow, нейронные сети и прогнозную аналитику.

Нетворкинг и активность в ИИ-сообществе. Участие в сообществе ИИ может помочь вам узнать больше о новых технологиях и тенденциях, а также познакомиться с другими профессионалами в этой области. Посещайте конференции и мероприятия, участвуйте в онлайн-форумах и группах, чтобы расширить свою сеть контактов. Существуют бесплатные программы, которые школы ИИ предлагают для привлечения новых учеников, например, трехдневный интенсив «Университета искусственного интеллекта» для всех, кто хочет попробовать AI-разработку. Он длится 3 дня, за которые вы сами напишите целых 9 нейронных сетей. Также будет 3 домашних задания с проверкой и 1 интерактивный мастер-класс. Интенсив рассчитан на обучение с нуля, то есть, на людей вообще без опыта в этом направлении.

Личный опыт обучения в Университете искусственного интеллекта

В процессе выбора курсов по ИИ-разработке я перебрал много разных программ по машинному обучению. Все они начинались с таких тем как матанализ, тервер, теория случайных процессов, цепи Маркова, высшая алгебра с полноценным заходом в тензорное моделирование — и это, дескать, лишь малая часть требуемых знаний для для перехода к, собственно, нейросетям. Понятно, все это по срокам растягивается года на полтора, а по деньгам — от 200 тыс. руб в лучшем случае. Но я не собирался писать диссертацию. Всё, что мне требовалось по итогам курса — это портфолио законченных проектов для резюме, плюс решить парочку задач по текущей работе. 

Также перспективной представлялась возможность работы на фрилансе в будущем: нашёл заказ, быстро сделал, быстро получил оплату. Остановившись на Университете искусственного интеллекта, где было всё необходимое для разработки ML-моделей под большинство базовых задач без ухода в сложную, но совершенно непрактичную теорию, первую в своей жизни нейронку — распознавание изображений для игры в крестики-нолики — я обучил где-то через три часа после того, как впервые зашёл на учебную платформу. 

Техническое задание было: самостоятельно напишите нейронную сеть, которая может стать составной частью системы бота для игры в "Крестики-нолики". Используя подготовленную базу изображений, создайте и обучите нейронную сеть, распознающую две категории изображений: крестики и нолики. Добейтесь точности распознавания более 95% (accuracy)

Базовый курс по Machine Learning

Вот пример учебной программы курса “Data Science, нейронные сети, машинное обучение и искусственный интеллект”, который я прохожу в данный момент. Он разделяется на два блока - базовый и продвинутый.

Базовый блок

1. Синтаксис Python

2. Библиотеки Numpy и Matplotlib

3. Введение в нейронные сети. Линейный слой (Dense)

4. Обучающая, проверочная и тестовая выборки. Переобучение нейронных сетей

5. Сверточные нейронные сети

6. Модули. Интеграция нейронной сети на ДЕМО-ПАНЕЛЬ

7. Обработка текстов с помощью нейронных сетей

8. Рекуррентные и одномерные сверточные нейронные сети

9. Библиотеки Pandas и Matplotlib

10. Решение задачи регрессии с помощью нейронных сетей

11. Обработка временных рядов с помощью нейронных сетей

12. Обработка аудиосигналов с помощью нейронных сетей

13. Архитектура автокодировщика (Autoencoder)

14. Сегментация изображений

15. Создание простого веб-сервера и настройка параметров работы

16. Библиотека requests. Обращение к модели по API

Продвинутый блок

1. Вариационные автокодировщики

2. Генеративно-состязательные сети

3. Обработка текста. Модель Sequence-to-sequence

4. Обработка текста. Механизм Attention (Сети с вниманием)

5. Обработка текста. Механизм Transformers

6. Обучение с подкреплением. Введение. Алгоритм Q-learning

7. Обучение с подкреплением. Политические методы обучения, алгоритм Reinforce

8. Обучение с подкреплением. Сети с преимуществом, улучшенный алгоритм Q-learning.

9. Обнаружение объектов (Object Detection). Модель YOLOv3

10. Обнаружение объектов (Object Detection). Модели YOLOv4, RetinaNet

11. Обнаружение объектов. Технология треккинга объектов

12. Генетические алгоритмы. Введение. Базовые принципы

13. Генетические алгоритмы. Подбор гиперпараметров нейронной сети

14. Алгоритмы кластеризации данных

15. Обработка аудио. Распознавание речи (SpeechToText)

16. Обработка аудио. Технология TextToSpeech

Тут следует отметить, что для обучения необходимо освоить язык Python. Я владел им на достаточном уровне изначально, поэтому соответствующие разделы в мой список не включены. Если вы не владеете Python - его необходимо дополнительно включить в программу — «25 бесплатных курсов по Python».

Взгляд в будущее

ИИ, как товарищ Кольт, на какое-то время уравняет всех. Но, если посмотреть на прошлый опыт интернет-революции, мобильной революции и так далее, всё, что начинается с честной конкуренции гаражных стартапов, неизбежно заканчивается корпорациями и поделенным рынком, куда никакому гаражному стартапу уже не пробиться. ИИ не избежать этой участи тоже: рано или поздно, сегодняшние ИИ-стартапы станут завтрашними ИИ-монополистами. А если это неизбежно, то, как говорится, «не можешь остановить — возглавь». 

Вооружайтесь платными и бесплатными ресурсами, запасайтесь временем и терпением — и приступайте, революция ждать не будет.