Привет, Хабр! Меня зовут Алексей Кузин, и я стажер в МТС Web Services. В этом материале я расскажу про свой первый год обучения по совместной программе МТС и ВШЭ «Исследования и предпринимательство в искусственном интеллекте». Год назад я заканчивал бакалавриат на факультете теоретической физики МИФИ и на последнем курсе познакомился с машинным обучением, которое меня очень заинтересовало. Но я очень быстро понял, что ML — лишь одна из многих областей искусственного интеллекта и что существует множество других дисциплин и доменов, не менее для меня интересных.
На рынке есть огромное количество самых разных курсов, но я для себя решил, что хочу системности и структурности в их подаче, а также широты знаний и умений. В первую очередь это позволит самому определиться, в какой конкретной области развиваться профессионально. Поэтому я рассматривал различные варианты магистратуры и в итоге остановился на программе «Исследования и предпринимательство в искусственном интеллекте» от ВШЭ и МТС. В ней меня зацепили объем и новизна учебных материалов, вариативность курсов и очный формат, который позволял общаться с сокурсниками и преподавателями вживую. В этом посте я расскажу, как прошел мой первый учебный год: что понравилось, какие были сложности и что пригодилось на первом месте работы в ИТ.
Поступление прошло довольно спокойно
Оно состоит из трех этапов:
Подача документов и конкурс портфолио: там учитывались достижения, олимпиады, конференции, статьи. Также нужно было написать мотивационное письмо.
Экзамен. Он включал задания по линейной алгебре, теории вероятностей, матанализу, и простую задачу по машинному обучению. В целом, он не показался особенно сложным — если есть профильное образование, то это программа первого-второго курса вуза.
Итоговое собеседование. Его проводят эксперты и преподаватели из МТС и ВШЭ. Сначала необходимо рассказать о своем бэкграунде и зачем тебе учиться на программе. Техническая часть собеседования у меня преимущественно состояла из теории по математической статистике, а также основам нейронных сетей. Спрашивали стандартные вещи, показывающие твое понимание предмета.
Поступление прошло спокойно. Большую часть баллов дают экзамен и собеседование. Для подготовки к заданиям достаточно освежить знания из бакалавриата.
В первое время я не совмещал учебу и работу, хотел втянуться и разобраться, как все устроено. Времени уходило в среднем 30 часов в неделю, в сессию — чуть больше, так как программа проектно-ориентированная, и в конце горели сроки по финальным проектам.
Вышка во многих аспектах отличается от других университетов. С адаптацией помогали кураторы учебного отдела, которые заранее писали, например, о важных дедлайнах, устройстве системы выбора предметов, а также просто помогали разбираться с учебной рутиной.
Стоит отметить, что я ощущал эти особенности из-за смены вуза. Сложностей можно избежать, если вовремя выполнять мелкие дела: записываться на опциональные предметы, выбирать курсовую, проходить студенческую оценку преподавания (СОП). В общем, нужно было следить за актуальной информацией, которой в начале поступало много.
Со стартом учебы стало понятно, что программа действительно объемная
Тут стоит сделать ремарку, что у нас достаточно неоднородная группа: одни ребята уже с опытом работы в ИТ, другие нет. Разница в начальном уровне чувствовалась. Те, кто уже работал в ИТ, были знакомы с частью дисциплин. А тем, кто пришел без сильной математической базы, особенно с гуманитарных программ, было тяжело. В описании магистратуры есть упоминание о необходимости знать линал, теорвер, матан. Они реально пригодятся, а с нуля такие вещи сложно освоить.
Тут важную роль сыграла вариативность — в Вышке можно выбирать курсы под себя. На каждом уровне ты закрываешь предмет, набрав накопительный балл — этого будет достаточно. Либо ты можешь освоить материал глубоко — все зависит от амбиций и свободного времени. Это сильно облегчает жизнь: кому-то нужно просто познакомиться на начальном уровне с предметом, а кто-то хочет в нем закопаться. Есть возможность для маневра.
Особенно запомнились несколько курсов.
«Методы оптимизации»
Он у нас был вариативным, и это хорошо: предмет не самый простой, но очень полезный. Обучение почти любой модели — это так или иначе задача оптимизации. Он читается параллельно с курсом по ML — такое совмещение позволяло одновременно увязывать знания из смежных областей и понимать оба предмета на более высоком уровне.
Домашки были сложные и объемные, но увлекательными. Много задач на матричное дифференциирование, теорию по оптам. Рассматривали стохастическую оптимизацию, различные методы редукции дисперсии и доказательства к ним.
К слову о вариативности. В течение недели после записи на предмет есть возможность от него отписаться. Это клевая опция, потому что помогает подбирать предметы под себя.
«Инструменты анализа данных» и «Основы A/B-тестирования»
Я бы их поставил на одно место. Оба так или иначе про A/B-тестирование.
Первый курс больше сосредоточен на технических инструментах — рассказывается про различные виды бутстрапа, оптимальные техники бакетизации пользователей, про статистические тесты и их особенности и многое другое. На нем гоняют по сайтам R&D отделов разных компаний, нужно будет имплементировать новые методы, проводить сравнительный анализ. Очень живой и интересный курс.
Второй больше заточен уже на дизайне A/B-эксперимента. Он достаточно объемный с точки зрения теории UBICTech, но очень практичный. Уметь в A/B хотя бы на базовом уровне — это, наверное, важный элемент технической культуры.
«Вычисления на GPU»
В России таких курсов, кажется, не очень много, но тем не менее предмет суперважный. Для него требуется работа с вычислительными ресурсами, которые нам предоставлял MWS. Кстати, этот и часть других курсов читают эксперты из МТС и MWS основываются на их реальном опыте — это делает их еще более интересными.
Все серьезные вычисления идут на карточках, поэтому важно понимать, как это работает под капотом. На курсе мы учились писать эффективные cuda-ядра, получили соответствующее погружение в архитектуру GPU. В качестве финального проекта нужно было не просто написать ядро для решения какой-то задачи, а создать систему, которая бы разделяла большую задачу на части и распределяла их по разным карточкам, где уже проводился конечный расчет.
Такой проект превращает знания про cuda-ядра в умение сделать сервис, решающий реальную задачу. Я, например, написал сервис для кластеризации котировок акций с бирж. Кто-то из группы даже разработал аналог движка автодифференцирования PyTorch с использованием CUDA, кто-то написал свою имплементацию flash-attention.
«Reinforcement learning»
Обучение с подкреплением — это раздел ML, где мы учим агента принимать оптимальные решения, взаимодействуя со средой. В отличие от supervised-обучения, RL не требует размеченных данных. Это перспективная область, с которой стоит познакомиться. Курс также весьма объемный и современный. В домашках нам нужно было научить играть агентов в старые игры от Atari или управлять их движением в простых средах.
Я привел эти курсы, потому что они показались мне в целом достаточно уникальными и они из блока вариативных предметов, но на программе также есть хорошая базовая составляющая, например CV и NLP.
Первый год — не только учеба, но и живое общение
Когда я выбирал магистратуру, то метался между онлайн-программой и очным форматом, где занятия идут вечером и ты видишь людей. В итоге выбрал второе — и не пожалел ни разу.
Окружение делает процесс живым. В офлайн-формате ты видишь, как другие люди мыслят, работают, решают задачи. Ты растешь рядом с ними. Если вдруг кажется, что «ну вроде все знаю», достаточно послушать соседа — и быстро поймешь, что можно копнуть глубже. Это помогает узнавать новое и актуализировать свои собственные знания.
АI развивается стремительно, поэтому важно попасть в коммьюнити, где люди этим также горят. Нетворкинг работает, и не в стиле «обменялись визитками», а именно как профессиональное сообщество: ты узнаешь больше, ты быстрее двигаешься.
Многое из того, что давали в магистратуре, реально пригодилось на практике
После первого курса я начал работать. На одном из мероприятий MWS оставил свое резюме, и через некоторое время меня пригласили на собеседование в команду рекомендательных систем. И сразу же полученные знания пригодились на практике.
Если вам интересно, то вот какая у нас программа на два курса:
Например, базовый курс по ML — это основа, без которой вообще никуда. Курс по NLP сильно помог, потому что мы используем архитектуры, выросшие из NLP. Плюс предмет про вычисления на GPU. Недавно разбирал статью, где авторы приводили реализацию вычисления нового механизма внимания на CUDA. Разобраться с ней помогли как раз знания с курса «вычисления на GPU».
Курс по A/B-тестированию мне так или иначе понадобится в работе: единственная возможность оценки рекомендательной модели — это ее апробация на реальных пользователях.
За год мое восприятие ИИ тоже изменилось. Раньше все казалось магией. Читать статьи было интересно, но я не осознавал, что именно стоит за словами «мы предложили новый подход». Пожалуй, появилось больше насмотренности и понимания инженерной и академической составляющих статей и границ их применимости.
Главное — появляется возможность осознанно выбирать
До магистратуры я думал, что мне было бы интересно компьютерное зрение. Но когда попробовал, сравнил с другими курсами, понял, что куда сильнее тянет в сторону рекомендательных систем. Это область на стыке инженерии, математики и даже продуктовой аналитики. В ней нужно не просто обучить модель, но и посмотреть ее в проде, увидеть ее результаты и влияние на поведение пользователя. Это прям круто. Сейчас хочу развиваться именно в этой области, глубже изучить RL и временные ряды.
Если говорить про карьеру — у меня все складывается последовательно. Сначала я захотел разобраться, что вообще такое ИИ, посмотреть вширь, потом выбрал программу, попробовал разные направления, нашел свое и начал работать в нем. Хочу дальше расти именно в этом треке. Также смотрю в сторону преподавания — было бы интересно себя в нем попробовать.
Эту магистратуру я бы точно порекомендовал тем, кто серьезно хочет заниматься машинным обучением либо уже работает в индустрии — они здесь могут быстро нарастить знания в смежных доменах. Но и тем, кто только хочет войти в профессию, программа однозначно подойдет. ИИ — область большая, и эта магистратура дает возможность посмотреть на нее широко, познакомиться с классными людьми, получить экспертизу в самых разных доменах. Более того, объемные знания могут просто помочь в сторонних задачах. Например, можно сильно облегчить себе жизнь, если сдавать конспекты по гумманитарным предметам, написав не самый сложный RAG. Или помочь другим людям оптимально продать недвижимость, построив модель оценки ее стоимости.
Наверное, иметь глубокие знания в предметной области и знать вширь, что находится в соседних, важно не для всех. Но тут уже каждый сам определяет, что ему ближе.
Подать заявку в магистратуру «Исследования и предпринимательство в искусственном интеллекте» можно до 8 августа.
Для тех, кто ей заинтересовался, я собрал небольшую подборку полезных ссылок:
Страница с описанием программы и формой подачи заявки
Канал для абитуриентов в Telegram
Рассказ преподавателей о магистратуре и карьерных треках после нее
Истории студентов о том, как проходит обучение
Ну и итоговый чек-лист поступления в магистратуру:
⬇️ Собрать документы, необходимые для подачи.
⬇️ Подать заявку на сайте, зарегистрироваться в ЛК и прикрепить документы.
⬇️ Подготовиться к экзамену. Можно сходить на разбор демо варианта экзамена 24 июля в 18:00. Записаться можно по этой ссылке.
⬇️ Дополнительно: принять участие в соревновании на Kaggle, чтобы рассказать о результатах на собеседовании.
⬇️ Сдать 9 августа экзамен.
⬇️ Пройти 14 августа собеседование.
? Узнать результаты 18 августа!