Привет, Хабр! В эфире руководитель проектов компьютерной редакции издательства «БХВ» @Holmogorov и сегодня я хотел бы поговорить о будущем, вернее о том, какие направления стоило бы изучать современным молодым специалистам.

Годы идут, тенденции меняются: помнится, во времена моей студенческой молодости все мечтали учиться на бухгалтеров и экономистов, ведь они считались чрезвычайно востребованными молодой рыночной экономикой нашей страны. Очень быстро учебные заведения наплодили такое количество подобных специалистов, что многие из них были вынуждены перебиваться случайными заработками. Потом случился бум программистов, затем все старались стать веб-дизайнерами, специалистами по SEO и интернет-рекламе, экспертами по крипте и блокчейну, и вот теперь — по искусственному интеллекту. Возникает справедливый вопрос: какие аспекты ИИ все-таки перспективнее всего изучать сейчас, насколько это оправдано и не схлынет ли такая мода через пару лет, как сошли на нет все остальные?

Полностью исключать такой сценарий, конечно, нельзя. Названия конкретных моделей меняются быстрее, чем издательский отдел успевает получить оригинал новой книги, API успевают пару раз поменяться ещё до выхода перевода, а вчерашний «самый перспективный AI-фреймворк» завтра вполне может оказаться в разделе документации с пометкой «устаревшие технологии». В общем, конкретный инструмент вполне может исчезнуть. Навык работы с ним — тоже имеет все шансы устареть, особенно, если этот навык сводился к знанию пятнадцати команд и нажатию пары кнопок. А вот понимание машинного обучения, работы с данными, архитектуры нейросетей, трансформеров, подготовка и оценка моделей, построение систем поверх LLM, интеграция моделей с обычным программным обеспечением — всё это уже гораздо более фундаментальные вещи. Вот и давайте подумаем, что имеет смысл изучать, скажем, условному студенту из 2026 года, а на что лучше не тратить время вовсе.

А что вообще такое машинное обучение?

Начать я бы предложил с книги Лоуренса Морони «Искусственный интеллект и машинное обучение для программистов в PyTorch», оригинал которой вышел у O'Reilly в 2025 году.

Это довольно показательная книга уже по самому своему подходу. Морони не предлагает сначала полгода изучать высшую математику, а потом наконец разрешает читателю открыть Python. Он идёт от практики: PyTorch, компьютерное зрение, обработка естественного языка, последовательностные модели, трансформеры, Hugging Face, генеративные модели, диффузионные модели, дообучение и LoRA.

Это, на мой взгляд, важный момент для начинающего специалиста. Сегодня очень легко начать изучение ИИ с вопроса «как написать промпт, чтобы Claude сделал мне программу?». Проблема в том, что такой «эксперт» довольно быстро упирается в пределы собственного понимания технологии. Что делать, если модель ошибается? Почему одна модель работает лучше другой? Что такое embeddings? Зачем нужна токенизация? Что происходит при дообучении? Почему модель переобучается? Что вообще означает фраза «оценить качество» модели?

Пока на эти вопросы приходится отвечать «ну, наверное, нейросеть так решила», полноценного AI-специалиста не получится. Поэтому базовый уровень машинного обучения  всё-таки нужно знать, более того, чем больше вокруг становится готовых моделей, тем полезнее понимать, что именно эти модели умеют и как они устроены изнутри.

LLM — это не чёрный ящик

Следующая остановка — «Языковые модели без лишних слов» от Андрея Буркова, автора бестселлера The Hundred-Page Language Models Book. Вокруг больших языковых моделей возникла удивительная ситуация: миллионы людей ими пользуются, огромное количество программистов встраивают их в свои проекты, но при этом далеко не все хорошо понимают, что именно они встраивают. Бурков предлагает как раз исправить эту ситуацию: посмотреть языковым моделям под капот.

Выясняется, что за магическим словом LLM стоят вполне конкретные вещи — представления данных, векторы, вероятности, архитектуры нейронных сетей, attention, трансформеры, обучение, fine-tuning, LoRA и так далее. Это уже не знание конкретного продукта: ChatGPT может исчезнуть как бренд, очередная модель может выти из моды, а принципы работы трансформеров от этого никуда не денутся. Именно такие книги я бы особенно рекомендовал тем, кто собирается не просто пользоваться ИИ, а заниматься им профессионально.

Что языковые модели умеют делать?

Следующая книга, которую я бы рекомендовал для изучения — Джей Аламмар и Маартен Гроотендорст, «Большие языковые модели на практике: Понимание языка и генерация текстов».

Эту книгу можно смело назвать бестселлером: английский оригинал Hands-On Large Language Models вышел у O'Reilly в 2024 году и занимает 6 место в разделах «Natural Language Processing» и «Data Modeling & Design» при более чем 300 положительных отзывах. Книга не о том, как написать очередной «чатик с нейросетью», она разбирает представление текста, embeddings, attention, архитектуру трансформеров, семантический поиск, классификацию и кластеризацию документов, генерацию текста, RAG, fine-tuning и оценку моделей. То есть, читатель постепенно проходит путь от понимания принципов до практического использования готовых языковых моделей.

Типичный бизнес-кейс внедрения ИИ сейчас выглядит примерно так: «У нас есть чертова куча  документации, база знаний, технические инструкции, несколько миллионов файлов и сотрудники, которые уже устали всё это обрабатывать. Можно сделать, чтобы система сама находила нужную информацию и нормально на неё отвечала?». И вот для решения именно таких задач уже требуется не магия промптов, а довольно серьёзная инженерия. Книга Джея Аламмара и Маартена Гроотендорста раскрывает основы этой инженерии — на мой взгляд, это одно из наиболее практичных направлений для изучения.

Ещё больше практики!

Если хочется прокачать практические навыки, я бы выделил книгу Сухаса Пая «Разработка приложений на базе больших языковых моделей».

Английский оригинал Designing Large Language Model Applications вышел у O'Reilly в 2025 году. Книга рассказывает о создании работающих продуктов на базе ИИ: о подготовке данных, дообучении, оптимизации инференса, embeddings, RAG, агентах, об интеграции LLM с внешними инструментами и архитектуре готовых систем.

Сама модель сегодня всё чаще превращается в относительно стандартный компонент: вы можете подключить её через API, скачать открытую модель и запустить локально, дообучить её или использовать несколько моделей одновременно. А дальше начинается обычная инженерная работа: данные, архитектура, latency, стоимость, безопасность, контроль качества, интеграции, мониторинг. Обо всем этом и рассказывает читателям Сухас Пай — для человека, который уже знает программирование и хочет перейти именно к разработке AI-продуктов, это, пожалуй, одна из самых интересных и практичных книг, посвященных искусственному интеллекту.

ИИ должен не только отвечать, но и действовать

Настало время вспомнить о новомодном термине — ИИ-агентах, о которых рассказывает книга «Изучаем LangChain: разработка AI- и LLM-приложений с использованием LangChain и LangGraph» Нуну Кампоса и Майо Ошина.

Это издание посвящено уже не просто работе с LLM, а построению систем, которые используют внешние данные, сохраняют состояние, вызывают инструменты и организуют более сложные цепочки действий. И вот тут я бы сделал небольшую оговорку: учить LangChain как конечную профессию я бы всё-таки не советовал. Изучать стоит то, что за ним стоит: архитектуры агентов, оркестрацию, вызов инструментов, управление состоянием и контекстом, RAG, оценку и тестирование AI-систем. Сам LangChain или любой другой конкретный фреймворк вполне способен года через два отъехать на свалку истории. То есть читать эту книгу имеет смысл не ради заучивания API LangChain, а ради понимания того, как вообще устроены современные агентные приложения.

Это примерно как с веб-разработкой двадцать лет назад: не очень разумно было строить карьеру вокруг знания десяти конкретных кнопок Dreamweaver, а вот умение понимать HTTP, архитектуру приложения, базы данных и клиент-серверное взаимодействие оказалось значительно более долгосрочным вложением.

ИИ - это не только чат-боты

Напоследок хочу упомянуть книгу «Генеративный ИИ на практике: трансформеры и диффузионные модели» Педро Куэнки, Аполинарио Пассоса, Омара Сансевьеро и Джонатана Уитакера. Английский оригинал называется Hands-On Generative AI with Transformers and Diffusion Models. Он посвящён уже не только тексту: здесь рассматривается генерация изображений, аудио и музыки, трансформеры, VAE, CLIP, диффузионные модели, Stable Diffusion, fine-tuning и адаптация готовых моделей. У оригинала сейчас очень высокий рейтинг на GoodReads — около 4,69/5, хотя выборка пока небольшая, всего около 16 оценок.

Когда звучит фраза «карьера в сфере искусственного интеллекта», многие автоматически представляют себе разработчика чат-ботов. Но генеративные модели гораздо шире текста: они способны создавать изображения, звук, видео, к ним относится компьютерное зрение, мультимодальные системы, робототехника и десятки специализированных приложений. Возможно, именно в этой сфере  через несколько лет окажутся некоторые из самых интересных прикладных задач, о которых сегодня мы вообще не задумываемся.

Так что изучать?

Ландшафт нейросетей и языковых моделей меняется очень и очень быстро, поспеть за ним непросто. Есть ли перспективы у этого направления в будущем?

Думаю, ИИ как карьерное направление не исчезнет, но отдельные модные технологии внутри него будут меняться буквально на глазах. Поэтому молодому специалисту разумнее изучать не очередной конкретный сервис, а несколько устойчивых уровней стека — от основ ML до построения работающих AI-систем. А помогут ему в этом хорошие и интересные книги!