ТОМСК, 8 авг – РИА Томск. Искусственный интеллект (ИИ) и анализ больших данных стали мощными инструментами, которые используют как государственные организации, так и бизнес. Это заставляет многих смотреть в сторону тематических курсов, чтобы найти работу в сфере ИИ и Big Data или "прокачаться" на старой и получать "айтишную" зарплату. Исследования рынка труда показывают, что оба направления являются перспективными, высокооплачиваемыми и востребованными. При этом у них разные задачи, требования и карьерные траектории. Как выбрать между ИИ и аналитикой данных, РИА Томск рассказали эксперты из Томского государственного университета, Института AIRI и компании "Авито", которые участвовали в проведении на базе ТГУ летней школы для студентов-айтишников.Сложные алгоритмы VS бизнес-задачиПервый эксперт – Юлия Мундриевская. Она является академическим руководителем магистерской программы "Дата-аналитика для бизнеса", которую реализует ТГУ совместно с Wildberries&Russ. Также Юлия курирует образовательные интенсивы по ИИ для сотрудников университетов и госкомпаний. Таким образом, она хорошо разбирается в обоих направлениях и может объяснить их различие."Искусственный интеллект (AI/ML) – это разработка алгоритмов, которые учатся на данных и принимают решения: нейросети, компьютерное зрение, NLP. Примерами профессий являются ML-инженер, Data Scientist. Чтобы всерьез изучать ИИ, понадобится углубленная математика: линейная алгебра, статистика, теория вероятности, и программирование: Python, библиотеки машинного обучения SciPy, NumPy, TensorFlow/PyTorch", – говорит Юлия.В свою очередь, дата-аналитика (Data Analytics) – это анализ данных для бизнес-решений: визуализация, A/B-тесты, прогнозирование трендов. К этому направлению относятся такие профессии, как аналитик данных, BI-аналитик, продуктовый аналитик. Для учебы нужны базовый Python, библиотеки для анализа Pandas (например, Matplotlib, Seaborn), статистика, SQL, BI-инструменты (Tableau, Power BI). "Выбирайте ИИ, если вам нравится математика и алгоритмы, вы хотите разрабатывать модели, готовы к более сложному обучению (машинное обучение требует глубоких знаний), а также если вас интересует работа в Tech-компаниях, R&D, стартапах", – советует Юлия.По ее мнению, дата-аналитику стоит выбрать тем, кому ближе практический анализ данных и работа с бизнес-задачами, кто планирует работать в маркетинге, финансах, управлять продуктом и хочет быстрее войти в IT-профессию. Мундриевская отмечает, что в аналитику порог входа ниже, чем в ИИ."Оцените также карьерные перспективы и зарплаты. ИИ/ML – выше требования, но и выше зарплаты (особенно в топовых компаниях). Но здесь конкуренция очень высокая, особенно среди джунов. Дата-аналитика – больше вакансий для начинающих и понятнее карьерные перспективы: можно идти вертикально в управление, а можно горизонтально – в data-science или менять направление аналитики", – объясняет Юлия.Она отмечает, что многие начинают с аналитики, а потом переходят в Data Science/ML или изучают оба направления параллельно: "Итак, короткое резюме. Хотите сложные алгоритмы и ML – ИИ. Любите работать с данными и бизнес-задачами – дата-аналитика. Не можете выбрать – начните с аналитики, потом углубляйтесь в машинное обучение".Программирование VS докладыЭксперт Института искусственного интеллекта AIRI Антон Конушин преподает студентам и руководит научной группой, которая изучает ИИ и использует аналитику данных."В учебных программах по ИИ и по аналитике данных студентам доведется изучать примерно один и тот же набор предметов, так как знания и навыки специалистов этих направлений требуются похожие. С моей точки зрения, выбирая направление, стоит оценить, нравится ли программировать и погружаться вглубь математических задач. Если ответ "Да, очень", тогда можно смело выбирать ИИ", – советует Конушин.Если навыки программирования и математики хороши, но вам при этом больше нравится готовить и делать доклады, погружаясь в новые темы, тогда лучше смотреть в сторону аналитики данных, считает он.Любители головоломок VS создатели новых решенийЭксперт от Авито – Константин Веснин, инженер Data Science в команде разработки LLM. На прошедшей в ТГУ летней школе для студентов он неоднократно рассказывал, что нужно для карьеры в сфере ИИ и анализа больших данных."Оба направления действительно имеют много общего в базовой подготовке – и там, и там нужна прочная математическая база, навыки программирования и понимание основных алгоритмов машинного обучения. Однако ключевые различия лежат в специализации и подходе к работе", – рассказывает Константин.Он считает, что дата-аналитика больше ориентирована на работу с бизнесом и требует развитых коммуникативных навыков – нужно презентовать результаты, объяснять сложные выводы простым языком, работать с заказчиками и понимать, почему один A/B-тест сработал, а другой провалился. "В "Авито" такие специалисты занимаются, например, проверкой продуктовых гипотез перед запусками, они ориентированы на то, чтобы все новые функции давали прирост наших ключевых метрик. Это направление подойдет тем, кто любит головоломки, обладает природным любопытством и умеет находить закономерности там, где другие видят только цифры", – объясняет эксперт.По его мнению, специалисты по ИИ и ML-инженеры, напротив, сосредоточены на создании новых технических решений, им необходимо более глубокое погружение в математику и программирование. "Команда машинного обучения "Авито" разрабатывает собственные генеративные нейросети, улучшает наши поисковые и рекомендательные алгоритмы, создает модели автоматической модерации объявлений и развивает множество других решений. Здесь важнее техническая глубина: понимание архитектуры нейронных сетей, умение обучать модели с нуля, экспериментировать с алгоритмами", – поясняет Константин.Это направление подойдет тем, кто готов заниматься исследовательской деятельностью и создавать системы, которые будут учиться и принимать решения самостоятельно. "Мой совет абитуриентам и тем, кто хочет зайти в ИИ или аналитику данных, – не спешите с окончательным выбором, попробуйте онлайн-курсы или поучаствуйте в хакатонах по обеим темам. Рынок труда показывает высокий спрос на обе специальности, поэтому главное – выбрать то, что соответствует вашим интересам и способностям", – резюмирует собеседник агентства
