Как стать инженером в области ИИ к 2026 году без диплома по информатике

Можно ли стать инженером искусственного интеллекта в 2026 году, начав с нуля и без диплома по информатике? Да, но план поможет. В эту сферу приходят люди из политики, музыки, сестринского дела, логистики — словом, из любых областей. Те, кто получает работу, отличаются от тех, кто тратит время впустую, прежде всего стратегией, а не талантом. Вот план на весь путь: что такое эта работа, почему она хорошо оплачивается, какие навыки необходимо освоить, как учиться, не тонуя в учебных материалах, что создавать и как преодолеть фильтр резюме.

Что на самом деле представляет собой эта работа

В объявлениях о вакансиях смешиваются три должности: инженер искусственного интеллекта, инженер машинного обучения и инженер программного обеспечения. Многие тратят месяцы на изучение требований, которые в итоге оказываются неактуальными для желаемой должности, поэтому стоит четко разграничивать их.

Инженер по ИИ создаёт приложения на основе моделей, которые уже были обучены кем-то другим. Claude, GPT, Gemini и модели с открытыми весами служат сырьём. Используя их, можно создавать системы для обобщения информации или автоматизации задач. Типичным примером является бот службы поддержки клиентов, который может находить информацию о заказе, отвечать на вопросы и обрабатывать возвраты средств.

Инженер по машинному обучению занимается чем-то иным: он обучает собственные модели на данных, например, движки рекомендаций или детекторы мошенничества. Ни одна из этих ролей не занимается созданием новых типов моделей. Это задача исследователей, у которых обычно есть докторские степени и которые следуют отдельной карьерной траектории.

Инженеры по программному обеспечению создают интерфейс, API или бэкенд вокруг модели. Ничто в их работе не связано непосредственно с самой моделью.

Вы, наверное, слышали, что инженеры ИИ — это просто программисты, использующие другой API. Это верно только для слабых инженеров ИИ. За простым вызовом API стоит гораздо больше: обработка контекста, поиск информации, оценка результатов, надежность системы. Разница между простым вызовом API и созданием надежной системы ИИ объясняет, почему зарплаты в этой сфере так высоки. Сейчас многие компании хотят внедрить ИИ в свои продукты, но удивительно мало людей умеют сделать это качественно.

Семь областей навыков

Вам не обязательно овладеть всеми аспектами ИИ перед тем, как начать разработку. Однако важно знать, что действительно важно, ведь эта область огромна. Следуйте тому, что на этой неделе назвали необходимым в Reddit или YouTube, и вы потратите часы на вещи, которые едва связаны с работой, которую хотите выполнять. Рассматривайте набор навыков как семь отдельных областей.

Программирование

Станьте по-настоящему хорошими в Python, ведь это ваш ежедневный инструмент. Овладейте использованием функций, классов, структур данных, механизмов обработки ошибок, вызова API и работой с библиотеками сторонних разработчиков. Кроме того, выработайте общие инженерные навыки: структурирование проектов, работа с Git, управление виртуальными средами и конфигурационными файлами, написание тестов и работа в командной строке.

Математика

Вам понадобится гораздо меньше, чем вы можете подумать. Полезны базовые знания линейной алгебры, теории вероятностей, статистики и математического анализа: векторы и матрицы, распределения, средние значения и дисперсия, производные и градиенты. Стремитесь к интуитивному пониманию, а не к ручным вычислениям. Вы должны знать, что означают эти понятия, и уметь распознавать их в своих системах, но от вас не будут требовать сложных вычислений вручную.

Основы машинного обучения

Эта работа не связана с обучением моделей с нуля, однако некоторые основные концепции становятся важными даже при использовании заранее обученных моделей. Необходимо знать разницу между надзорным и ненадзорным обучением, между наборами данных для обучения и тестирования, а также понимать понятия переобучения и недообучения, а также такие метрики, как точность и воспроизводимость. Необходимо получить общее представление о нейронных сетях, а позже — о принципах работы трансформеров, поскольку почти все модели, с которыми вы будете работать, основаны на этой архитектуре. Цель не в научных исследованиях, а в том, чтобы знать достаточно, чтобы понимать, что используемые вами модели не являются полностью закрытыми системами.

Основы инженерии ИИ

Именно здесь начинается настоящая специализация.

• Работа с большими языковыми моделями: использование основных моделей, понимание их различий и выбор между ними с учетом производительности, стоимости, скорости и условий лицензирования.

Инжиниринг промптов: это не просто постоянная настройка до получения желаемого ответа. Изучите методы промптинга с небольшим количеством примеров, структурированные результаты и защитные промпты, а также систематический способ проверки того, помогла ли какая-либо изменение.

Инжиниринг контекста: определение того, что видит модель, в каком порядке, и что следует исключить при наличии слишком большого объема информации.

RAG, или генерация с использованием дополнительных данных: возможность показать модели данные, находящиеся вне её набора обучения, такие как внутренние корпоративные документы. Это подразумевает понимание эмбеддингов, разделение данных на части, использование векторных баз данных и способы получения нужных материалов.

Оценка: измерение того, выполняет ли система требуемые задачи, с использованием тестовых наборов, метрик, метода оценки с привлечением LLM и проверки человеком.

Последние пункты помогают выйти за рамки простых API-запросов и заняться разработкой системы вокруг модели.

Агенты ИИ

Агент — это LLM, который может вызывать функции и продолжать действовать до завершения задачи. Вместо того чтобы просто генерировать текст, он может искать в Интернете, запрашивать данные из базы данных, обращаться к API или писать и запускать код. Узнайте, как работает вызов инструментов, как подключить агента к внешним системам и как проверить, правильно ли он выполняет задачи. Ознакомьтесь с MCP — протоколом контекста модели, стандартом для соединения ИИ-приложений с внешними инструментами и данными. В дальнейшем изучите многоагентные схемы, при которых несколько агентов делят между собой задачу. Эта область претерпела наибольшие изменения за последние несколько лет, и работодатели всё чаще ожидают от сотрудников знаний в ней.

Инженерия производства

Программа на ИИ, работающая на вашем ноутбуке — это одно. А программа, которую смогут использовать реальные пользователи, — совсем другое. Вам стоит выучить, как создавать API, использовать облачную платформу, контейнизировать приложения с помощью Docker и настраивать базовые системы CI/CD для развертывания изменений. Также необходимо добавить мониторинг и логирование, чтобы видеть, что делает система, и определять, что пошло не так. Уделите этому достаточно времени: именно это отличает просто красивую демонстрацию от чего-то, что могут использовать люди.

Подготовка к собеседованию

К сожалению, умение выполнять работу и умение пройти собеседование — это разные навыки. Для этапов программирования практикуйтесь в структурах данных и алгоритмах, освойте задачи в стиле LeetCode на Python. Важность этого варьируется в зависимости от компании, но это общепринято. Что касается проектирования систем, ожидайте всё больше вопросов, связанных с генеративным ИИ. Вам могут попросить спроектировать систему RAG, агента поддержки или другое приложение на основе LLM, способное к масштабированию, вместо того чтобы проектировать Twitter или Uber.

Занимайтесь подготовкой к собеседованиям одновременно со всем остальным, а не после того, как почувствуете себя готовыми. В противном случае вы можете месяцами совершенствоваться, а потом оказаться неготовыми к самому собеседованию.

Почему важен порядок

Несколько слов о порядке изучения, так как это часто создаёт путаницу. Эти семь областей не представляют собой лестницу, где каждая ступенька должна быть пройдена до следующей. С практической точки зрения сначала идёт программирование, поскольку всё остальное пишется на коде. Основы математики и машинного обучения можно долго оставлять на поверхностном уровне; они естественным образом углубляются, когда модель ведёт себя необычно и вы хотите понять почему. Основы инженерии ИИ и навыки работы с агентами становятся понятными только тогда, когда вы видите, как запрос не сработал или шаг поиска возвращает бессмыслицу. Навыки разработки для производства кажутся абстрактными, пока вы не попытаетесь представить результат своей работы другому человеку, и он окажется некорректным.

Вот почему стоит изучать циклы: немного учебы, немного практики, неудача, а затем снова целенаправленная учеба. Тот, кто только учится, оказывается в аду учебных материалов, просто смотрит видео и не может начать работу с чистым файлом. Тот же, кто сразу приступает к практике, имея базовые знания, понимает, чего ему на самом деле не хватает.

Обучение без огромной учебной программы

Семь областей — это много, и так и должно быть. Это часть причины хорошей оплаты за работу. Но самая большая ошибка — думать, что нужно пройти все области перед тем, как что-либо создавать. Делайте почти противоположное: возьмите курс, книгу или видео, чтобы изучить основы и узнать, что уже существует, а затем как можно скорее приступайте к практике. По ходу работы появятся пробелы в знаниях. Именно тогда стоит вернуться и подробно их изучить.

Вам также не обязательно тратить тысячи. Многие из лучших ресурсов бесплатны или стоят недорого.

• Python: интерактивный курс для начинающих, который поможет вам писать код вместо того, чтобы просто смотреть, как это делают другие.
• Математика: плейлист 3Blue1Brown о линейной алгебре и математическом анализе. Обе серии бесплатны и помогают сформировать визуальное понимание без необходимости месяцев ручных вычислений.
• Основы машинного обучения: курс Google Machine Learning Crash Course. Бесплатный, довольно короткий и охватывает большинство аспектов, необходимых для старта.
• Темы инженерии искусственного интеллекта: в каталоге курсов DeepLearning.AI есть короткие курсы по темам формулировки запросов, RAG, агентов и MCP; многие из них бесплатны. Они удобны, так как их можно изучить по мере необходимости в рамках конкретного проекта, без необходимости записи на ещё одну обширную программу.
• Подробное изучение языковых моделей: бесплатный курс Hugging Face LLM.

Книга, которую стоит купить: «AI Engineering» Чипа Хюэна, в которой рассматриваются фундаментальные модели, методы оценки, технологии RAG и процесс создания продакшн-версий. Она была написана до появления многих современных подходов в области MCP и агентов, поскольку эта отрасль развивается чрезвычайно быстро; если вы хотите ознакомиться с более современным материалом, дополните её чем-то более новым.

Вам не обязательно закончить всё это, прежде чем переходить дальше. Выберите то, что соответствует вашим текущим потребностям, изучите достаточно материала, чтобы двигаться дальше и создавать проекты.

Ваш первый проект

Сделайте его маленьким. Очень маленьким. Ему не нужно впечатлять рекрутера, привлекать тысячи пользователей, использовать сложную архитектуру агентов или быть идеей, которой ещё никто не придумал. Его цель — применить концепции, которые вы изучали, ведь именно так вы поймёте, что на самом деле понимаете.

Выберите проблему, которая вас лично интересует и которая достаточно проста, чтобы быстро создать её первую версию. Например, бот для рецептов, который считывает сканы рецептов вашей семьи и предлагает варианты ужина, или скрипт, который читает технологические новости и присылает вам ежедневное краткое резюме. Конкретная идея не так уж важна — важна личная привязанность к проекту, потому что, зная тему, вы можете оценить, хорошо ли работает ИИ, и будете склонны продолжать работу даже тогда, когда первые несколько часов веселья сменятся утомительной отладкой.

Потрудитесь немного над этим. Нормально просить ИИ объяснить новую концепцию, но постарайтесь написать код сами и решать проблемы самостоятельно. Команды по подбору персонала это хорошо понимают: люди, которые вышли на рынок труда после появления ИИ-ассистентов, часто сами себя ограничивают, слишком рано полагаясь на них и так и не достигая собственных пределов.

Как только простая версия заработает, сделайте её сложнее и интереснее. Пересмотрите список навыков и добавьте новые элементы:

• Создайте корректные механизмы оценки, чтобы можно было определить, работает ли система.
• Экспериментируйте с техниками обработки контекста и использованием RAG.
• Если это необходимо, предоставьте модели инструменты и превратите её в агента.

Затем выпустите проект. Разместите его там, где им смогут воспользоваться другие, добавьте системы мониторинга и логирования, а также подумайте о затратах, скорости работы, безопасности и о том, что произойдёт, если реальные пользователи будут поступать неожиданно. Не пытайтесь вместить все модные термины в один проект. Главная цель — показать, что вы способны превратить систему ИИ из идеи в надёжный продукт.

Как выглядит идеальная неделя первого проекта

Чтобы проиллюстрировать это, представьте себе идею краткого новостного обзора. В первый день вы пишете скрипт, который загружает несколько заголовков и просит модель их обобщить. Это работает, но не совсем. На второй день вы замечаете, что модель повторяет одно и то же и иногда выдумывает детали, из-за чего вам приходится изучать принципы формулировки запросов с примерами и структурированным выводом. На третий день вы понимаете, что совершенно не знаете, лучше ли вторая версия первой, поэтому пишете двадцать тестовых случаев и примитивный скрипт оценки. К концу недели вы читаете о механизмах поиска информации, потому что модель продолжает упускать важные статьи.

Ничего из этого не было запланировано. Каждая тема возникала потому, что этого требовал проект, и именно поэтому она остается важной.

Решение проблем других людей

Компании нанимают не по списку навыков, а людей, способных решать их проблемы. Ваш проект доказал, что вы умеете решать собственные задачи, поэтому следующим шагом становится решение проблем кого-то другого, и для этого вам не обязательно ждать работы.

Станьте волонтером в некоммерческой организации и создайте что-то, что сэкономит им время. Сделайте инструмент для группы по хобби, к которой вы уже принадлежите. Помогите малому бизнесу друга автоматизировать трудоемкий процесс. Или внесите вклад в проект с открытым исходным кодом, где вы будете работать над реальными проблемами вместе с опытными специалистами, которые могут давать обратную связь. Путь не так уж и важен. Главное — практика с требованиями, которые вы не создавали, ограничениями, которые вы не выбирали, и реальными людьми, которым важно, будет ли проект работать. Тогда, когда рекрутер спросит о вашем опыте, у вас будет что обсудить, и при правильном подходе это сможет попасть в ваше резюме.

Это не совет основать стартап только для того, чтобы получить работу. Это призыв создать собственный опыт вместо того, чтобы ждать, пока кто-то рискнет взять вас на работу. Пробиться без традиционного опыта сложно, и вам придётся проявлять креативность, смелость и быть заметными.

Как получить работу, когда фильтр резюме отклоняет вас

Без диплома по информатике или традиционного опыта в инженерии ваше резюме, скорее всего, будет отсеяно при проверке на некоторые вакансии ещё до того, как его прочитает человек. Это разочаровывает, но это не делает трудоустройство невозможным. Это означает, что стандартный способ подачи заявки через LinkedIn вам вряд ли поможет, поэтому сетевое общение должно играть более важную роль.

Сетевое взаимодействие здесь не означает работу в конференц-зале с кучей незнакомцев. Это значит познакомиться с людьми из компаний, которые вас интересуют. Выберите несколько организаций, в которые действительно хотели бы присоединиться. Найдите инженеров по ИИ, руководителей отделов кадров или других технических специалистов, которые публикуют свои работы, вносят вклад в открытый исходный код или выступают с докладами, и учитесь на их публичной деятельности. Затем относитесь к ним как к людям, а не как к посредникам. Задайте искренний вопрос о чем-то, что они создали. Перешлите ссылку или идею, связанную с их работой. А если вы тоже создавали что-то в этой области, покажите им это.

Не пытайтесь получить работу, прося о рекомендации. Слишком ранние запросы показывают незнакомцу, что вас больше интересует то, что он может для вас сделать, и такое сообщение легко проигнорировать. Дождитесь нескольких месяцев, а не дней, и поддерживайте лёгкий и честный диалог. Цель — наладить искренние отношения, чтобы когда появится вакансия, вы не оказались просто ещё одним резюме среди тысяч других.

Работает ли это? Многие люди получали свою первую стажировку, самостоятельно подавая заявки в стране, где не говорили на языке, и изучая совершенно не связанную с этим специальность. Это возможно, хотя делать это в одиночку сложно, поэтому ищите единомышленников и наставников, если это возможно.