Як стати інженером штучного інтелекту у 2026 році без диплома з інформатики

Чи можна стати інженером штучного інтелекту у 2026 році, починаючи з нуля та без диплома з інформатики? Так, але план допоможе. Люди потрапляють у цю галузь з політики, музики, сестринської справи, логістики — куди завгодно. Те, що відрізняє тих, хто отримує посади, від тих, хто марнує час, — це переважно стратегія, а не талант. Ось план для всього шляху: що таке ця робота, чому вона добре оплачується, які навички потрібно опанувати, як вивчати без перевантаження навчальними матеріалами, що створювати та як пройти фільтрацію резюме.

Що насправді означає ця робота

Оголошення про вакансії змішують три посади: інженер штучного інтелекту, інженер машинного навчання та інженер програмного забезпечення. Багато людей витрачають місяці на навчання згідно з вимогами, які виявляються неактуальними для бажаної посади, тому варто чітко розмежовувати їх.

Інженер з ШІ створює додатки на основі моделей, які вже були навчені іншими. Claude, GPT, Gemini та моделі з відкритими вагами є сировиною. Використовуючи їх, можна створювати системи, які узагальнюють інформацію чи автоматизують завдання. Типовим прикладом є бот для обслуговування клієнтів, який може знаходити інформацію про замовлення, відповідати на запитання та обробляти повернення грошей.

Інженер з машинного навчання робить щось інше: навчає спеціалізовані моделі на даних, таких як двигун рекомендацій чи детектор шахрайства. Жодна з цих ролей не створює нових типів моделей. Це завдання належить дослідникам, які зазвичай мають докторські ступені та працюють за окремою кар’єрною траєкторією.

Інженери програмного забезпечення створюють інтерфейс, API чи бекенд навколо моделі. Жодна частина їхньої роботи не є специфічною для конкретної моделі.

Ви почуєте, що інженери ШІ — це просто інженери програмного забезпечення, які використовують інший API. Це справедливо лише щодо слабких інженерів ШІ. Багато чого лежить за межами виклику API: обробка контексту, пошук інформації, оцінка результатів, надійність. Різниця між викликом API та створенням надійної системи ШІ пояснює, чому зарплати в цій галузі настільки високі. Зараз багато компаній хочуть мати ШІ у своїх продуктах, але дивно мало людей можуть це зробити якісно.

Сім сфер навичок

Вам не потрібно опанувати все в галузі ШІ, перш ніж почати розробку. Однак вам необхідно знати, що є важливим, адже ця галузь надзвичайно обширна. Слідкуйте за тим, що цього тижня вважається ключовим на Reddit чи YouTube, і ви витратите години на речі, які ледве стосуються посади, яку хочете отримати. Уявіть собі набір навичок як сім сфер.

Програмування

Досконало опануйте Python, адже це ваш щоденний інструмент. Оволодійте функціями, класами, структурами даних, обробкою помилок, викликом API та використанням бібліотек третіх сторін. Крім того, розвивайте загальні інженерні навички: структурування проекту, використання Git, керування віртуальними середовищами та конфігураційними файлами, написання тестів та робота з командним рядком.

Математика

Вам знадобиться значно менше, ніж ви можете собі уявити. Допоможуть базова лінійна алгебра, теорія ймовірностей, статистика та математичний аналіз: вектори та матриці, розподіли, середні значення та дисперсія, похідні та градієнти. Намагайтеся спиратися на інтуїцію, а не виконувати ручні обчислення. Ви повинні розуміти значення цих понять та впізнавати їх у своїх системах, але ніхто не буде вимагати від вас детального розв’язування рівнянь на папері.

Основи машинного навчання

Ця робота не полягає у навчанні моделей з нуля, проте деякі основні концепції все одно стають важливими навіть під час використання заздалегідь навчених моделей. Необхідно знати різницю між керованим та некерованим навчанням, між наборами даних для навчання та тестування, явищами перенавчення та недонавчення, а також показниками на кшталт точності та відтворюваності. Слід отримати загальне уявлення про нейронні мережі, а згодом — про принципи роботи трансформерів, адже майже кожна модель, з якою ви будете працювати, побудована на цій основі. Метою не є розвиток дослідницьких навичок, а достатнє розуміння того, щоб моделі, якими ви користуєтесь, не були справжніми „чорними скриньками“.

Основи інженерії ШІ

Саме тут починається справжня спеціалізація.

• Робота з великими мовними моделями: використання провідних моделей, розуміння їхніх відмінностей та вибір між ними з урахуванням продуктивності, вартості, швидкості та умов ліцензування.

Інженерія запитів: це більше, ніж просто експериментування, поки відповідь не стане прийнятною. Дізнайтеся про запити з кількома прикладами, структуровані результати та захисні запити, а також про систематичний спосіб перевірки ефективності змін.

Інженерія контексту: вирішення питань про те, що бачить модель, у якому порядку та що видаляється, коли інформації занадто багато.

RAG, або генерація з підтримкою пошуку: можливість надавати моделі доступ до даних поза межами її навчального набору, наприклад до внутрішніх корпоративних документів. Це включає розуміння ембеддингів, чанкування, векторних баз даних та способів отримання потрібних даних.

Оцінка: вимірювання того, чи виконує система ваші вимоги, за допомогою тестових наборів, метрик, використання LLM як судді та людського перегляду.

Останні пункти дозволяють вийти за межі API-викликів та зайнятися розробкою системи навколо моделі.

Штучні інтелектуальні агенти

Агент — це LLM, який може викликати функції та продовжувати діяти до завершення завдання. Замість того, щоб лише генерувати текст, він може шукати інформацію в Інтернеті, запитувати базу даних, використовувати API чи писати та запускати код. Дізнайтеся, як працює виклик інструментів, як під’єднати агента до зовнішніх систем та як перевірити, чи він правильно виконує завдання. Ознайомтесь з MCP — Model Context Protocol, стандартом для підключення ШІ-застосунків до зовнішніх інструментів та даних. Зрештою, вивчіть сценарії роботи з кількома агентами, де кілька агентів розділяють завдання. Ця галузь зазнала найбільших змін за останні кілька років, і роботодавці все частіше очікують від працівників знань у цій сфері.

Інженерія продакшну

Програма на основі ШІ, яка працює на вашому ноутбуці — це одне. Але щоб вона витримала реальних користувачів — це зовсім інше. Вам потрібно дізнатися, як створювати API, використовувати хмарні платформи, контейнізувати за допомогою Docker та налаштовувати базові системи CI/CD для розгортання змін. Додайте моніторинг та журналування, щоб бачити, що робить система, та з’ясовувати, що пішло не так. Присвятіть цьому достатньо часу — саме це відрізняє гарну демонстрацію від чогось, що можуть використовувати люди.

Підготовка до інтерв’ю

На жаль, вміння виконувати роботу та вміння пройти співбесіду — це різні навички. Для етапів програмування потрібно практикуватися з структурами даних та алгоритмами та ознайомитися з завданнями у стилі LeetCode на Python. Наскільки це важливо, залежить від компанії, але це є загальноприйнятим. Щодо проектування систем, очікуйте все більше запитань на тему генеративного ШІ. Замість проектування Twitter чи Uber вас можуть попросити розробити систему RAG, агента підтримки чи інший додаток на основі LLM, який має здатність до масштабування.

Працюйте над співбесідами паралельно з усім іншим, а не тоді, коли вже відчуваєте себе готовими. Інакше ви можете місяцями покращувати свої навички, а потім виявити, що не готові до самої розмови.

Чому важливий порядок

Коротко про послідовність, адже вона часто створює плутанину. Ці сім сфер — це не драбина, де кожна сходинка мусить бути пройдена перед наступною. З практичної точки зору спочатку йде програмування, адже все інше пишеться у коді. Основи математики та машинного навчання можуть довго залишатися поверхневими, і вони природно поглиблюються, коли модель поводиться дивно та ви хочете зрозуміти чому. Основи інженерії ШІ та навички роботи з агентами справді стають зрозумілими лише після того, як ви бачите, як запит провалюється або як крок отримання даних повертає нісенітницю. Навички виробничої роботи здаються абстрактними, поки ви не спробуєте представити щось іншій людині, і це «зламається».

Ось чому варто вивчати роботу з циклами: трохи навчання, трохи створення коду, перешкода, а потім знову цілеспрямоване навчання. Той, хто лише вивчає, опиняється у пеклі навчальних матеріалів, слухає відео та не може почати з порожнього файлу. Той, хто відразу починає створювати код, маючи базові знання, розуміє, що саме бракує.

Навчання без величезного плану

Сім областей — це багато, і так має бути. Це частина причини хорошої оплати. Але найгіршою помилкою є віра в те, що потрібно завершити кожну область перед тим, як щось створити. Робіть майже протилежне: візьміть курс, книгу чи відео, щоб опанувати основи та побачити, що вже існує, а потім якомога швидше почніть створювати. У процесі з’являтимуться прогалини — саме тоді потрібно повернутися та детально їх вивчити.

Вам також не потрібно витрачати тисячі. Багато з найкращих ресурсів є безкоштовними або дешевими.

• Python: інтерактивний курс для початківців, який допоможе вам писати код замість того, щоб просто спостерігати, як це робить хтось інший.
• Математика: плейлист 3Blue1Brown про лінійну алгебру та математичний аналіз. Обидві серії є безкоштовними та допомагають сформувати візуальну інтуїцію без необхідності місяцями виконувати ручні обчислення.
• Основи машинного навчання: безкоштовний курс Google Machine Learning Crash Course. Він досить короткий та охоплює більшість аспектів, необхідних для початку роботи з машинним навчанням.
• Теми інженерії ШІ: у каталозі курсів DeepLearning.AI є короткі курси з тем таких як prompting, RAG, агенти та MCP; багато з них безкоштовні. Вони корисні тому, що дозволяють вивчати конкретну тему лише тоді, коли це необхідно для проекту, замість того, щоб записуватися на ще одну об’ємну програму.
• Детальний огляд моделей мов: безкоштовний курс Hugging Face LLM.

Одна книга, яку варто придбати: «AI Engineering» Чіпа Хуєна, яка охоплює фундаментальні моделі, оцінку, технології RAG та процес створення продакшн-версій. Вона була опублікована раніше, ніж з’явилися багато сучасних розробок у галузі MCP та агентів, адже ця галузь розвивається надзвичайно швидко, тому якщо ви хочете щось складніше та актуальніше, поєднайте її з новішою літературою.

Немає необхідності завершувати все це, перш ніж рухатися далі. Виберіть те, що відповідає вашим поточним потребам, навчіться достатньо, щоб продовжувати розвиватися та створювати.

Ваш перший проект

Зробіть його невеликим. Дуже невеликим. Він не повинен вражати керівника з питань найму, приваблювати тисячі користувачів, використовувати складну архітектуру агентів чи бути ідеєю, якої ще ніхто не мав. Його мета — застосувати концепції, які ви вивчали, адже саме тоді ви з’ясуєте, що насправді розумієте.

Виберіть проблему, яка вас особисто цікавить та є достатньо простою, щоб швидко створити першу версію. Це може бути бот для рецептів, який читає скановані копії рецептів вашої родини та пропонує варіанти вечері, або скрипт, який читає технологічні новини та надсилає вам щоденний огляд. Сама ідея майже не має значення — важливий особистий зв’язок, адже коли ви знаєте тему, можете оцінити, чи добре працює ШІ, і будете схильні продовжувати роботу після того, як перші кілька годин цікавості поступляться місцем нудному виправленню помилок.

Тут варто трохи постаратися. Цілком доречно просити ШІ пояснити нову концепцію, але спробуйте самостійно написати код та вирішувати проблеми. Команди з підбору персоналу чітко це бачать: люди, які вийшли на ринок праці після появи асистентів ШІ, часто стримують свій розвиток, занадто рано покладаючись на них та так і не досягаючи власних можливостей.

Як тільки проста версія почне працювати, зробіть її складнішою та цікавішою. Перегляньте список навичок та додайте нові елементи:

• Створіть належні механізми оцінки, щоб можна було з’ясувати, чи все працює належним чином.
• Експериментуйте зі створенням контексту та використанням технологій RAG.
• Якщо це необхідно, надайте моделі відповідні інструменти та перетворіть її на агента.

Потім розробте готову версію продукту. Розгорніть його там, де інші зможуть ним скористатися, додайте системи моніторингу та журналів подій, а також подумайте про витрати, швидкість роботи, безпеку та про те, що станеться, якщо справжні користувачі почнуть робити щось несподіване. Не намагайтеся вмістити всі модні терміни в один проект. Мета полягає у демонстрації того, що ви можете перетворити систему ШІ з ідеї на щось надійне.

Як має виглядати перша тиждень роботи над хорошим проектом

Щоб уявити це конкретно, подумайте про ідею коротких новинних звітів. У перший день ви створюєте скрипт, який бере кілька заголовків та просить модель підсумувати їх. Це працює, хоча й не ідеально. У другий день ви помічаєте, що модель повторює одне й те саме та іноді вигадує деталі, через що починаєте вивчати принципи формулювання запитів із прикладами та структурованим форматом вихідних даних. У третій день ви усвідомлюєте, що не знаєте, чи версія два краща за версію один, тож пишете двадцять тестових випадків та примітивний скрипт оцінювання. До кінця тижня ви читаєте про механізми пошуку інформації, адже модель продовжує пропускати статті, які вас цікавлять.

Нічого з цього не було заплановано. Кожна тема з’являлась через необхідність проекту, і саме тому вона залишилась.

Вирішення проблем інших людей

Компанії не наймають людей за списком навичок. Вони наймають людей для вирішення своїх проблем. Ваш проект довів, що ви можете вирішувати власні проблеми, тож наступним кроком є вирішення проблем інших, і вам не потрібно чекати на роботу, щоб це зробити.

Запропонуйте свої послуги некомерційній організації та створіть щось, що заощадить їм час. Створіть інструмент для групи захоплень, до якої ви вже належите. Допоможіть дружині автоматизувати якийсь складний процес у її малому бізнесі. Або внесіть вклад у проект з відкритим кодом, де ви будете працювати над реальними проблемами з досвідченими людьми, які зможуть надати зворотний зв’язок. Шлях не має великого значення. Важливо — практика з вимогами, які ви не створювали, обмеженнями, які ви не обирали, та реальними людьми, яким не байдуже, чи все спрацює. Тоді, коли керівник з підбору персоналу запитає про досвід, у вас буде щось конкретне для обговорення, а якщо все зроблено належним чином, це може потрапити до вашого резюме.

Це не порада створювати стартап лише для того, щоб отримати роботу. Це заохочення створити власний досвід замість того, щоб чекати, поки хтось дасть вам шанс. Пробитися без традиційного досвіду складно, і вам доведеться бути креативними, сміливими та помітними.

Отримання роботи, коли фільтр резюме відмовляє

Без диплома з інформатики чи традиційного інженерного досвіду ваше резюме, ймовірно, буде відсіяне від деяких вакансій ще до того, як його прочитає людина. Це розчаровує, але це не робить найм неможливим. Це означає, що стандартний спосіб подання заявки через LinkedIn, ймовірно, не спрацює для вас, тому мережування має мати більше значення.

Мережування тут не означає роботу в конференц-залі, повному незнайомців. Це означає познайомитися з людьми у компаніях, які вас цікавлять. Виберіть кількох людей, до яких вам справді хотілося б приєднатися. Знайдіть інженерів з штучного інтелекту, керівників з питань найму чи інший технічний персонал, які публікують свою роботу, вносять внесок у відкритий код чи проводять презентації, та навчайтеся на їхньому публічному досвіді. Потім ставтеся до них як до людей, а не як до посередників. Задайте щирий запитання щодо чогось, що вони створили. Передайте посилання чи ідею, яка пов’язана з їхньою роботою. А якщо ви також створили щось у цій сфері, покажіть їм це.

Не намагайтеся отримати рекомендацію, щоб вас прийняли. Якщо просити занадто рано, ви даєте незнайомцю зрозуміти, що вас більше цікавить те, що він може для вас зробити, а таку пропозицію легко проігнорувати. Дайте час — кілька місяців, а не днів — та підтримуйте легку та чесну комунікацію. Мета — справжні стосунки, щоб коли з’явиться вакансія, ви не були просто ще одним резюме серед тисяч інших.

Чи це ефективно? Багато людей отримали свою першу стажування, самостійно подавши заявку в країну, де не розмовляли мовою, під час навчання щось зовсім інше. Це можливо, хоча робити це самостійно складно, тож шукайте однодумців та наставників, де тільки можливо.