Сегодня одно компьютерное СМИ попросило меня прокомментировать какие-то неизвестные мне курсы подготовки по AI. Я написал в итоге эссе, которое, думаю, будет интересно всем, тем более что в статью оно целиком не войдет, максимум фраза-другая. А тут можно и полностью. Я не готов комментировать чужую программу, но могу говорить о своем опыте. *** Мы предпочитаем называть эту область "машинное обучение", это лучше отражает ее сущность, чем "искусственный интеллект". Как и в любой предметной области, "разработка" может быть разной глубины: в сфере ИИ есть фундаментальные исследования, есть создание моделей, есть использование прикладных готовых решений и даже малоквалифицированный труд (разметка датасетов). Девять месяцев могут быть как продуктивными, так и не очень, результат зависит и от стартового уровня учащихся, и от содержания и качества того, чем это время заполнено. Можно научиться пользоваться библиотеками ML как черными ящиками, не понимая происходящего - это примерно то же, как "продвинутый пользователь" применяет программное обеспечение. И для большого числа задач этого может быть достаточно. Но чем больше сложность задачи, тем важнее, чтобы разработчики решали ее не вслепую, а понимая, что происходит "под капотом", чем фундаментально отличаются разные методы. И вот тут уже одного знания Python, numpy и mathplotlib будет недостаточно, и недостаток смежных знаний будет создавать препятствия. Ну а если вам нужно получить оригинальную модель на уникальных данных, то и более подготовленные специалисты будут двигаться медленно и методом проб и ошибок. даже имея огромный набор идеально размеченных данных и вычислительных ресурсов quantum satis. И самое важное, формальное обучение не замена практическому опыту, который позволяет развить то, что Аристотель называл "искусством" - понимание возможностей и ограничений методов и решений, полезные и вредные привычки, интуицию в отношении того, что работает и что нет. Это, отмечу в скобках, характерная особенность руководимой мною программы по прикладному машинному обучению. Мы поощряем работу студентов и строим учебный процесс в плотной связке с базовыми организациями (Сберавтотех и Тинькофф), где есть и данные, и задачи, и спрос на их решение. 9 месяцев, безусловно, лучше чем совсем ничего, но это следует рассматривать как введение в специальность, "курс молодого бойца". А дальше надо и работать, и учиться, и самое главное, развиваться самому, осмыслять опыт, читать продвинутую литературу и статьи, следить за новостями, словом, работать над собой. Разумеется, никакая подготовка сама по себе не гарантия трудоустройства, да и вакансий в сложной обстановке может быть меньше кандидатов, но думаю, они будут и в будущем, вместе с развитием области ML/AI. И не только потому, что ее нахваливают и ставят в приоритеты политики, но и потому, что возможности качественных скачков в AI/ML еще далеки от исчерпания, и объективные перспективы продуктов с ML/AI функциями, по-видимому, еще шире, чем нам сейчас представляется - судя по масштабам достижений последних лет и по тому, что сейчас происходит в университетских и корпоративных лабораториях.