Персональный план развития ИИ-навыков

Пройдите тест из четырёх вопросов, чтобы получить карту ИИ-навыков для вашей профессии и советы от экспертов Практикума. Вы узнаете, с чего начать, чтобы закрывать задачи быстрее, и что освоить, чтобы расти в карьере.

➡️ Узнать, какие ИИ-навыки вам нужны

СТО Практикума о том, как ИИ меняет обучение и профессию разработчика

Делимся разговором с Серёжей Бережным. Он работает в Яндексе с 2005 года, а в Практикуме соединил две главные профессиональные страсти: инфраструктуру разработки и обучение.

В интервью он рассказывает про свой карьерный путь, а также делится мыслями о том, нужно ли разработчику уметь кодить, чего нового ждать от Практикума и как ИИ изменит собеседования.

🔘 Смотреть видео

Воркшоп «ИИ для программирования»

В новом сезоне практических видео эксперты Практикума разбирают, как использовать ИИ на разных этапах разработки: ставить задачи, писать код, создавать фичи и проверять результат.

За 6 серий вы:

1️⃣Выберете ИИ-инструмент под свою задачу: сравните языковые модели, форматы работы и подписки.

2️⃣Соберёте лендинг с ИИ, узнаете про разные способы работы с кодом и научитесь исправлять ошибки вместе с нейросетью.

3️⃣Подключите внешние инструменты через MCP и познакомитесь с навыками (skills).

4️⃣Разберётесь в незнакомом проекте, а также узнаете, как с помощью ИИ изучать новые технологии и закреплять знания на практике.

5️⃣Составите грамотное ТЗ, чтобы получить понятный план проекта, с которым можно переходить к разработке.

6️⃣Соберёте рабочую фичу. Проверите её на эмуляторе и узнаете, как не дать ИИ переусложнить первую версию.

Все видео уже доступны для просмотра. Переходите по ссылке, сохраняйте в избранное — и изучайте в удобное время.

➡️ Узнать, как эксперты работают с ИИ

Чем занимается ИИ-инженер и что изменилось с приходом LLM🔖

Антон Моргунов — инженер по машинному обучению с опытом более 7 лет в индустрии, технический лид курса «ИИ-инженер» в Практикуме.

В статье на Хабре он поделился мнением о том, как за последние годы изменилась роль инженера, работающего с ИИ. Вот основные мысли:

💠«Как обучить хорошую модель?» — так когда-то звучал главный вопрос в ML. Сегодня всё чаще вопрос другой: «Как превратить возможности современных LLM в надёжный продукт, который действительно приносит пользу бизнесу?»

💠ИИ-инженер отвечает за систему целиком. В его зоне ответственности могут быть LLM, RAG, агенты, базы данных, API, инфраструктура и мониторинг. Важно не просто собрать отдельные компоненты, а сделать так, чтобы они работали как единый продукт.

💠Дообучение модели — далеко не всегда ответ. Проблему можно решить качественными данными, хорошим RAG или изменением архитектуры системы. Поэтому один из важных вопросов для ИИ-инженера: «Действительно ли модель нужно дообучать?»

💠Между демо и продуктом — большая инженерная работа. В реальном использовании возникают проблемы с галлюцинациями, релевантностью поиска, стоимостью запросов, задержками, нагрузкой, безопасностью и стабильностью качества.

💠Поэтому ИИ-инженерия сейчас — не про конкретную модель или библиотеку. Главный навык — уметь смотреть на ИИ-систему целиком и соединять модели, данные, инфраструктуру и продукт в работающий сервис.

Именно эта способность будет оставаться ключевой, даже когда сами модели и инструменты вокруг них снова изменятся.

➡️ Читайте статью целиком, чтобы узнать, чему должен учиться ИИ-инженер, а также чем он отличается от других специалистов: например, MLOps-инженера или дата-сайентиста.

Как ИИ читает рукописи и синтезирует речь

Нейросети читают почерк не хуже человека, а говорят даже разборчивее — по крайней мере, так говорят цифры. Но что на самом деле измеряют метрики и как всё устроено «под капотом»? Разбираемся в двух материалах.

1️⃣Как ИИ распознаёт рукописный текст: нейросети и технологии распознавания

Разбираемся, как работает оптическое распознавание символов, какие нейросети используются и чем они отличаются. Также рассказываем, где технологию применяют (банки, медицина, архивы, логистика) и какие готовые сервисы можно подключить.

➡️ Читать в блоге Практикума

2️⃣Синтетическая речь разборчивее живой. Или нет? Разбираем Qwen-Audio-3.0-TTS и что происходит в метриках

Недавно вышел отчёт по генерации речи с помощью модели Qwen-Audio-3.0-TTS. В качестве контрольной точки отсчёта использовалась настоящая человеческая речь, при этом у человека там ошибка 1,26, а у модели — 0,84. В статье пробуем разобраться, почему так получилось и какие выводы можно сделать.

➡️ Читать на Хабре