🤔 В AI нет одной профессии На самом деле там уже сформировалась целая экосистема специальностей и границы между ними постоянно двигаются. Если сильно упростить, есть несколько больших направлений: 🔵Data Analyst - превращает данные в ответы на бизнес-вопросы: что произошло, почему и где искать точки роста. 🔵Data Engineer - строит фундамент: собирает данные, организует хранилища и пайплайны, следит, чтобы всё это стабильно работало. 🔵Data Scientist - ищет закономерности в данных, проверяет гипотезы и строит модели. 🔵ML Engineer - превращает модель из ноутбука Data Scientist’а в работающую промышленную систему. 🔵AI/ML Architect - проектирует уже всю конструкцию целиком: модели, данные, инфраструктуру, интеграции, безопасность. 🔵NLP / CV / Robotics Engineer - специализация на конкретной области: язык, изображения и видео, роботы. 🔵AI Product Manager - находится на стыке технологии и бизнеса и отвечает за то, чтобы AI вообще решал нужную задачу. 🔵и относительно новые роли вроде LLM Engineer, AI Engineer, AI Agent Engineer. Отдельно существует и prompt engineering, хотя я бы сегодня скорее называл его навыком, необходимым множеству профессий, чем самостоятельной профессией. Но мне больше нравится смотреть на всё это через старую модель, которую иногда ошибочно называют «треугольником Дирихле». На самом деле это знаменитая диаграмма Венна Data Science Дрю Конвея, которую он предложил ещё в 2010 году. В ней есть три области: 1️⃣Математика и статистика - понимать, что именно считает модель и насколько результату вообще можно доверять. 2️⃣Программирование - уметь добыть данные, обработать их, написать алгоритм и заставить всё это работать. 3️⃣Предметная область - понимать бизнес, медицину, финансы, производство или другую реальную задачу, которую мы пытаемся решить. Самое интересное начинается на пересечениях: 🟦Программирование + математика → Machine Learning. 🟦Математика + предметная экспертиза → традиционное исследование. 🟦А программирование + предметная экспертиза без статистики Конвей специально назвал Danger Zone: можно построить очень убедительную систему и при этом совершенно неправильно интерпретировать данные. А в центре всех трёх областей находится Data Science. Мне кажется, с появлением генеративного AI эта схема стала даже интереснее, чем была 15 лет назад. Код теперь частично пишет LLM, модели доступны через API, сложный анализ можно запустить буквально текстовым запросом. То есть технологический порог резко снижается. Но понимание математики, ограничений модели и предметной области никуда не исчезает. Более того, когда создать что-то стало проще, способность понять, правильное ли ты вообще создал, становится только ценнее. P.S. я бы не слишком переживал о том, как именно будет называться профессия через 5 лет - Data Scientist, ML Engineer или AI Engineer) 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai #AI_и_работа