- Разработчику я советую осваивать роль ИИ-инженера на небольшой задаче: от требований до запуска и передачи коллеге.
- Обучение моделей, приложения на готовых моделях и разработка с ИИ-инструментами требуют разных навыков.
- В CRT AI Software Engineer отвечает за путь от бизнес-постановки до работающего решения.
- Результат обучения – сервис, который коллега может запустить, проверить и исправить по документации.
Как стать ИИ-инженером, если уже умеешь программировать?
В октябрьской публикации JetBrains Research авторы предлагают проверять сгенерированный код от общей картины изменений к деталям: по внешнему виду трудно понять, чему доверять. Для меня это повод спросить, как стать ИИ-инженером, когда написание кода можно делегировать. Пока это предложение исследователей JetBrains и Лундского университета, а не доказанный универсальный стандарт.
Мой ответ: учиться отвечать за задачу целиком. Но сначала выбрать работу.
| Направление | Чему учиться |
|---|---|
| Обучение моделей | Подготовке данных, математике, машинному обучению и оценке экспериментов |
| Приложения на готовых моделях | API, оценке ответов, доступу к данным и обработке сбоев |
| Разработка с ИИ-инструментами | Постановке задачи, проверке кода и тестов, интеграции и запуску |
В описании профессии Microsoft Learn соседствуют модели и приложения через API – программный интерфейс для обращения к системе. Выбирать обучение я бы советовал по задачам, а не названию сертификата. Для прикладной разработки собственная нейросеть не обязательна; для исследования моделей веб-сервис не заменит математическую подготовку.
Что означает эта роль в CRT?
У нас AI Software Engineer с ИИ-инструментами ведёт задачу от анализа до запуска. В продукте нейросети может не быть: ИИ помогает его создавать.
В разработке с ИИ-агентами инженер определяет границы задачи, делегирует работу и отвечает за результат. Можно привлекать аналитика, дизайнера и тестировщика, но нужно знать, что ещё не решено и кто подтвердит готовность.
Я считаю запуск небольшого изменения полезнее знакомства со множеством библиотек. Это совет разработчику с инженерной базой. Если пока трудно читать чужой код, искать причины сбоев и проверять изменения, начинать нужно с этих навыков.
Почему большой объём готового кода может завести в тупик?
В публикации Google Cloud от 28 апреля 2026 года инженер Lee Boonstra описывает неудачу команды: большое изменение с переработкой панели управления оказалось трудно проверить. Разделение на части привело к зависимостям и конфликтам. Это история команды Google, не кейс CRT.
Среди принятых мер – автоматические проверки и описание изменений с возможными точками отказа. Мой вывод: объём генерации плохо измеряет прогресс ученика. Если разработчик объясняет код словами «это агент добавил, пока не разбирался», генерацию пора остановить. Для неизбежных больших изменений план проверки нужен заранее.
Как построить обучение вокруг рабочей задачи?
Я предложил бы учебный сервис: он готовит черновик ответа по публичной инструкции и показывает использованный фрагмент. Решение принимает пользователь. Это упражнение, не кейс CRT.
- Описать пользователя, доступные документы, входные данные, полезный результат и запрещённые действия.
- Собрать вопросы с ответом в инструкции, без ответа и с неоднозначной формулировкой. Записать ожидаемое поведение, включая отказ от догадки.
- Реализовать сервис с ИИ небольшими изменениями. Разобрать код и путь запроса от интерфейса до модели.
- Проверить отключение зависимости, пустой документ и некорректный ответ. Сохранить воспроизводимые проверки и ограничения. Разграничение доступа проверять в коде сервиса, не поручая решение модели.
- Запустить сервис в тестовой среде. Настроить хранение секретов, журналирование и ограничение расходов. Подготовить инструкцию запуска и проверить поиск причины сбоя по записи об ошибке.
- Передать сервис коллеге: пусть развернёт его и изменит одно требование без подсказок. Исправить обнаруженные препятствия.
Провалы покажут пробелы: не получается описать отказ – нужны требования; объяснить изменение ответа – проверка качества и фиксация настроек; запустить сервис – поставка и документация.
Вопросы и ответы
Можно ли стать ИИ-инженером без опыта разработки?
Можно, но начинать я советую с программирования, работы с данными и тестирования, затем переходить к приложениям с моделью. Для машинного обучения понадобится математическая база: Google рекомендует перед своим курсом уверенное программирование, алгебру и основы статистики. Это требования конкретного курса, а не универсальные условия найма.
Обязательно ли обучать собственную модель?
Для приложений на готовых моделях это не обязательный первый шаг. Сначала я советую освоить проверку качества, обработку сбоев и управление доступом к данным. Обучение или дообучение модели стоит осваивать под задачу, которая этого требует.
Что делать
Выберите пробел в навыках и небольшую задачу с проверяемым результатом. Руководителю советую выделить проверяющего и время на ошибки, разработчику – договориться о границах запуска. Наш подход к разработке с ИИ-агентами: освоили инструмент – покажите работающее решение.
Обсудить задачу
