У меня в среднем 1.5 сообщения от эйчаров в день, приходится выбирать с кем созваниваться, а кого скипать и говорить, что «вилка маловата».
Отвечать эйчарам надо всегда, даже если не ищите работу. Хотя бы скажите, что вилка маловата или условия не устраивают, хочется верить, что так мы меняем рынок к лучшему. Представьте, если эйчар услышит такое три-четыре раза подряд, семечко будет посажено и, возможно, эйчар пойдет к менеджеру и скажет, что что-то не так и надо повышать вилки.
Рынок кандидатский, но местами совсем не понятный… давайте разбираться!
AI engineering рынок сейчас разделён на две части, примерно 40/60. Почему? Так как рынок очень молодой ещё нет консенсуса касательно зоны ответственности эй ай инженера, также, не очень понятно, что всё такой человек должен уметь.
Я выделяю две основные категории:
- AI/ML Engineer – человек, знающий как нейронки работают под капотом, он тренировал, тюнил и чистил датасеты, а сейчас это мало кому надо, все хотят быстро и через API задеплоить какого-нибудь агента (не говорю, что это хорошо, но это пользуется спросом). Он пришел из ML/DS мира, ему пришлось учиться тому как строить продукт и как должен выглядить поддерживаемый код, он отвыкает писать всё в джупитор ноутбуке и всё чаще соприкасается с бэкендом и инфраструктурой. Он тот человек который лучше всех шарил за ML/DS, а теперь учится быть классическим инженером. Глубоко знает комплексные вещи, которые, к сожалению, в большинстве кейсов – оверкил, иногда, его это подводит и он всё глубже закапывается в кроличью нору.
- LLM Developer / AI Engineer – человек не трогавший pytorch (ему это и не надо). Скорее всего пришёл из другой области инженерии, чаще всего – Python Backend Developer, реже – фронтендер. Он знает как планировать работу по спринтам, привык к нарезанным тикетам и свыкается с тем, что всё, что построено над LLMs не может быть 100% надёжно. Он выучил основные концепты: RAG, векторки, OpenAI API, потрогал llm фреймворки (LangChain, LLamaIndex, LangGraph), прочитал 👉мой пост про то как надо выбирать когда нужен RAG, когда тюнинг. Он идёт немного с другой стороны, изучая те ML концепты которые помогают ему строить юзабельный продукт. Он не идёт слишком глубоко в дата сайенс, не уверен как чистить датасет и не знает, что такое validation loss. Как инженер он лучше чем (1), но в AI инжиниринге иногда это может мешать, всё очень хлипко, не понятно, не стандартизировано, но очень интересно.
Если вы ассоциируете себя с первый вариантом – поздравляю, вы покрываете весь спектр того, что сейчас должен уметь AI инженер, пул вакансий на которые вы можете засматриваться огромен, ценник который вы можете ломить 👉например, тут.
Если же вы больше второй вариант – тоже поздравляю! Вакансий всё так же до жопы, ты не покрываешь весь пул, но у тебя есть свои преимущества. Подавайся на все ваки, с большой вероятностью PyTorch там будет только в описании, а по факту будет structured AI Jsonы перекладывать.
Эти два типа в какой-то момент встречаются в одной точке, думаю, эта точка и определяет ту экспертизу которую будут требовать от всех AI Engineerов, когда рынок стабилизируется.
Также, есть новый, зарождающийся тип – AI Typescript Engineer. Об этом феномене писал 👉тут, лично я думаю, что популярность такого направления будет только расти.
Лично я был первым типом, а сейчас идентифицирую себя как «хороший баланс между глубоким пониманием нейронок и инженерским подходом к их интегрированию в реальные продукты».
Пока что AI Engineering безумно популярен в ЕС, так что английский для русскоговорящих это одно из основных узких горлышек. Английский нужен очень хороший, софты тут безумно важны, если метите на зп > 5-6к€.
Если хотите подтянуть английский, то preply.com неплохой ресурс где можно купить несколько уроков и попробовать разных учителей, нашёл там прекрасного учителя китайского. @makebugger
