Как выбрать трек: Classic ML, NLP/LLM или Agents 🍔
Мне часто прилетает вопрос в ЛС: Дим, а куда мне вообще идти? Какой трек выбрать? Что лучше? - потому что направлений много, все выглядят умно, везде какие-то вакансии, деньги, перспективы, и легко начать учить всё подряд
Коротко разложу, у России три пути - ClassicML, NLP/LLM, Agents. Глобально области в DS можно поделить на работу с данными, с какими данными ты работаешь собственно такая у тебя и область - я так сегодня скажу для упрощения 🗿
1️⃣ Classic ML
2️⃣ NLP / LLM
3️⃣ Agents/AI-Engineering
Чем глобально отличаются NLP/LLM от Agents/AI-Engineering?
NLP/LLM - это когда ты в основном работаешь обучаешь LLM под конкретную задачу. Agents + RAG - это когда ты чаще берёшь уже готовую LLM через API и строишь вокруг неё какое-то решение. Но так или иначе эти две области очень между собой схожи 👍
Что сейчас на флексе и жёстком хайпе?
Сейчас обороты сильнее всего набирают на Agents/AI-Engineering, особенно Сбер, который как будто нанимает всех. Бизнес хочет внедрять AI в процессы, а людей, которые умеют собрать рабочую RAG / agent-систему, оценить качество, объяснить ограничения и связать это с бизнес-задачей, очень мало.
Поэтому если ты сомневаешься и не понимаешь, куда смотреть, то газ на бесплатную консультацию с моей командой, разберём твой путь до оффера от точки А до точки Б по шагам, заполни анкету и вместе разъебём 🚬
Мне часто прилетает вопрос в ЛС: Дим, а куда мне вообще идти? Какой трек выбрать? Что лучше? - потому что направлений много, все выглядят умно, везде какие-то вакансии, деньги, перспективы, и легко начать учить всё подряд
Коротко разложу, у России три пути - ClassicML, NLP/LLM, Agents. Глобально области в DS можно поделить на работу с данными, с какими данными ты работаешь собственно такая у тебя и область - я так сегодня скажу для упрощения 🗿
1️⃣ Classic ML
Это классический табличный Data Science: скоринг, рекомендации, антифрод, прогнозы, метрики, SQL, Python, CatBoost / XGBoost.
Примеры задач: предсказать отток клиентов, оценить риск невозврата кредита, построить рекомендации, найти аномалии в данных. Хороший трек для банков, ecom, финтеха, ритейла и продуктовых команд
2️⃣ NLP / LLM
Это работа с текстами и языковыми моделями: классификация документов, обработка обращений, суммаризация, поиск, дообучение моделей, LoRA / SFT, transformers и всякая шалупонь.
Примеры задач: классифицировать заявки в поддержке, анализировать отзывы, обрабатывать документы, дообучать модель под внутренние данные компании. Подходит тем, кому интересны LLM, тексты и модели под конкретные задачи.
3️⃣ Agents/AI-Engineering
Сейчас, на мой взгляд, это хайп, мясо и другие крутые слова. Это в основном AI-ассистенты, агенты и называйте как хотите, но глобально это ты берёшь апишку ЛЛМ-ки и делаешь из неё полезную штуку например: сделать ассистента для сотрудников, собрать поиск по базе знаний, автоматизировать работу с документами, сделать агента, который ходит в сервисы и закрывает часть рутины.
Чем глобально отличаются NLP/LLM от Agents/AI-Engineering?
NLP/LLM - это когда ты в основном работаешь обучаешь LLM под конкретную задачу. Agents + RAG - это когда ты чаще берёшь уже готовую LLM через API и строишь вокруг неё какое-то решение. Но так или иначе эти две области очень между собой схожи 👍
Что сейчас на флексе и жёстком хайпе?
Сейчас обороты сильнее всего набирают на Agents/AI-Engineering, особенно Сбер, который как будто нанимает всех. Бизнес хочет внедрять AI в процессы, а людей, которые умеют собрать рабочую RAG / agent-систему, оценить качество, объяснить ограничения и связать это с бизнес-задачей, очень мало.
Поэтому если ты сомневаешься и не понимаешь, куда смотреть, то газ на бесплатную консультацию с моей командой, разберём твой путь до оффера от точки А до точки Б по шагам, заполни анкету и вместе разъебём 🚬