Искусственный интеллект как требование в найме: гайд для рекрутеров

Смотреть детальнее

Все хотят себе в команду AI-гуру, но вы уверены, что нужен именно он, а не просто разработчик с опытом интеграции готовых моделей? В этом гайде подробно объясняю разницу между разными вакансиями в сфере искусственного интеллекта, как не терять лучших кандидатов из-за неправильных ожиданий, а также делюсь полезными ключевыми словами для ваших поисковых запросов.

Что такое искусственный интеллект (Artificial intelligence, AI)?

Если очень упростить, то искусственный интеллект (Artificial Intelligence, AI) — это технология, позволяющая компьютерам выполнять задачи, которые обычно требуют человеческого интеллекта. Сюда входят обучение на основе данных, распознавание закономерностей, решение сложных проблем и даже принятие решений.

AI охватывает множество направлений и технологий. Вот некоторые из них:

• Machine Learning (ML) — алгоритмы, обучающиеся по данным без прямого программирования конкретных правил. К примеру, это рекомендации Netflix или Spotify, которые подстраиваются под ваши вкусы.
• Deep Learning (DL) — подвид ML, использующий многослойные нейронные сети для обработки сложных данных, таких как изображение или речь. Это технология, которая стоит за генеративными моделями (LLM), как ChatGPT, Midjourney, DALL-E.
• Natural Language Processing (NLP) — технологии, позволяющие компьютерам понимать, генерировать и анализировать человеческий язык. Чат-боты, анализ тональности текстов или переводы Google Translate работают благодаря NLP.
• Generative AI (генеративный ИИ) — технологии, способные создавать оригинальный контент: тексты, изображения, код, видео и так далее. Например, OpenAI GPT-модели или Midjourney, генерирующие тексты или изображения.

В некоторых случаях AI путают с обычной автоматизацией. Ключевая разница — в количестве данных для анализа и необходимости учиться, принимать решения, адаптироваться и совершенствовать свои действия на основе информации. Простой пример из сферы рекрутинга:

• Автоматизация: Рекрутер настраивает автоматическую рассылку писем с отказами кандидатам, которые не прошли отбор по формальным критериям.
• AI: Алгоритм анализирует резюме и историю предыдущих наймов, чтобы рекомендовать рекрутеру лучших кандидатов для определенной роли.

Зачем это рекрутеру? Знание базовых понятий искусственного интеллекта позволяет четко понимать технические требования вакансий, различать, какие навыки действительно необходимы, а какие — просто тренд. Кроме того, это помогает задавать корректные вопросы, оценивать опыт кандидатов более точно и предлагать действительно релевантных специалистов своим hiring-менеджерам.

Основные позиции в AI

Углубимся в разные вакансии, тесно связанные с использованием искусственного интеллекта, которые может передать вам hiring-менеджер с рекрутинг-брифом.

Data Engineer

Это специалист, ответственный за сбор и хранение данных. Типичная задача для ИИ из прошлого — различать изображения котиков и собачек. Такой инженер работал над задачей научить модель искусственного интеллекта на основе многих изображений животных.

📌 Ключевые слова: Python, Pandas, PySpark, Snowflake, DBT.

Data Engineer может развиваться в Data Architect — руководящую позицию отдела сбора и хранения данных. Основная задача последнего — спроектировать целостную систему управления информацией, чтобы она была упорядочена удобным, безопасным и доступным образом.

📌 Ключевые слова: Data lakes, Data pipelines.

С другой стороны, вам может откликнуться кандидат и устаревшего направления. В случае с Data Engineer речь о: ETL, DWH или OLAP Engineer. Такие специалисты сосредоточены на более простой работе с запросами для баз данных. Однако они могут иметь потенциал для развития в Data-специалиста.

Data Analyst

Ключевая обязанность Data Analyst — обрабатывать и визуализировать данные понятным образом. Например, проанализировать рыночные данные и ответить на вопрос, стоит ли релизить новую стартап-соцсеть сейчас, подкрепив тезисы аналитическими схемами.

📌 Ключевые слова: Power BI, Tableau, AWS QuickSight, Excel, SQL, Python (базово).

ML Engineer (Machine Learning)

Это специалист, создающий модели искусственного интеллекта. То есть те, которые самостоятельно учатся на данных и способны решать сложные задачи, имитируя мыслительные процессы человека. ML модели можно внедрять в программные продукты, увеличивая их ценность для пользователя: например, AI чат-бот в LinkedIn для формирования Boolean search.

📌 Ключевые слова: Keras, Tensorflow, Scikit-learn, PyTorch (Model Development фреймворки).

Стек и инструменты ML Engineer значительно зависят от направления его деятельности:

• Классический — тесная работа с классической статистикой, использует алгоритмы, требующие ручного выбора признаков. То есть специалист самостоятельно определяет, какие характеристики данных важны для модели.

📌 Ключевые слова: regression, Kalman filter, Random forest, cluster analysis, деревья решений, time-series, numerical data.

• Deep learning — работают с многослойными нейронными сетями, автоматически определяющими нужные признаки в выборке данных без необходимости ручного вмешательства человека.

📌 Ключевые слова: RNN, CNN, GAN, LLM (нейросети).

Кроме того, определяющим становится домен (направление) разработки. Среди наиболее популярных:

• Computer Vision (CV) — компьютерное зрение, анализ изображений и поиск совпадений или конкретных объектов. Часто используется в камерах видеонаблюдения, для распознавания номеров на транспорте, face ID в телефонах, а теперь становится популярнее благодаря самоуправляемым автомобилям. Сейчас разработки внедряются также и в украинском Miltech.

📌 Ключевые слова: OpenCV, FaceRecognition, ImageProcessing, YOLO, Stable Diffusion.

• Natural language processing (NLP) — распознавание языка «на слух», машинный перевод, классификация текстов на тематические категории или спам/не спам. Широко используется в голосовых помощниках: Siri или Google Assistant, а также ChatGPT (устные запросы).

📌 Ключевые слова: Bert и Word2Vec или, более современные, GPT, LLaMa, Grok, Cloude, Gemini.

• Fintech — умные финансовые продукты: прогнозирование поведения финактивов, финансовая аналитика, автоматический трейдинг, кредитный скоринг, защита от мошенничества.

 📌 Ключевые слова: эконометрика, R, credit scoring, algorithmic trading (algo-trading),  time-series.

Смотреть детальнее

Data Scientist

Такой специалист собирает, обрабатывает и анализирует данные, используя статистические методы и алгоритмы машинного обучения для выявления закономерностей и прогнозирования будущих тенденций. Это позиция наиболее близка к научной деятельности и теории. Data Scientist‘ы выполняют исследования, на базе которых ML Engineer’ы создают практические решения для бизнеса.

📌 Ключевые слова: Numpy, SciPy, Pandas или AutoML.

Другие вакансии

Есть несколько менее распространенных позиций в сфере, которые могут встретиться в списке вакансий рекрутера:

• Big Data / Data Science Engineer — позиции на стыке ML Engineer’а и Data Scientist. Из-за роста количества данных, которые нужно обработать, Big Data инжиниринг становится неотделимой частью работы Data Engineers.
• Data Validator — проверяет правильность и полноту данных в хранилищах.
• Data Entry — обучает нейросети. То есть буквально маркирует данные: например, отмечает, где изображен котик, а где — собачка.
• MLOps — помогает автоматизировать инфраструктуру, позицию на стыке DevOps и Data Science.

А если AI — требование для Dev’а?

Java разработчик не создавал LLM? Это еще не маркер слабого опыта.

В 90% вакансий для разработчиков работа с AI предполагает интеграцию уже существующих AI-решений в продукты через API (например, ChatGPT). Это типичная задача для разработчиков и не требует глубокого погружения в новые LLM.

К тому же создание, настройка или тренировка больших языковых моделей (LLM) — это отдельное сложное направление. И обычно это работа для Data Scientists или ML-инженеров, специализирующихся именно на подобных решениях.

Следовательно, если кандидат говорит, что не создавал новые LLM модели, это не причина для отказа.

Если на вакансии разработчика все же есть требование по работе с AI:

1. Подробно обсудите требования с hiring-менеджером: действительно ли требуется создание или тренировка LLM; какие именно задачи по AI предусматриваются: интеграция через API или более глубокая работа?
2. Проверьте практический опыт кандидата с ИИ-интеграцией: был ли опыт работы с API OpenAI или аналогичными сервисами; работал ли кандидат с AI-библиотеками или SDK.

С другой стороны, в нашей практике был кейс найма на позицию AI/Chatbot Lead. Основная сложность состояла в том, что нужно тренировать и улучшать AI модели, а не использовать готовые решения. Такой опыт самостоятельного обучения моделей являлся редкостью. Закрыть вакансию удалось благодаря детальному общению с кандидатами по их опыту.

Помните, главное — это не модный buzzword в резюме, а реальные навыки, которые кандидат сможет применить для решения конкретных задач вашего продукта.