Штучний інтелект як вимога у найманні: гайд для рекрутерів

Дивитись детальніше

Всі хочуть собі в команду AI-гуру, але чи впевнені ви, що потрібен саме він, а не просто розробник із досвідом інтеграції готових моделей? В цьому гайді детально пояснюю різницю між різними вакансіями в сфері штучного інтелекту, як не втрачати кращих кандидатів через неправильні очікування, а також надаю корисні ключові слова для ваших пошукових запитів.

Що таке штучний інтелект (Artificial intelligence, AI)?

Якщо дуже спростити, то штучний інтелект (Artificial Intelligence, AI) — це технологія, яка дозволяє комп’ютерам виконувати завдання, що зазвичай потребують людського інтелекту. Сюди входять навчання на основі даних, розпізнавання закономірностей, вирішення складних проблем і навіть ухвалення рішень.

AI охоплює багато піднапрямків і технологій. Ось деякі з них:

• Machine Learning (ML) — алгоритми, які навчаються з даних без прямого програмування конкретних правил. Наприклад, це рекомендації Netflix або Spotify, які підлаштовуються під ваші смаки.
• Deep Learning (DL) — підвид ML, який використовує багатошарові нейронні мережі для обробки складних даних, таких як зображення чи мова. Це технологія, яка стоїть за генеративними моделями (LLM), як ChatGPT, Midjourney, DALL-E.
• Natural Language Processing (NLP) — технології, що дозволяють комп’ютерам розуміти, генерувати й аналізувати людську мову. Чат-боти, аналіз тональності текстів чи переклади Google Translate працюють саме завдяки NLP.
• Generative AI (генеративний ШІ) — технології, які здатні створювати оригінальний контент: тексти, зображення, код, відео тощо. Наприклад, OpenAI GPT-моделі або Midjourney, які генерують тексти або зображення.

У деяких випадках AI плутають зі звичайною автоматизацією. Ключова різниця — у кількості даних для аналізу та необхідності навчатися, приймати рішення, адаптуватися та удосконалювати свої дії на основі інформації. Простий приклад зі сфери рекрутингу:

• Автоматизація: Рекрутер налаштовує автоматичну розсилку листів із відмовами тим кандидатам, які не пройшли за формальними критеріями.
• AI: Алгоритм аналізує резюме та історію попередніх наймів, щоб рекомендувати рекрутеру найкращих кандидатів для певної ролі.

Навіщо це рекрутеру? Знання базових понять штучного інтелекту дозволяє чітко розуміти технічні вимоги вакансій, розрізняти, які навички справді необхідні, а які — просто тренд. Окрім того, це допомагає ставити коректні запитання, оцінювати досвід кандидатів точніше і пропонувати справді релевантних спеціалістів своїм hiring-менеджерам.

Основні позиції в AI

Пірнемо у різні вакансії, тісно пов’язані з використанням штучного інтелекту, які може передати вам hiring-менеджер з рекрутинг-брифом.

Data Engineer

Це фахівець, відповідальний за збір та зберігання даних. Типова задача для ШІ з минулого — відрізняти зображення котиків від песиків. Такий інженер мав би завдання навчити модель штучного інтелекту на основі багатьох зображень тваринок.

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

Data Engineer може розвиватися у Data Architect — керівну позицію відділу збору та зберігання даних. Основне завдання останнього — спроєктувати цілісну систему для управління інформацією, щоб вона була впорядкована зручним, безпечним та доступним чином.

📌 Ключові слова: Data lakes, Data pipelines.

З іншого боку, вам може відгукнутися кандидат і «застарілого» напрямку. У випадку з Data Engineer мова про: ETL, DWH або OLAP Engineer. Такі фахівці зосереджені на простішій роботі з запитами для баз даних. Проте вони можуть мати потенціал для розвитку у Data-фахівця.

Data Analyst

Ключовий обов’язок Data Analyst — опрацьовувати та візуалізувати дані зрозумілим чином. Наприклад, проаналізувати ринкові дані і відповісти на запитання, чи варто релізити нову стартап-соцмережу зараз, підкріпивши тези аналітичними схемами.

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

ML Engineer (Machine Learning)

Це фахівець, який створює моделі штучного інтелекту. Тобто такі, які самостійно навчаються на даних та здатні розв’язувати складні завдання, імітуючи розумові процеси людини. ML моделі можна впроваджувати у програмні продукти, збільшуючи їх цінність для юзера: наприклад, AI чат-бот у LinkedIn для формування Boolean search.

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

Стек та інструменти ML Engineer’а значно залежать від напрямку його діяльності:

• Класичний — тісна робота з класичною статистикою, використовує алгоритми, які потребують ручного вибору ознак. Тобто фахівець самостійно визначає, які характеристики даних є важливими для моделі.

📌 Ключові слова: regression, Kalman filter, Random forest, cluster analysis, дерева рішень, time-series, numerical data.

• Deep learning — працюють із багатошаровими нейронними мережами, які автоматично визначають потрібні ознаки у вибірки даних без необхідності ручного втручання людини.

📌 Ключові слова: RNN, CNN, GAN, LLM (нейромережі).

Окрім того, визначальним стає домен (напрямок) розробки. Серед найбільш популярних:

• Computer Vision (CV) — комп’ютерний зір, аналіз зображень та пошук збігів або конкретних об’єктів. Часто використовується у камерах відеоспостереження, для розпізнавання номерів на транспорті, face ID в телефонах, а тепер стає популярнішим завдяки самокерованим автомобілям. А зараз розробки впроваджуються ще й в українському Miltech.

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

• Natural language processing (NLP) — розпізнавання мови «на слух», машинний переклад, класифікація текстів на тематичні категорії або спам/не спам. Широко використовується у голосових помічниках: Siri або Google Assistant, — а також ChatGPT (усні запити).

📌 Ключові слова: Bert і Word2Vec або, більш сучасні, GPT, LLaMa, Grok, Cloude, Gemini.

• Fintech — розумні фінансові продукти: прогнозування поведінки фінактивів, фінансова аналітика, автоматичний трейдинг, кредитний скоринг, захист від шахрайства тощо.

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

Дивитись детальніше

Data Scientist

Такий фахівець збирає, обробляє та аналізує дані, використовуючи статистичні методи та алгоритми машинного навчання для виявлення закономірностей і прогнозування майбутніх тенденцій. Це позиція найближча до наукової діяльності та «теорії». Data Scientist’и виконують дослідження, на базі яких ML Engineer’и створюють практичні рішення для бізнесу.

📌 Ключові слова: Numpy, SciPy, Pandas або AutoML.

Інші вакансії

Є кілька менш поширених позицій у сфері, які можуть трапитися у списку вакансій рекрутера:

• Big Data / Data Science Engineer — позиції на стику ML Engineer’а та Data Scientist. Через збільшення даних, які необхідно обробити, Big Data інжиніринг стає невіддільною частиною роботи Data Engineers.
• Data Validator — перевіряє правильність і повноту даних у сховищах.
• Data Entry — навчає нейромережі. Тобто буквально маркує дані: наприклад, відмічає, на якому зображенні котик, а де — песик.
• MLOps — допомагає автоматизувати інфраструктуру, позиція на стику DevOps та Data Science.

А якщо AI — вимога для Dev’а?

Java розробник не створював LLM? Це ще не маркер слабкого досвіду.

У 90% вакансій для розробників робота з AI передбачає інтеграцію вже існуючих AI-рішень у продукти через API (наприклад, ChatGPT). Це типова задача для розробників і не потребує глибокого занурення у нові LLM.

До того ж створення, налаштування чи тренування великих мовних моделей (LLM) — це окремий складний напрямок. І зазвичай це робота для Data Scientists або ML-інженерів, які спеціалізуються саме на подібних рішеннях.

Отже, якщо кандидат говорить, що не створював нові LLM-моделі, це не причина для відмови.

Якщо на вакансії розробника все ж таки є вимога по роботі з AI:

1. Детально обговоріть вимоги з hiring-менеджером: чи дійсно потрібне створення чи тренування LLM; які саме завдання з AI передбачаються: інтеграція через API чи більш глибока робота?
2. Перевірте практичний досвід кандидата з ШІ-інтеграцією: чи мав він досвід роботи з API OpenAI чи аналогічними сервісами; чи працював з AI-бібліотеками або SDK.

З іншого боку, у нашій практиці був кейс наймання на позицію AI/Chatbot Lead. Основна складність полягала у тому, що потрібно було тренувати та покращувати AI моделі, а не використовувати готові рішення. Такий досвід самостійного навчання моделей був рідкістю. Закрити вакансію вдалося завдяки детальному спілкуванню з кандидатами щодо їх досвіду.

Пам’ятайте, головне — це не модний buzzword у резюме, а реальні навички, які кандидат зможе застосувати для вирішення конкретних завдань вашого продукту.