Стать разработчиком можно примерно за год, а хорошим – значительно дольше

Сегодня сфера программирования и компьютерной разработки становится все более демократичной. Развиваются обучающие направления в ВУЗах и курсы повышения квалификации для инженеров; сеть “ломится” от количества платной и бесплатной информации. О будущем отрасли и собственных флагманских проектах рассказал инженер-программист с 10-летним опытом работы в инновационных технологиях, машинном обучении и облачных платформах Сергей Красочкин.

- Сергей, перед тем как говорить о вашей сегодняшней компетенции, вернемся на 10 лет назад. Кем Вы были в начале своей карьеры?

- Я по специальности программист. Однако, к работе по специальности пришел не сразу. Длительное время я работал в банковской сфере, а точнее — в трейдинге, — и только затем занялся непосредственно программированием. Я вообще из тех, кто быстро принимает решение о смене места работы в том случае, если мне что-то не нравится. В моей карьере был опыт смены места за три дня. Вот таким пунктирным способом я двигался в профессии.

- Одним из элементов этого пунктира была работа senior software engineer в VK, тогда еще Mail.ru Group. Чем вы занимались там?

- В Mail.ru Group мы с командой делали портал. Это корпоративная сеть, которая решала повседневные трудовые и нерабочие вопросы сотрудников компании от заказа обеда на рабочее место или покупки билетов в театр до замены оборудования на рабочем месте. Моя часть функционала, как впрочем и везде в дальнейшем касалась написания софта. Задача, при всей простоте звучания, довольно объемная. Мы собирали и суммировали пожелания, строили архитектуру программы, писали, тестировали, а затем переписывали и снова тестировали. На выходе получился очень крутой продукт, которым пользовались все сотрудники Mail.ru. Потом мы писали подобную программу для крупнейшей нефтегазовой компании Лукойл. И тут речь идет не просто о копировании программы со сменой логотипов, а ее полном переписывании. Поскольку внутреннее исполнение очень сильно зависит от количества пользователей и уровня развития технологий в отдельно взятом моменте. Это как создавать сайт, который посмотрят хорошо если 10 человек в неделю, против сайта для тысяч пользователей в час. Снаружи все одинаковое, а внутри все смоделировано иначе.

- Какой-то период вы работали в МТС на такой же позиции - software engineer?

- МТС выделил в отдельное направление все, что связано с искусственным интеллектом. Я пришел в группу дата-инженеров, которая занималась задачами компьютерного зрения (computer vision). К примеру, контролем доступа в помещение, подбором фитнес инструкций на экране для пользователя и так далее. Моя задача была создать программу, которая позволяет быстро упаковать готовую модель в веб-сервис и выпустить ее на рынок.

- Наверное самый масштабный проект в вашем портфолио – ML Space от SberCloud? Расскажите подробнее о проекте и вашей роли в разработке.

- Платформа ML Space появилась в конце 2020 года, как облачное рабочее пространство для аналитиков данных и дата-сайентистов. С появлением сервиса специалистам сферы машинного обучения стал доступен самый мощный российский суперкомпьютер “Кристофари”. Я присоединился к работе третьим разработчиком практически в самом начале. Если говорить простыми словами, мы писали программу, которая позволяла людям с небольшими или скажем так узкими компетенциями использовать мощности суперкомпьютера для моделирования и дальнейшего развертывания моделей машинного обучения.

- ML Space – это флагман возможностей искусственного интеллекта на b2b рынке сегодня. Расскажите, какова отличительная черта этого сервиса?

- ML разработка на облачной платформе экономит до 30% рабочего времени дата-сайентистов, а также сокращает время разработки и внедрения продукта в сферу использования (time-to-market). Бизнес, использующий ML Space, автоматически повышает качество и скорость разработки проектов за счет оптимизации рабочих процессов. А выстроенная архитектура платформы защищает от утечек и встраивается в ландшафт информационной безопасности компании.

- Расскажите подробнее, что такое машинное обучение и как его использует бизнес?

- Если говорить простым языком, то машинное обучение – это прикладной инструмент с широким диапазоном возможностей для решения различных бизнес-задач. С таким объемом данных работают дата-сайентисты, которые создают микросервисы. Эти сервисы с помощью машинного обучения обеспечивают работу нужной функции в приложениях. Иными словами, с помощью ML создаются системы, которые развиваются, скажем так, самостоятельно, используя для этого результат анализа большого объема структурированной и неструктурированной информации. В несколько кликов можно проверять гипотезы, за короткое время испытывать новые проекты разрабатывать алгоритмы. Это на порядок сокращает время вывода на рынок нового продукта, соответственно, снижает издержки — в первую очередь финансовые.

Примеры использования машинного обучения сегодня есть практически во всех сферах бизнеса. На основе их результатов работы и создаются программные продукты, которыми вы пользуетесь каждый день: Siri или Алиса от Яндекс, распознавание номера автомобиля на парковке,

- Какие знания нужны сегодня специалисту, чтобы работать в крупных компаниях, — где эти знания получать?

- На мой взгляд, сегодня порог входа в сферу программирования низкий, а информации более чем достаточно, как платной, так и бесплатной. Однако нужно уметь с ней правильно работать – не бездумно интегрировать в свою деятельность. Сегодня в IT идет много людей, надеясь на быстрый рост и востребованность профессии, но специалистами действительно высокого уровня становятся единицы. Хотя, конечно, если есть математический склад ума, огромная мотивация и много свободного времени, то обучиться основам разработки можно примерно за год.