Работа, связанная с нейросетями, есть не только у разработчиков моделей. Разбираю четыре типа задач и способ выбрать соседнюю роль по своему опыту.
М
Марина
Контент-маркетолог LibraChat
8 мин чтения
Коротко: сначала найди, какой этап ИИ-процесса близок твоей профессии: постановка задачи, внедрение, проверка или разработка. Потом сравни действия в вакансиях со своими навыками и собери один проверяемый пример.
Коллега из поддержки однажды сказала мне: «Мне интересен ИИ, но я не умею обучать модели». При этом она лучше многих разбиралась, почему клиентское письмо о задержке заказа нельзя отвечать одинаковым шаблоном: где-то нужна дата, где-то возврат, а где-то эскалация человеку. Работа, связанная с нейросетями, действительно может потребовать программирования. Но она встречается и там, где надо определить правила, встроить инструмент в процесс или поймать его ошибку. Я проверила её примеры. Мы начали не с названий профессий, а с одной знакомой ей задачи.
Представим сервисную команду, которая хочет быстрее разбирать обращения. Для учебного примера возьмём вымышленные письма без личных данных. ИИ может предложить категорию и черновик ответа. Решение, отправлять ли ответ и что делать с исключением, остаётся у команды. На таком процессе видны четыре разные роли. У каждой свой набор доказательств навыка; фраза «умею пользоваться нейросетью» почти ничего не объясняет.
Работа, связанная с нейросетями: какие роли бывают?
NIST в своей рамке управления рисками ИИ описывает разные задачи на жизненном цикле системы: проектирование, разработку, внедрение, эксплуатацию и оценку. Это не список вакансий и не обещание, что рядом открыты все должности. Но карта помогает не путать человека, который пишет код модели, с человеком, который знает правила ответа клиенту. Оба участвуют в AI-процессе, отвечая за разные решения.
Для нашей команды я записала четыре маршрута:
Маршрут · Что человек делает в примере с письмами · Что уже может пригодиться · Какой пробел проверить
Предметный специалист — Определяет категории и исключения, объясняет, когда нужен сотрудник — Опыт поддержки, знание процесса — Умение записывать правило так, чтобы его понял другой человек
Внедрение процесса — Настраивает путь обращения от входа до проверенного ответа — Координация команды, описание шагов — Интеграции, права доступа и измерение результата
Оценка качества — Проверяет выборку ответов, отмечает пропуски и последствия ошибок — Редактура, контроль качества, аналитика — Методика выборки и единые критерии проверки
Разработка — Создаёт или дорабатывает технический компонент, тестирует его — Программирование и работа с данными — Математика, инфраструктура, код для конкретной роли
В таблице нет отдельной должности «промпт-инженер на всё». Название слишком широко. Текст запроса может быть частью любой из первых трёх ролей, но ценность определяет решение после ответа. В письме с обещанной датой нельзя измерить качество только тем, что фраза звучит вежливо. Нужна проверка факта по системе заказов и правило эскалации, если даты нет. Такой нюанс специалист поддержки знает ещё до знакомства с ИИ.
Я бы спросила коллегу, какая ошибка её раздражает сильнее: неверная категория, сломанный маршрут, расплывчатый критерий или технический сбой. Ответ не назначает профессию навсегда. Но он показывает, какую задачу человеку хочется разбирать каждый день. После этого легче читать требования вакансии без ощущения, что любая строчка про ML закрывает все двери.
Как перенести свой опыт в новую задачу?
Первый шаг — описать работу глаголами. Не «десять лет в поддержке», а «разделяю срочные обращения, нахожу неверные обещания, согласую исключения, объясняю правило новичку». Я проверила, какие из этих действий можно доказать примером. В них уже есть материал для роли, связанной с оценкой или настройкой процесса. Когда опыт назван только должностью, его трудно приложить к новой команде.
Я попросила коллегу сделать маленький аудит за 30 минут:
Записать три решения, которые она принимает без подсказки в текущей работе.
Для каждого назвать входные данные и последствия ошибки.
Отметить, какое решение можно лишь подготовить с ИИ, а какое нужно оставить человеку.
Сравнить эту карту с действиями в трёх интересных вакансиях.
Выбрать один навык, которого действительно не хватает, вместо попытки «изучить весь ИИ».
Получилась неожиданная пара. Коллега думала о разработке, потому что в заголовках объявлений часто видела слово AI. Но ей нравилось не строить модель, а разбирать случаи, когда ответ внешне правильный и всё же вводит клиента в заблуждение. Это ближе к контролю качества и предметным правилам. Чтобы выбрать окончательно, ей всё равно пришлось бы посмотреть реальные вакансии: под одинаковыми названиями компании скрывают разные ежедневные задачи.
Если тебе интересна именно разработка, карта не отговаривает от неё. Открой требования. Проверь, какой код, данные и уровень математики нужны в выбранных объявлениях, затем составь учебный план под эти требования. Опыт уверенного общения с чатом сам по себе не показывает умения писать сервис или отлаживать модель. Такая честная граница экономит месяцы поиска «волшебного» сертификата, который якобы закроет технический пробел.
Работа, связанная с нейросетями: что читать в вакансии?
Название «AI-специалист» мало говорит о рабочем дне. Я открываю описание и помечаю глаголы: размечать, проверять, обучать, интегрировать, исследовать, продавать, вести пользователей. Потом ищу объект действия. Проверять что — ответы по стандарту, код, изображения, данные? Интегрировать куда — в сайт, базу знаний, внутренний процесс? Я поймала себя на привычке пропускать объект. Без него нельзя понять, подходит ли твой опыт.
Второй слой — зона ответственности. Если компания пишет «оценивать качество ответов», уточни, кто задаёт критерий и что происходит после найденной ошибки. Оценщик без права сообщить о системной проблеме может делать совсем другую работу, чем специалист, который меняет правила процесса. Если в вакансии есть «внедрять ИИ», выясни, кто отвечает за данные, доступы, контроль результата и обучение команды. В рамке NIST человеческий надзор и распределение ролей названы частью работы с ИИ; в реальном проекте это не пустая формальность.
Я оставляю себе короткие вопросы к объявлению:
Какой результат человек сдаёт в конце недели?
Как команда понимает, что ответ ИИ годится для использования?
Какие ошибки нужно замечать обязательно и кому о них сообщать?
Какие данные допустимо передавать инструменту?
Какие умения подтверждаются примером работы, а какие требуют отдельного обучения?
Если объявление не отвечает ни на один вопрос, я не выдумываю обязанности за работодателя. Сначала уточняю результат. На встрече можно спросить о том, что команда сдаёт за неделю, или найти более ясное описание. Нельзя принимать карьерное решение по одному яркому слову в названии.
Как показать подходящую роль без выдуманной должности?
Для опытного специалиста полезен один артефакт из знакомой предметной области. В нашем учебном случае это карта обработки шести вымышленных обращений: категория, допустимый черновик, факт для проверки, условие передачи человеку. Не загружай реальную переписку клиентов в публичный сервис ради портфолио. Можно создать собственные примеры и честно обозначить их учебными.
Такой артефакт особенно хорошо показывает предметную и оценочную роли. Но он не доказывает способность написать ML-сервис. Это инженерная работа. Для технической позиции нужен другой образец: код, тесты, данные и объяснение решений в рамках требований вакансии. Я не стала бы заставлять кандидата демонстрировать всё сразу. Выбери маршрут и покажи именно ту работу, которую собираешься выполнять.
Я бы оформила кейс на одну страницу. Вверху — задача команды и границы данных. Ниже — таблица правил, два спорных обращения и решение по каждому. В конце — что проверит человек перед отправкой. Если в примере есть ИИ-черновик, обозначь его вклад и свои правки. Работодателю важнее понять ход решения, чем увидеть длинный список моделей в боковой колонке резюме.
Есть и внутренний путь: предложить маленький пилот в нынешней команде, если правила организации это позволяют. Не обещай экономию до измерения. Возьми безопасный набор примеров, заранее определённый критерий и сравни ручной разбор с вариантом, где инструмент помогает готовить черновик. Запиши, где человек всё равно тратит время на проверку. Иногда выясняется, что узкое место — не текст ответа, а отсутствие нужной даты в исходной системе. Тогда нейросеть не решит проблему без изменений процесса.
Какой первый шаг сделать сегодня?
Прямо сейчас возьми три объявления о работе, связанной с нейросетями, и выпиши из каждого пять ежедневных действий. Сравни их с собственной картой решений, а не с модным названием роли. В LibraChat можно на вымышленных обращениях набросать категории для учебного кейса и затем вручную проверить каждое правило. Условия доступа посмотри заранее; как упаковать результат, разбирает материал о нейросети для портфолио.
После сравнения выбери один маршрут на ближайшие две недели. Например, для оценки качества подготовь набор из шести спорных ответов и объясни, по какому правилу каждый принимается или отправляется на доработку. Для внедрения нарисуй путь обращения и место проверки человеком. Для разработки найди технический пробел и начни с небольшой задачи под него. Так разговор о работе с нейросетями превращается в конкретную следующую попытку, которую можно показать и обсудить.
