Недавно мне попалась программа «как стать ИИ-инженером за 90 дней»: 12 блоков, 84 темы, от Python до мультиагентных систем. Первая реакция была знакомой: «Так, мне надо всё это выучить, и я опять в самом начале».
Потом я сделала то, что делаю с любым продуктом, — разобрала её на части и честно отметила напротив каждой темы, что уже умею. Оказалось, что я не в начале. Примерно четверть программы я уже делаю руками в своих проектах. И стало видно, какие пробелы действительно мешают, а без каких можно спокойно обойтись.
Делюсь разбором. Если вы дизайнер или продакт и смотрите в сторону ИИ-продуктов, возьмите этот подход себе: он экономит недели.
Как я себя оценивала
Напротив каждой темы я ставила один из трёх статусов:
- Делаю — это уже есть в моих проектах, я могу показать результат.
- Частично — делаю на практике, но без системного понимания. Например, пишу код вместе с ИИ-ассистентом или работаю в другом языке.
- Не делала — тема новая.
Главное правило — честность. «Читала статью» не равно «делаю». А «собрала с Claude и оно работает» — это «частично», а не «делаю», пока я не могу объяснить, почему оно работает. Это та же логика, что в исследованиях: один респондент — сигнал, а не вывод.
Что получилось
Из 84 тем около 20 я уже делаю. Почти все они — в прикладной части: подключить модель, выпустить продукт, показать его людям. Пробелы — в фундаменте и в качестве.
| Блок программы | Мой статус | Почему так |
|---|---|---|
| 1. Python и Git | Частично | Git и вызовы API — каждый день, Python и его инструменты — почти нет |
| 2. Работа с данными | Частично | Работаю с JSON и таблицами базы, но не с pandas и не с анализом датасетов |
| 3. Основы машинного обучения | Не делала | — |
| 4. Основы глубокого обучения | Не делала | — |
| 5. Как работают LLM | Частично | Хорошо чувствую контекст и галлюцинации, но не механику внимания |
| 6. LLM через API | Делаю | Свой ИИ-помощник для текстов с системным промптом и примерами — ровно практика этого блока |
| 7. Эмбеддинги и векторный поиск | Не делала | Самый важный пробел |
| 8. RAG-системы | Не делала | Самый важный пробел |
| 9. Инструменты, MCP, агенты | Частично | Пользуюсь MCP и агентами каждый день, но своего агента и сервер не строила |
| 10. Мультиагентные процессы | Частично | Есть процессы с согласованием человеком, но не связка агентов |
| 11. Оценка качества и LLMOps | Не делала | «Работает» проверяю глазами, а не тестами |
| 12. Публикация проекта | Делаю | Деплой, домены, авторизация, лендинги — моя зона уверенности |
Самое неожиданное открытие: продуктовому человеку проще всего даётся то, что в программе стоит в конце. Выпустить, упаковать, объяснить — это наша работа. А вот то, что идёт в начале, — Python, данные, ML — и есть настоящий пробел.
И второе: я годами говорю про метрики и проверку гипотез, но к ответам ИИ этот подход ещё не применяла. Блок про оценку качества — мой главный инсайт из разбора.
Почему я не пойду 90 дней подряд
Программа написана для будущего ИИ-инженера. Моя цель другая — собирать ИИ-продукты и понимать их изнутри. Поэтому я сжала план до 10 недель при 1–1,5 часа в день.
- Недели 1–2 — Python-минимум и данные. Функции, классы, асинхронность, валидация данных. Ветки и запросы на слияние в Git. Чуть-чуть pandas и SQL.
- Неделя 3 — ML и нейросети на уровне интуиции. Смотреть и понимать, а не кодить. Обязательно разобраться с точностью и полнотой (precision и recall) — без них не оценить качество.
- Неделя 4 — добрать работу с моделями через API. Ответы в строгом формате JSON, потоковая выдача, подсчёт стоимости одного запроса, запуск модели у себя на компьютере.
- Недели 5–6 — эмбеддинги и RAG. Векторный поиск, разбиение текста на фрагменты, ответы со ссылками на источники.
- Недели 7–8 — инструменты и агенты. Свой MCP-сервер, цикл агента, память, связка из нескольких агентов с моим согласованием.
- Неделя 9 — оценка качества. Набор тестовых примеров, модель-судья, защита от вредных подсказок во вводе пользователя, наблюдение за запросами.
- Неделя 10 — упаковка. Минимум бэкенда и контейнеров, описание проектов, демовидео, портфолио.
Что я сознательно пропускаю: обучение классификатора изображений, свёрточные сети, дообучение моделей. Это интересно, но для продуктовой роли пока не окупается. Вернусь, если понадобится.
Теория: курс Стэнфорда по LLM
Практику мне даёт маршрут, а теорию я возьму из открытого курса Стэнфорда CME 295 «Трансформеры и большие языковые модели». В нём восемь лекций примерно по два часа, и они хорошо ложатся на мой план:
- Лекции 1–3 — трансформеры, внимание и устройство LLM. Смотрю на неделе 3, вместо того чтобы разбираться по статьям.
- Лекции 4–5 — как модели обучают и настраивают: предобучение, дообучение, RLHF. Смотрю на неделе 4, чтобы понимать, а не повторять руками.
- Лекция 6 — рассуждения моделей. Откладываю на потом.
- Лекция 7 — RAG, вызов инструментов и агенты. Смотрю перед неделями 5–8: это лучшая теория к самой важной части маршрута.
- Лекция 8 — оценка LLM и модель-судья. Смотрю на неделе 9.
Если нет времени на лекции, у авторов курса есть бесплатная шпаргалка, в том числе на русском. Её можно прочитать примерно за час и вернуться к ней как к справочнику.
Практика — только на своих проектах
В программе у каждого блока есть учебная практика: классификатор спама, поиск по заметкам, чат с документами. Я заменю их задачами из своих проектов. Так каждый блок даёт сразу и навык, и кейс для портфолио.
Например:
- вместо «поиска по заметкам» — блок «похожие статьи» в своём блоге;
- вместо «чата с документами» — помощник, который отвечает по моим статьям и даёт ссылки на источники;
- вместо абстрактных тестов — проверка своего ИИ-помощника для текстов: звучит ли результат как я.
Учебный проект вы закроете и забудете. Свой будет жить, и вы увидите, как он ломается на настоящих людях. Это и есть главный опыт.
Как разобрать программу под себя
Если хотите повторить, задайте себе по каждой теме три вопроса:
- Могу ли я показать, где уже это сделала?
- Могу ли я объяснить, почему это работает, без подсказки ИИ?
- Нужна ли эта тема для роли, в которую я иду, или это «на всякий случай»?
Два «да» — тема закрыта. «Нет» на третий вопрос — смело откладывайте.
Если вы только присматриваетесь к роли, начните со статьи «Кто такой Product Builder и как им стать» и таблицы для самопроверки в статье «Навыки продакт-билдера».
Больше разборов про продукты и ИИ — в моём Telegram-канале. Подписывайтесь, если вам тоже интересно, как продуктовому человеку войти в ИИ-продукты без лишних 90 дней.
А если хотите разбираться не в одиночку, приходите в наше сообщество «Продуктовые разборы». Там продакт-дизайнеры и продакты обсуждают кейсы, задают вопросы и встречаются на бесплатных разборах и эфирах. Делитесь своей самооценкой по программе — сравним, у кого какие пробелы.
Частые вопросы
Нужен ли Python продакт-дизайнеру или продакту, чтобы делать ИИ-продукты?
Глубоко — нет, минимум — да. Достаточно функций, классов, работы с API и валидации данных, чтобы читать и проверять код, который пишет ИИ, и самой собирать прототипы.
Сколько времени нужно, чтобы разобраться в ИИ-продуктах?
Если не проходить всё подряд, а пропустить уже освоенное и изучать ML на уровне интуиции, хватит около 10 недель по 1–1,5 часа в день.
С чего начать изучение LLM?
С честной самооценки: отметьте по каждой теме, что уже делаете, что частично и что нет. Затем закройте фундамент (Python, данные) и переходите к эмбеддингам, RAG, агентам и оценке качества.
Где взять теорию по большим языковым моделям?
Хороший бесплатный вариант — открытый курс Стэнфорда CME 295 «Трансформеры и большие языковые модели»: восемь лекций и шпаргалка, в том числе на русском.