AI Engineer — это не ML-исследователь: какие навыки реально спрашивают

«AI Engineer» — молодая роль, и кандидаты часто готовятся к ней как к ML-ресёрчу: читают статьи, разбирают архитектуры трансформеров. На собеседовании выясняется, что спрашивают совсем другое.

Граница между ролями

ML-исследователь обучает и улучшает модели — это математика, эксперименты, иногда наука. AI Engineer строит продукты поверх уже существующих моделей: интеграция LLM, retrieval, агенты, оценка качества ответов, контроль стоимости и задержек. Обучать сеть с нуля здесь почти не требуется.

Поэтому набор навыков ближе к разработке, чем к науке: уверенный код, работа с API, базы (включая векторные), очереди, и системное мышление — как собрать надёжный сервис из ненадёжного по своей природе компонента, который иногда выдумывает.

Что отличает сильного кандидата

Первое — отношение к качеству. Слабый кандидат верит ответу модели, сильный строит проверку: эвалуации, фолбэки, ограничения. Галлюцинации — это не баг, который чинят один раз, а свойство, под которое проектируют систему.

Второе — внимание к деньгам и скорости. Решение, которое стоит как зарплата команды или отвечает десять секунд, не доедет до пользователей. Об этом думают на этапе дизайна, а не после.

Сверить ожидания по компенсации стоит с медианой зарплат AI Engineer по свежим вакансиям — роль новая, и разброс пока большой.

С чего начать

Соберите один сервис на базе LLM с честной оценкой качества и контролем стоимости — это покажет инженерное мышление лучше любого сертификата. Открытые позиции — в ленте вакансий AI Engineer.