Из психологии и продаж — в ИИ-разработку: как войти в ML без технического бэкграунда
Иногда новая профессия начинается с простой мысли. В 2022 году Анна Решетняк всё чаще ловила себя на ней, читая новости про искусственный интеллект: «Какая же у кого-то интересная работа». Тогда ей ещё не казалось, что через несколько лет она сама будет заниматься ИИ-разработкой, изучать машинное обучение и собирать свой первый ML-сервис.
До перехода в ИИ Анна успела поработать консультантом-психологом, тьютором в международной детской школе, менеджером по продажам и руководителем отдела продаж. Позже, уже во время смены профессионального трека, она прошла обучение, собрала сервис для людей с преддиабетом и поступила в магистратуру AI Talent Hub Университета ИТМО.
В этой истории — путь человека без классического технического бэкграунда, который вошёл в машинное обучение через любопытство, системное обучение и практику.
Когда интерес к ИИ превращается в новую профессию
Сначала Анне хотелось просто понять, как устроены современные приложения: почему они умеют предсказывать, рекомендовать, отвечать на вопросы и находить закономерности в данных. Интерес к ИИ начался не с карьерного плана, а с любопытства к технологиям.
Она начала учиться самостоятельно: читать статьи, проходить курсы, разбираться в программировании, математике и машинном обучении. Постепенно стало понятно, что ML-инженерия сочетает сразу две важные стороны.
С одной стороны, это очень практическая область: нужно работать с данными, моделями, сервисами, пользовательскими сценариями и продуктами. С другой — в ней много творчества. Нужно искать подход, экспериментировать, соединять разные инструменты и придумывать, как технология может решить реальную задачу.
В этом смысле ML-инженерия для Анны стала почти современным изобретательством. Именно это сочетание практики и творчества помогло ей сильнее втянуться в новую сферу.
Первый шаг к обучению ML-инженерии
Примерно через год самостоятельного изучения Анна увидела в Open Data Science пост о возможности пройти обучение на ML-инженера на курсе от AI Talent Hub. Уже в середине обучения она поняла, что хочет продолжать путь дальше — в магистратуре.
Сначала идея поступления казалась слишком дерзкой. Но новые знания захватили её с головой: задачи продолжали прокручиваться в голове по дороге за детьми в садик, утром и вечером. Это был момент, когда интерес перестал быть случайным увлечением и стал настоящим профессиональным вектором.
Самым сложным оказался не ML
Когда люди думают о входе в машинное обучение, чаще всего представляют сложную математику, алгоритмы и код. Но для Анны самым трудным сначала оказалось другое — настроиться на длинную дистанцию и не бросить на этапе, когда почти ничего не понятно.
При переходе в ML нужно одновременно подтягивать несколько направлений:
— программирование;
— математику;
— статистику;
— английский;
— практику работы с моделями;
— основы computer science;
— понимание разработки сервисов.
И это не работает в режиме «прочитать один курс и сразу всё понять». Нужно регулярно возвращаться к сложным темам, решать задачи, ошибаться, пересобирать понимание и постепенно привыкать к ритму профессии.
В какой-то момент Анна поняла: если она действительно хочет перейти в новую сферу, нужно принять саму механику этого пути. Много учиться, много пробовать, много разбираться в том, что поначалу кажется непрозрачным. И со временем сложные задачи начинают не только пугать, но и приносить удовольствие.
Что пригодилось из прошлого опыта
У Анны не было классического технического образования, но прошлый опыт не обнулился при смене профессии. Наоборот, часть навыков оказалась полезной.
Из первого образования — психологии личности — пригодилась база по математике и статистике: эксперименты, математические методы, работа с данными и интерпретация результатов.
Из опыта в психологии, тьюторстве и продажах пригодились навыки работы с людьми:
— умение объяснять сложное простыми словами;
— способность держать фокус на задаче;
— понимание потребностей пользователя;
— внимательность к мотивации и поведению человека;
— привычка думать не только «как сделать», но и «зачем это нужно».
При этом Анна видела, что люди с техническим образованием часто двигаются быстрее. Но это не стало демотивирующим фактором. Наоборот, подтолкнуло глубже разбираться в computer science, программировании и хард-скиллах.
Когда обучение перешло в практику
До курса Анна уже умела писать код и обучать модели в учебном формате. Но ей не хватало важного понимания: как из идеи, данных и модели получается полноценный сервис, которым может пользоваться реальный человек.
Во время обучения она впервые собирала систему целиком:
— продумывала логику сервиса;
— работала с пользовательским сценарием;
— проектировала интерфейс;
— связывала модель с приложением;
— готовила презентацию;
— защищала результат перед экспертами.
Это стало важным переходом от учебных упражнений к инженерному мышлению. Модель в ноутбуке — ещё не продукт. Чтобы решение стало сервисом, нужно подумать о данных, пользователе, интерфейсе, backend, логике работы и понятной ценности.
Почему FastAPI стал важной точкой перехода
Отдельно Анне запомнился модуль по FastAPI. До этого она в основном работала с кодом и моделями, а здесь впервые столкнулась с backend-разработкой приложения.
Это было непросто, но именно в этот момент стало видно, насколько интересен процесс сборки сервиса. Когда идея перестаёт жить только в ноутбуке и начинает работать как приложение, меняется ощущение собственной роли. Ты уже не просто обучаешь модель, а создаёшь инструмент, который может решать задачу пользователя.
Ещё одним важным блоком стал модуль по презентации и питчингу. В техническом проекте легко уйти только во внутреннюю логику и забыть, что решение нужно уметь объяснить: зачем оно нужно, какую проблему решает, кому помогает и почему его стоит развивать дальше.
Для финальной защиты это оказалось особенно полезно.
Первый большой проект: сервис для людей с преддиабетом
Финальным проектом Анны стал PrediCare — сервис-помощник для людей с диагностированным преддиабетом.
Преддиабет — состояние, при котором уровень глюкозы уже повышен, но ещё не достиг уровня диабета. Из-за отсутствия выраженных симптомов люди часто не меняют образ жизни, и заболевание может постепенно прогрессировать. По медицинским данным, с преддиабетом может жить значительная доля взрослого населения, а риск перехода в диабет второго типа со временем может достигать 50–60%.
Анне хотелось сделать не абстрактный учебный проект, а инструмент, который может быть полезен в реальной жизни. Так появилась идея сервиса, который использует данные с носимых устройств — например, фитнес-браслетов или часов — чтобы отслеживать уровень активности пользователя и замечать изменения, связанные с потенциальным повышением рисков.
Система оценивает вероятность ухудшения состояния и подсказывает, на какие привычки стоит обратить внимание:
— больше двигаться;
— поддерживать регулярную активность;
— не выпадать из ежедневных рутин;
— отслеживать изменения в поведении и образе жизни.
Проще говоря, сервис помогает человеку удерживать фокус на действиях, которые действительно влияют на здоровье, но легко теряются в повседневности.
Почему учебный MVP стал важным результатом
Сейчас Анна оценивает PrediCare как сильный учебный MVP, а не готовый медицинский продукт. Но именно в этом была его ценность.
Проект дал первый опыт end-to-end разработки: от идеи и данных до работающего прототипа. Нужно было не просто обучить модель, а собрать сервис, продумать пользовательский сценарий и показать, как решение может работать в реальности.
Сегодня некоторые технические решения Анна построила бы иначе. Многие задачи, которые тогда занимали много времени, сейчас решались бы быстрее. Но именно этот проект дал главное ощущение: «Я действительно могу создавать ИИ-сервисы».
Что изменилось спустя год
После обучения Анна решилась поступить в магистратуру. Без первого практического опыта, скорее всего, этот шаг так и остался бы далёкой идеей.
В магистратуре появились новые хакатоны, учебные проекты, практика и погружение в реальные задачи. Постепенно стало приходить понимание, как устроена работа над ИИ-проектами не в учебном формате, а в более приближённой к индустрии среде.
Сейчас Анна начинает проект с заказчиком, который пришёл через офлайн-знакомства. Детали проекта нельзя раскрывать из-за NDA, но сам факт важен: между «мне интересен ИИ» и «я делаю реальный проект» появился мост.
Этим мостом стал не один удачный момент, а длинная цепочка: самостоятельное обучение, курс, проектная работа, магистратура и ежедневная практика.
Можно ли войти в ML из нетехнической профессии
Главный вывод этой истории: войти в ML из нетехнической профессии можно. Но сделать это без системы, практики и готовности к длинной дистанции почти невозможно.
Интерес к ИИ — хороший старт, но его недостаточно. Нужно постепенно собирать фундамент: программирование, математику, статистику, понимание моделей, работу с данными, разработку сервисов и способность доводить проект до результата.
При этом прошлый опыт не исчезает. Психология, продажи, образование, управление, коммуникация с людьми — всё это может стать преимуществом, если соединить эти навыки с технической базой.
Что помогло пройти путь
Для Анны самым важным оказалось не «успеть изучить всё», а выбрать траекторию и каждый день делать шаг в её сторону.
Курс помог именно с этим: дал структуру, первую серьёзную практику, проектный результат и ощущение, что движение происходит не вслепую. А дальше уже включилась длинная работа: повторение, практика, новые проекты, магистратура и постепенное наращивание уверенности.
Интересно, что со временем сложные материалы начинают читаться иначе. Возвращаясь к профессиональной литературе или старым конспектам, человек вдруг понимает их уже на другом уровне — через слой новых знаний и собственного опыта.
Для Анны также оказалось важным, что принципы человеческой психики иногда созвучны принципам обучения и применения искусственного интеллекта. Это помогло не отказаться от прошлого опыта, а встроить его в новую профессиональную траекторию.
Итог
История Анны Решетняк показывает, что путь в ИИ-разработку не всегда начинается с технического университета или первой работы программистом. Иногда он начинается с любопытства, самостоятельного обучения и желания разобраться, как устроены современные интеллектуальные сервисы.
Переход из психологии и продаж в ML требует времени, дисциплины и системной практики. Но если двигаться последовательно, прошлый опыт может стать не препятствием, а сильной частью нового профессионального профиля.
ИИ-разработка сегодня всё больше похожа на современное изобретательство: здесь нужно соединять технологию, пользователя, продуктовую задачу и реальную пользу. И именно поэтому в эту сферу могут приходить люди с разным бэкграундом — если они готовы учиться, пробовать и проходить длинную дистанцию.