ИИ в науке и бизнесе

Стремительное распространение искусственного интеллекта ставит перед будущими специалистами множество вопросов: где применить свои навыки — в науке или бизнесе? Какие компетенции будут востребованы завтра, когда ИИ возьмет на себя еще больше функций?

Об этом в дискуссии «Авито» «Кто создает будущее: исследователи или бизнес» рассуждают Иван Оселедец, генеральный директор Института AIRI, профессор РАН, доктор физико-математических наук, и Андрей Рыбинцев, управляющий директор по искусственному интеллекту в компании «Авито», кандидат технических наук.

Анастасия: Сегодня говорим о развитии искусственного интеллекта в России, о том, где строить карьеру — в лаборатории или в компании, и какие навыки будут ключевыми в ближайшем будущем. Начнем с обсуждения актуальных трендов. Иван, от чего зависит развитие ИИ в России сегодня? И насколько уместно сравнивать ситуацию с глобальными трендами?

Иван: Следить за прогрессом ИИ сложно — он мчится вперед на огромной скорости. Ежегодно выходят десятки тысяч исследований, и легко потеряться в этом «шуме хайпа». Чтобы двигаться осмысленно, нужны не только мода на технологии, но и сильная команда, стратегия и ресурсы.

Кадров по-прежнему не хватает. Даже внедрение языковых моделей, которые помогают автоматизировать научную работу, не решает эту проблему. И еще вопрос инфраструктуры: в университетах мало GPU, а без них не сделать масштабных экспериментов. Компании в этом плане в выигрыше: их R&D-команды опираются на мощности, которые пока недоступны вузам. Это сдерживает рост академических исследований.

Анастасия: Теперь — взгляд из бизнеса. Андрей, что мотивирует компании инвестировать в ИИ: потребности рынка или просто доступность технологий?

Андрей: Скажу так: подходы компаний могут сильно отличаться. В «Авито» мы придерживаемся продуктовой логики. Если технология решает проблему пользователя и улучшает продукт — внедряем. Такой подход позволяет строить бизнес вокруг создания хорошего продукта.

Возьмем генеративный ИИ. Несмотря на хайп, мы используем его, потому что технологии улучшают опыт пользователей на платформе. У многих пользователей написание текста для объявления — настоящая головная боль: нет вдохновения, упускаются детали. Мы обучили модель, которая анализирует фото и сама создает четкое, продающее описание.

Мы выбрали золотую середину: взяли готовое open-source решение и дообучили его на своих данных под наши задачи. Это дороже, чем просто использовать модель «как есть», но значительно дешевле, чем разрабатывать с нуля. Такой баланс позволяет быстро запускать новые функции и видеть отдачу от инвестиций.

Анастасия: Переходим ко второму блоку — о карьере в ИИ. Хочется обсудить ключевую дилемму: что важнее — глубокие технические знания или способность видеть бизнес-ценность решений?

Иван: На самом деле — и то, и другое. Но ключевое сегодня — умение быстро учиться и мыслить критически. Алгоритмы уже умеют писать нейросети, и их роль будет только расти, поэтому традиционные тесты на алгоритмы все меньше отражают реальный потенциал специалиста.

Современные «супернавыки» изменились: вместо энциклопедической памяти ценится умение анализировать информацию, мыслить логически и критически. Навык работы с данными сегодня важнее, чем способность держать в голове гигабайты фактов. Это работает и в науке, и в бизнесе. Будущее — за адаптивностью и умением извлекать ценность из любых обстоятельств, будь то техническая задача или бизнес-стратегия.

Андрей: Универсального ответа здесь нет. Работа, как и обучение, бывает очень разной. В компаниях и даже в командах требуются свои навыки и компетенции. Даже внутри «Авито» подходы отличаются: кто-то глубоко копает в компьютерное зрение, кто-то строит финансовые модели, кто-то создает решения на языковых системах. Где-то важна скорость гипотез, где-то — долгие исследования без жестких сроков.

На разных ролях тоже нужны разные навыки. Приведу пример: у меня есть команда дата-сайентистов. Кажется логичным поставить руководителем самого сильного технаря, но на деле это часто ошибка. Управление требует других умений — коммуникации, мотивации, стратегического взгляда.

Поэтому никакого универсального «чек-листа» нет. Все зависит от сильных сторон человека. Исследователи эффективнее в науке, ориентированные на результат — в бизнесе, а те, кто умеет вдохновлять и объяснять сложное простыми словами, нередко становятся отличными руководителями.

Как руководитель я стараюсь видеть эти сильные стороны и распределять роли так, чтобы команда работала на максимуме. Инвестиции в мотивированных, думающих людей всегда окупаются.

А если говорить о поиске «своего места», то это главный вызов для начинающих. Сегодня нормально менять решения и корректировать курс. Я сам пришел к этому через практику и постоянный анализ: что у меня получается лучше всего, что хочется развивать дальше? Если работа приносит удовольствие и не требует чрезмерных усилий — это верный знак, что ты на своем месте. Главное — пробовать и быть открытым к новому: опыт сам подскажет, где твоя эффективность максимальна.

Анастасия: Осознание множества вариантов и готовность регулярно пересматривать решения — важная черта современного рынка труда, особенно для тех, кто только начинает карьеру. Теперь хотелось бы личных историй. Как вы поняли, что находитесь на своем месте? Как удалось выбрать между разными функциями и направлениями? Что помогло определить, что именно это — ваш путь?

Андрей: Начнем с моей истории. Мой путь был не совсем обычным. В университете я пробовал многое — даже работал фотографом. По образованию я математик, окончил ВМК МГУ, занимался компьютерным зрением под руководством Антона Конушина, известного эксперта в этой области. Проекты были интересные, но со временем я понял: фундаментальная база МГУ мощная, а вот прикладных навыков для реальной работы — не хватает.

Здесь помогло окружение. У меня был круг общения с людьми из разных сфер, и это дало понимание, куда двигаться. Так я пошел на стажировку в крупную IT-компанию. Завершил ее успешно и получил оффер. Это был идеальный старт: учеба плюс практика. На последних курсах я уже официально работал, имел базовое понимание профессии и первые практические навыки.

Но возник парадокс: работал я в разработке, а учился на дата-сайентиста. Через пару лет понял, что именно эта область мне ближе. И хотя перспективы в разработке были хорошие, я решил вернуться к тому, что действительно увлекало. Это решение оказалось правильным.

Позже выяснил еще кое-что о себе: мне больше нравилось не самому все делать, а придумывать решения, объяснять их и помогать команде. Я осознал, что для больших результатов нужна сильная команда единомышленников. Ведь один человек не может успеть все — день ограничен 24 часами. Поэтому я сознательно перешел в менеджмент. Это был продуманный шаг, и он оправдал себя: я увидел, что могу достигать большего, когда организую и вдохновляю команду. Для себя я расцениваю этот выбор как правильный.

Анастасия: Иван, а у вас? Когда вы ощутили себя на своем месте?

Иван: Если коротко о моем пути: вырос в семье математиков, и казалось естественным поступать на мехмат, но дважды не прошел. В третий раз подал и туда, и на физтех. В итоге поступил в оба и решал монеткой с другом. Забрали документы из МГУ и пошли на физтех. Для семьи это был шок, но решение оказалось верным.

Я учился на факультете «Проблем физики и энергетики», но оказался на кафедре вычислительной математики и именно там нашел свое призвание. Со временем добился успехов, меня пригласили работать в Сколтех, где я провел 10 лет. Затем получил предложение возглавить AIRI.

Главный вывод из моей истории простой: если делать свою работу качественно, тебя заметят. И пригласят в еще более интересное место, с новыми перспективами и возможностями. Это, на мой взгляд, лучший способ строить карьеру.

Анастасия: Предлагаю перейти к третьему блоку — взаимодействие науки и бизнеса. Андрей, вопрос к вам: насколько сложен переход между этими мирами? И что можно сделать, чтобы молодым специалистам было комфортно переходить из одной сферы в другую?

Андрей: Честно говоря, я не уверен, что являюсь самым подходящим экспертом по этому вопросу. Да, я защитил кандидатскую диссертацию и получил степень, но профессионально глубоко в академической среде не работал. Поэтому могу поделиться скорее наблюдениями со стороны.

Работая в бизнесе, я быстро понял, что научная и коммерческая среды устроены совсем по-разному. В России они долгое время существовали как отдельные, почти несовместимые сферы, и их интеграция казалась невозможной.

Но в последние годы ситуация меняется. Появились сильные корпоративные R&D-команды, где можно заниматься полноценной исследовательской работой прямо внутри бизнеса. В «Авито» тоже есть такие команды: их KPI связаны не с деньгами, а с публикациями на ведущих международных конференциях. Для бизнеса такие академические стандарты раньше были редкостью.

На Западе этот процесс стартовал раньше: корпоративные публикации там уже давно обгоняют университетские по количеству. В России долгое время речь шла лишь об отдельных проектах, которые изредка соединяли два мира. Сейчас возможностей для сближения становится больше, но переход по-прежнему непростой. Раньше он был болезненным из-за фундаментальных различий систем. К тому же настоящие энтузиасты науки редко уходили в бизнес, а те, кому не удалось реализоваться в академии, не всегда успешно проявляли себя в коммерции.

Анастасия: Давайте подключим других участников обсуждения. Иван? Возможно, вы добавите свой взгляд на эти вопросы.

Иван: Проблема в том, что бизнес зачастую предлагает более высокую материальную компенсацию, а возвращение в науку после ухода крайне затруднено. Если человек долго занимался исключительно коммерческой разработкой, для возвращения в академическую среду ему нужно фактически полное переобучение: заново учиться писать статьи, мыслить в научной логике, встраиваться в исследовательское сообщество. При этом люди хотят сохранить привычный уровень дохода, а нам приходится тратить ресурсы на их переквалификацию. Поэтому на практике часто разумнее взять аспиранта или молодого специалиста, который вырастет внутри команды и принесет больше пользы.

Переход из бизнеса в науку остается дорогой с односторонним движением. Конечно, можно опираться на зарубежный опыт: есть модели, которые сглаживают этот разрыв и делают переход проще. Но их адаптация к нашей культуре потребует времени и серьезных изменений.