Карта пути в AI-инженеры: что учить и в каком порядке

Что в ролике
Если ты хочешь стать AI-инженером и не знаешь, за что хвататься, автор идёт по своей карте и сразу разделяет роли: AI-инженер берёт готовую модель и делает из неё надёжный продукт, а ML-исследователь и дата-сайентист занимаются совсем другим. Первым шагом он ставит Python — язык 1991 года и основу всей работы с моделями, учить предлагает на вводном курсе DataCamp. Дальше идёт обязательная терминология: AI против AGI, LLM, RAG, промпт- и контекст-инжиниринг, токены и температура. Контекст-инжиниринг разбирается подробно: внешняя память, сжатие контекста, когда окно переполняется и дорожает, и изоляция контекста через маленьких агентов под одну задачу. В промпт-инжиниринге перечислены zero-shot и few-shot, формат входа, вызов функций как основа MCP, кеш промптов, потоковые ответы, системный промпт, роли, ограничения и структурированный JSON на выходе. Отдельный блок — модели и инфраструктура: закрытые модели вроде Claude и ChatGPT против открытых, которые скачиваются и запускаются локально через Ollama или LM Studio, плюс эмбеддинги и векторные базы. Завершают карту RAG против файнтюнинга, MCP как способ давать моделям доступ к чужим сервисам, безопасность и prompt injection, мультимодальность и AI-инструменты для кода вроде Claude Code и Cursor.
Практика
- Что получишь
- Получишь порядок изучения тем — от Python и базовой терминологии до RAG, MCP и безопасности — и сможешь сверить его со своим текущим уровнем, чтобы не распыляться на случайные туториалы.
- Первый шаг
- Открой карту по ссылке из описания и отметь темы, которые уже знаешь: автор советует начинать с Python, а дальше идти блоками терминологии, контекст-инжиниринга и промптов.
- Цифры
- —90% компаний создают роли, связанные с AI, — на это ссылается автор по исследованию PwC
- —200 000 — 500 000 долларов в год — вилки в компаниях уровня Apple и Meta за роли AI-инженера, медиана шестизначная
- —20% и 90% — столько материала удерживается при пассивном чтении и при активной практике вроде своих проектов
- —1991 год — год создания Python, который автор называет базовым языком для AI и машинного обучения
- Честно
- Середина ролика — рекламная вставка DataCamp: автор перечисляет их треки и сертификацию и говорит, что сам учился по этим курсам, а ссылка в описании, скорее всего, партнёрская. Сама карта и список ресурсов лежат в описании к видео, а не в речи, и в пересказе их нет — без них остаётся только перечень тем. Это high-level обзор, а не курс: кода и воспроизводимых действий в ролике нет, всё объясняется словами, поэтому для практики понадобятся внешние материалы.
Если слова незнакомы — 10 терминов
- LLMбольшая языковая модель, то есть AI-модель, которая работает с текстом
- AGIгипотетический общий AI, который умеет всё, а не одну узкую задачу
- RAGпоиск по своим данным: нужные куски текста достают из хранилища и подставляют модели в запрос
- промпттекстовое задание, которое ты пишешь модели
- токенкусочек текста, примерно слово или часть слова, в которых модель считает вход и выход
- эмбеддингчисловое представление текста или картинки, по которому ищут похожее
- векторная базахранилище эмбеддингов, по которому делается поиск близких по смыслу кусков
- MCPспособ подключать к модели сторонние сервисы и инструменты через вызов функций
- файнтюнингдообучение модели на своих примерах, чтобы она выдавала нужное без подробных подсказок
- prompt injectionатака, при которой в текст или картинку прячут команду и модель выполняет её вместо задачи
Связки из этого ролика
5 шт.- Python + RAG (чанкинг, эмбеддинги, векторная база) — ответы на основе своих документов
- MCP-клиент + MCP-сервер — вызов инструментов и данных третьих сторон
- Ollama/LM Studio + открытые модели — локальный self-hosted инференс
- векторная база + эмбеддинги — семантический поиск по тексту, изображениям и аудио
- Claude Code / Cursor / Codex — AI-ассистированная разработка
Компоненты
17 шт.Формат: разбор · для новичков · уверенность разметки 0.8 · источник