Обучение ИИ в 2026 году всё меньше похоже на освоение одного модного сервиса и всё больше — на нормальную инженерную специализацию. Руководитель проектов компьютерной редакции издательства «БХВ» Александр Холмогоров предлагает будущим AI-разработчикам делать ставку на машинное обучение, работу с данными и архитектуру LLM, а не на знание набора промптов или конкретного фреймворка.
Об этом сообщает Habr / Карьера в материале издательства, собравшем рекомендации по литературе для начинающих специалистов. Главная мысль автора проста: названия моделей, API и инструменты меняются слишком быстро, чтобы строить на них карьерный план. Зато понимание того, как готовят данные, обучают и оценивают модели, как устроены трансформеры и каким образом LLM встраиваются в продукт, не исчезает после очередного обновления документации.
Холмогоров сравнивает нынешний интерес к нейросетям с предыдущими волнами массового выбора профессий. В разные годы рынок переживал наплыв бухгалтеров и экономистов, затем разработчиков, веб-дизайнеров, специалистов по SEO, интернет-рекламе, криптовалютам и блокчейну. Общий сценарий знаком: образовательные программы быстро отвечают на спрос, выпускников становится много, а наиболее поверхностные навыки дешевеют первыми. ИИ в этом смысле не обязан оказаться исключением.
Риск не в самом выборе направления, а в узкой траектории. Человек, который умеет сформулировать запрос для чат-бота, но не может объяснить, почему модель ошибается, чем отличаются embeddings от обычного поиска или как проверить качество ответа, быстро упрётся в потолок. Для бизнеса это уже заметная проблема: пилотный «чатик» можно собрать за день, но продукт с предсказуемыми ответами, доступом к корпоративным данным, контролем затрат и защитой информации требует заметно больше инженерии.
В качестве стартовой точки автор называет книгу Лоуренса Морони «Искусственный интеллект и машинное обучение для программистов в PyTorch», оригинал которой O'Reilly выпустило в 2025 году. Она построена вокруг практики и охватывает компьютерное зрение, обработку естественного языка, последовательностные модели, трансформеры, Hugging Face, диффузионные модели, дообучение и LoRA. Такой маршрут не отменяет математику, но предлагает сначала увидеть, как работают модели и где именно возникают ограничения.
Следующий уровень — разобраться в больших языковых моделях без мистики вокруг словосочетания «чёрный ящик». Для этого в подборке выделена книга Андрея Буркова «Языковые модели без лишних слов». Речь идёт о представлении данных, векторах, вероятностях, attention, трансформерах, обучении и fine-tuning. Конкретный бренд или интерфейс может исчезнуть, но базовые принципы, на которых работают современные LLM, не меняются вместе с очередным списком тарифов.
Практическая сторона обучения ИИ начинается там, где команде нужно не генерировать текст ради демонстрации, а решить задачу с документами, базой знаний и внутренними процессами. Книга Джея Аламмара и Маартена Гроотендорста «Большие языковые модели на практике: Понимание языка и генерация текстов» разбирает embeddings, семантический поиск, классификацию, кластеризацию, RAG, fine-tuning и оценку моделей. Именно такие компоненты понадобятся, если компании требуется система, которая ищет ответ среди миллионов файлов и умеет показать, откуда он взялся.
Отдельный блок посвящён разработке полноценных приложений. В книге Сухаса Пая «Разработка приложений на базе больших языковых моделей», английский оригинал которой вышел в 2025 году, рассматриваются подготовка данных, оптимизация инференса, агенты, интеграции с внешними инструментами, архитектура и эксплуатационные вопросы. Модель становится лишь одним из компонентов системы: рядом оказываются задержки, стоимость запросов, доступы, мониторинг, безопасность и тестирование. Для продакта и IT-директора это полезное напоминание: покупка API не равна внедрению AI-функции.
В подборке есть и «Изучаем LangChain: разработка AI- и LLM-приложений с использованием LangChain и LangGraph» Нуну Кампоса и Майо Ошина. Но автор отдельно предостерегает от превращения конкретного фреймворка в конечную цель. Ценность дают архитектуры агентов, вызов инструментов, управление состоянием и контекстом, RAG и оценка AI-систем. LangChain может уступить место другой библиотеке; задача безопасно дать модели доступ к данным и действиям останется.
Для русскоязычного IT-рынка вывод довольно приземлённый: обучение ИИ стоит строить вокруг связки из программирования, данных, ML-основ и продуктовой эксплуатации моделей. Рынку понадобятся не только исследователи, но и инженеры, способные превратить LLM в проверяемую функцию продукта. Вопрос ближайших лет — сколько образовательных программ будут учить этой работе, а сколько продолжат продавать короткий путь к профессии через список «секретных» промптов.