ГЛУБОКОЕ ОБУЧЕНИЕ И ГЕНЕРАТИВНЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

Обучение в магистратуре оставило у меня очень приятное впечатление. Несмотря на то, что программа более научная, баланс теории и практики выстроен почти безупречно. Многие курсы по-настоящему помогают не просто понять тему, а освоить применение знаний на практике.

Хочется отметить преподавателей: у большинства есть опыт работы в сфере ИИ, поэтому теоретический материал они часто подкрепляли реальными кейсами. Особенно запомнились лекции Симара Муратова по технологиям обработки больших данных: все было организованно, ясно и содержательно. В итоге, программа дала мне крепкую базу и ценные практические навыки, которые я применяю в своей работе.

Я поступила на магистерскую программу «Глубокое обучение и генеративный ИИ» после бакалавриата на ФИТиПе ИТМО, имея двухлетний опыт работы ML-инженером. Именно научный уклон магистратуры стал для меня решающим аргументом при выборе программы. Здесь учат не просто применять готовые модели, а разбираться в теории, корректно ставить гипотезы и проводить эксперименты, изучать современные научные статьи и выстраивать собственное исследование. Моя магистерская работа по оценке качества генерации русскоязычных комментариев к коду с помощью LLM стала для меня важным шагом в научно-исследовательской карьере и легла в основу статьи, принятой на одну из топовых научных конференций в NLP — ACL 2025 (ранг A*).

Отдельно хочу отметить преподавателей программы — это ученые и специалисты из индустрии, которые глубоко разбираются в своих областях. Самое ценное, что я получила от обучения — это системное мышление исследователя, которое помогает мне успешно решать R&D задачи в индустрии. Кроме того, магистратура помогла заложить прочный фундамент для продолжения научных исследований на уровне PhD в аспирантуре ИТМО по специальности «Искусственный интеллект и машинное обучение». Если вы хотите не просто работать в ML, а строить карьеру исследователя — эта образовательная программа для вас!

При выборе магистратуры я ориентировался на ее содержание. С одной стороны, я хотел дополнить имеющийся и освоить новый математический аппарат. С другой, искал программу, которая могла бы предоставить мне достаточное количество практики. Все это я нашел в магистратуре «Глубокое обучение и генеративный искусственный интеллект».

Программа постоянно развиваться, появляются новые преподаватели. Команда магистратуры довольно строго следит за качеством выполнения научно-исследовательских и дипломных работ, но успех целиком и полностью зависит от самого студента. Изначально глубокое обучение не было моим профилем, но благодаря всему перечисленному, мне удалось хорошо в нем разобраться и закончить очень комплексную исследовательскую работу по машинному зрению и навигации с использованием синтетических данных. Сейчас полученный опыт помогает мне в работе над реальными проектами.

Для меня одним из ключевых моментов при выборе магистратуры была возможность совмещать работу с учебой. Я занимаюсь обучением больших языковых моделей, и мне нравится, что на программе есть дисциплины, связанные с обработкой естественного языка. Также магистратура помогла мне заглянуть за рамки узкой специализации, например, при прохождении курса «Обучение с подкреплением».

После защиты бакалаврского диплома в области искусственного интеллекта мне хотелось продолжить развиваться в этом направлении. Череда поисков привела меня к программе «Глубокое обучение и генеративный искусственный интеллект». В качестве ее главных плюсов я могу выделить широкий спектр рассматриваемых проблем AI, интересные практические задания, нетворкинг и возможность совмещения учебы с работой. На мой взгляд, на старте (2022−2024 гг.) были небольшие шероховатости с некоторыми дисциплинами внутри программы. Но я связываю это с тем, что направление сравнительно свежее и необходимо время для балансировки всех курсов. После окончания программы я устроился в коммерческую AI-лабораторию, где занимаюсь анализом актуальных статей по искусственному интеллекту и разработкой специализированных алгоритмов под поставленные задачи.

Программа замечательна тем, что очень актуальна: на парах мы разбирали современные алгоритмы и обсуждали статьи, вышедшие несколько месяцев назад. Для успешного обучения требуется опыт в ML, но базовые понятия на занятиях тоже рассматривались. Например, в одной из лабораторных нужно было реализовать и обучить resnet-101 без библиотек, кроме numpy, по сути написав упрощенную версию фреймворка, похожего на pytorch. Также курс «Теория глубокого обучения» начался с байесовского подхода к машинному обучению, что тоже относится к базовым концепциям. Для меня такой взгляд на нашу науку был открытием, которое иногда уберегает от ошибок при выборе функции потерь или регуляризатора.

На занятиях я узнал, как устроено обучение с подкреплением, разобрался в SOTA алгоритмах обработки и генерации изображений, познакомился с байесовской оптимизацией, научился ставить воспроизводимые эксперименты.

Я считаю, что после программы «Глубокое обучение и генеративный искусственный интеллект» вы сможете создавать новые алгоритмы машинного обучения и воспроизводить результаты последних статей.

Я окончил бакалавриат на кафедре КТ в ИТМО и с 4-го курса работал исследователем ИИ ВКонтакте, поэтому я искал направление, которое рассчитано на студентов с опытом в этой области. Уникальность программы в том, что базовый материал быстро вспоминается на первых лекциях, и в основной части рассказывается о продвинутых темах машинного обучения. И мне удавалось совмещать работу и учебу.