На факультете компьютерных наук НИУ ВШЭ состоялся первый выпускной сразу двух уникальных партнерских образовательных программ: «Исследования и предпринимательство в искусственном интеллекте» (совместно с МТС) и «Искусственный интеллект и продуктовый подход в HR-менеджменте» (совместно с Альфа-Банком). Первые выпускники — об опыте обучения, сложностях на пути и профессиональных планах на будущее.
Выпускники программы «Исследования и предпринимательство в искусственном интеллекте»
Ангелина Холичева
Имеет образование в области прикладной математики и информатики, занимается научными проектами в области глубокого обучения для химии и биологии
О выборе магистратуры и атмосфере на ФКН
В бакалавриате я училась на направлении «Прикладная математика и информатика» в Тульском государственном университете, окончила его в 2024 году. Моей целью было учиться в магистратуре по науке о данных и искусственному интеллекту, и ФКН казался мне одним из лучших мест, где это можно осуществить.
Программа «Исследования и предпринимательство в ИИ», на которую я поступила в НИУ ВШЭ, заинтересовала меня своим продуманным учебным планом, интересными курсами, гибкостью, а также связью с индустрией, ведь партнером программы является компания МТС. К тому же в мой год поступления эта программа только открылась, поэтому конкуренция среди абитуриентов была не такой сильной. Кроме того, для тридцати студентов с наибольшими баллами за вступительные испытания предусматривалось полное покрытие стоимости обучения.
Я положительно оцениваю свой опыт учебы на факультете: мои ожидания оправдались. Атмосфера на ФКН оказалась классной, я чувствовала, будто попала в другой мир. У нас были сильные преподаватели, которые вели базовые дисциплины на первом курсе, а также сотрудники МТС, которые преподавали более специализированные предметы.
О проектном подходе и самых полезных курсах
Во-первых, для меня оказался в целом интересным и непривычным проектный подход к обучению. По многим предметам в конце их освоения нам нужно было подготовить итоговый проект (индивидуальный или командный). Например, мне удалось применить полученные знания и навыки при выполнении проектов по курсам «Анализ изображений и компьютерное зрение», «Глубинное обучение для текстовых данных», «Вычисления на GPU», «Дистилляция и ускорение моделей», «Анализ социальных сетей».
Во-вторых, было интересно на занятиях, преподаватели приводили много примеров. Временами было сложно, приходилось разбираться и сидеть подолгу над домашним заданием, но рано или поздно все получалось.
Больше всего мне понравились курсы, посвященные инструментам анализа данных, алгоритмам, оптимизации, обучению с подкреплением, теоретическому анализу методов ИИ и архитектурам генеративного ИИ. Особенно запомнился семинар наставника на втором курсе, он был посвящен ИИ в робототехнике. Каждое занятие к нам приходил новый приглашенный спикер и рассказывал о каком-либо аспекте области.
Баланс работы и учебы
Главная сложность за весь срок обучения для меня состояла в соблюдении дедлайнов по домашним заданиям. За прошедшие два года я могу выделить два самых непростых периода учебы. В самом первом модуле первого курса все было новым, и я чувствовала себя достаточно неуверенно. Также мне пришлось сложно в четвертом модуле первого курса: в расписании много предметов, все насыщенные и интересные. Плюсом в тот период я вышла на полноценную работу, и суммарная нагрузка оказалась приличной. Хуже всего было на сессии: буквально каждый день стояло какое-то итоговое испытание или сдача проекта.
Во время учебы в магистратуре я год отработала в компании Mediascope на позиции специалиста по обработке данных исследований. Занималась написанием пайплайнов на Python для обработки опросных данных, улучшала внутреннюю библиотеку, иногда решала аналитические задачи. Весной на втором курсе приняла решение уволиться, так как немного выгорела от рутины на работе и хотела посвятить все время подготовке диплома. Также с третьего курса бакалавриата я занимаюсь научной деятельностью в одной из лабораторий Института органической химии им. Н.Д. Зелинского РАН, где выполняю прикладные проекты с использованием глубокого обучения для химии и биологии.
Учеба здорово помогала мне в лабораторных проектах: расширился мой кругозор, мой арсенал моделей и методов. И естественно, у меня возникали мысли о том, можно ли использовать их для решения текущих задач.
Учеба на ФКН также дала мне внутреннюю уверенность, что я могу разобраться со сложными концепциями и методами
Я считаю, что главные преимущества программы — это сильные базовые дисциплины, разнообразные специализированные предметы по выбору, связь с индустрией через преподавателей от МТС, различные мероприятия от компании-партнера, возможность нетворкинга с одногруппниками, преподавателями и сотрудниками МТС.
Никита Пеганов
Бэкенд-разработчик в Yandex Infrastructure, внедряет машинное обучение в рабочие процессы
Об учебе, сложных курсах и вызовах
Для меня это направление выглядело интересным и перспективным. Кроме того, я пробовал себя в предпринимательстве, мне захотелось развиваться и в этом ключе. Для меня эта магистратура — сплошной восторг, я с огромным удовольствием прошел эти два года.
В целом учиться было легко, но приходилось и серьезно потрудиться. Впечатлили «Вычисления на видеокартах» — сложный курс, где нужно писать быстрый многопоточный код на языке C, а также «Математика сложности вычислений», где мы доказывали различную сложность алгоритмов.
Самым тяжелым выдался семестр перед Новым годом на втором курсе: очные пары стояли пять дней в неделю, и пришлось выложиться по полной. Зато на курсе «Машинное обучение в бизнесе» было отличное практическое задание — найти реального предпринимателя и разработать для него ML-решение. Это невероятно интересный опыт.
Главные преимущества программы
Один из плюсов совместной магистратуры НИУ ВШЭ и МТС — доступ к мощному железу. Каждому из нас выделяли отдельную сверхдорогую видеокарту A100, на которой можно без проблем запускать серьезные модели уровня DeepSeek. Плюс был доступ к целому вычислительному кластеру. Таких возможностей в других магистратурах я не видел.
Топовые дисциплины действительно бросают тебе вызов. Программа активно развивается, Иван Копылов, академический руководитель, уделяет ей огромное внимание. Судя по отзывам (в частности, Евгения Соколова, руководителя департамента больших данных и информационного поиска ФКН, и моего одногруппника, исследователя машинного обучения из «Яндекса»), новые наборы студентов уже на порядок сильнее нашего. В будущем магистратура будет становиться только мощнее.
Как знания применяются на практике
Сейчас я бэкенд-разработчик в Yandex Infrastructure, и знания с программы мне пригодились. Тот же курс по машинному обучению в бизнесе дает массу интересных историй, которыми приятно поделиться с коллегами, это отличный социальный и репутационный бонус. Но знания работают и на практике: я реализовал умный аллокатор (часть программы, отвечающая за выделение, отслеживание и освобождение областей памяти под нужды приложения. —Ред.), сравнив несколько моделей для предсказания времени рестарта файрвола (система защиты, которая контролирует и фильтрует сетевой трафик: входящие, исходящие и внутрисетевые соединения. — Ред.), а также «продал» начальству проект по предсказанию нагрузки от сервисов с использованием теории временных рядов.
Выпускники программы «Искусственный интеллект и продуктовый подход в HR-менеджменте»
Елена Чазова
Менеджер по компенсациям и льготам платформенных функций в «Х5 Технологиях», ведет ИТ-направление: бенчмаркинг, ДМС, целеполагание и LTI. Работала в ретейле, страховании, нефтехимии и телекоме
О совместном дипломе и выборе темы
Особым опытом для меня стала защита совместного диплома с моей однокурсницей Натальей Гуниной. Мы писали ВКР на тему «Разработка цифрового продукта в сфере управления персоналом: маркетплейс корпоративных льгот». Она напрямую пересекается с моей работой: в компании сейчас рассматривают внедрение собственного кафетерия льгот. Мне хотелось разобраться в теме не теоретически, а через продуктовую и экономическую логику, чтобы понимать, как такие платформы устроены изнутри и на чем держится их экономика.
Разработка продукта и unit-экономика
В команде из двух человек мы разрабатывали концепцию независимого B2B-маркетплейса Benefit Market для среднего и малого бизнеса (100–1000 сотрудников) — сегмента, который сегодня фактически отрезан от кафетериев льгот из-за их цены и сложности внедрения. Идея — масштабировать внутренний корпоративный инструмент до трехсторонней платформы «работодатель — сотрудник — провайдер» с транзакционной монетизацией; комиссия 8% с провайдеров, при этом бизнес и сотрудник не платят ничего.
Мы прошли весь продуктовый цикл. Моя зона — рынок, экономика и маркетинг. Сложнее всего было построить убедительную unit-экономику и калькуляцию прибыли и убытков для модели монетизации, которой на рынке по сути еще нет. Приходилось калибровать все на отраслевых бенчмарках и защищать буквально каждое допущение. Отдельная задача — доказать, что транзакционная модель экономически выигрывает у привычной SaaS-подписки.
Про пользу дисциплин
Из дисциплин программы больше всего помогли «Продуктовые исследования»: на них держится весь клиентский блок. Курсы по машинному и глубинному обучению помогли спроектировать сервис персонализации и осознанно обосновать рекомендательную систему на основе большой языковой модели на этапе MVP (минимально жизнеспособного продукта). А семинар наставника научил собирать все это в формат настоящего исследования.
Как отдельный стартап запускать проект не планирую. Но наработки точно заберу в работу: планирую применять продуктовый и аналитический подход к развитию системы нематериальной мотивации.
Наталья Гунина
Старший аналитик направления компенсаций и льгот в крупном банке. Ее основной фокус — на вознаграждении сотрудников, грейдинге и автоматизации
Из управления персоналом в HR-аналитику
Раньше я училась в другом университете по направлению «Управление персоналом», на последних курсах начала работать на должности, которая совмещала задачи отдела кадров, компенсаций и льгот. В процессе поняла, что мне интереснее работать с большим количеством HR-данных, анализировать их, поэтому дальше карьера строилась уже только в отделах компенсаций и льгот крупных компаний. Параллельно самостоятельно начала учить языки программирования SQL и Python. SQL дался достаточно легко, а вот с Python все оказалось сложнее. Но эти навыки очень пригодились мне в учебе.
Как родилась идея маркетплейса льгот
У нашей совместной с Еленой ВКР есть предыстория. На дисциплине «Продуктовые исследования» мы выбирали тему, в рамках которой будем изучать потребности пользователей, формулировать и проверять гипотезы. Мы решили взять тему, которая была бы близка нам обеим профессионально. Если коротко, мы проводили пилотное исследование запуска кафетерия льгот в торговле. Метрики подтвердили, что мы движемся в правильном направлении. Так появился цифровой продукт Benefit Market — маркетплейс корпоративных льгот.
Об архитектуре маркетплейса и роли ИИ
Наша работа представляет собой единую систему с четырьмя личными кабинетами: для сотрудника, HR-специалиста, провайдера и администратора. Сотрудник через каталог выбирает льготы и видит рекомендации, сформированные по его профилю. Провайдер получает ИИ-анализ клиентских отзывов, а HR-специалист видит аналитику по утилизации.
Изначально мы думали, что самой сложной частью окажется рекомендательная система. Но на практике это оказалось не так за счет того, что под капотом работала большая языковая модель. В итоге самой сложной стала архитектура системы. Ее нужно было тщательно продумать и выстроить логику так, чтобы компоненты работали связно и непротиворечиво. Логику процессов в маркетплейсе приходилось постоянно менять и дорабатывать, но каждая такая итерация делала продукт лучше.
Многие дисциплины в магистратуре были полезны: одни развивали насмотренность, другие — технические навыки, третьи учили продуктовому мышлению
Конкретно в этом проекте мы больше всего использовали знания из «Продуктовых исследований» (они заложили методологическую основу) и «Машинного обучения» (без него технический блок оказался бы совсем не по силам).
Когда работала над проектом, всерьез думала о том, чтобы выводить его на открытый рынок, но нужно быть реалистами: здесь требуются большие инвестиционные затраты. Наиболее вероятный сценарий — развивать и сопровождать похожий продукт в рамках конкретной компании.