Представители профессий будущего объясняют, чем они отличаются от обычных специалистов
Отвечают нейродизайнер, ИИ-продакт и MLSecOps из Альфа-Банка.
В интернете только и разговоров, что о нейросетях, ИИ, LLM и ML. Каждые полгода на свет появляется «убийца» программистов, дизайнеров, художников, операторов, писателей и далее по списку. Более адекватные комментаторы осторожно поясняют, что нейросети — не враг, а друг. Точнее инструмент, который в умелых руках принесёт человечеству много хорошего.
Так или иначе, крупные компании давно внедряют у себя внутри «технологии будущего», на лету создавая новые если не профессии, то компетенции. Мы поговорили с тремя специалистами Альфа-Банка, в чьих должностных инструкциях появились приставки «нейро-», «ИИ» и ML. И попросили объяснить, чем обычный дизайнер отличается от нейродизайнера, когда уже роботы заберут всю работу себе, и почему в паре «человек / искусственный интеллект» развиваться должны оба.
1. «Всё упирается в хороший вкус, насмотренность и смекалку»
Профессия: нейродизайнер
«Вообще нейродизайнер — это такой же дизайнер, как и раньше, только с новыми инструментами. Делает он те же картинки, видосы или концепты, что и всегда, но уже с использованием технологий, которые появились за последние 3-4 года», — говорит Иван Тихомиров, руководитель отдела «Искусственный интеллект в контенте» в Альфа-Банке.
Причём работают эти самые новые инструменты совсем не как волшебная палочка. У команды дизайнеров есть несколько моделей, обученных на ключевых визуальных стилях и брендбуках Альфы, но итоговый результат всё равно нужно «допиливать» руками, ну или хотя бы выбрать лучшее из сотен генераций. Хотя правильно подобранный референс, который дизайнер скармливает нейросети, может очень упростить задачу.
«Если говорить про генерацию картинок, то гораздо сильнее любых промптов работают референсы. То есть приложенная картинка заменяет тысячу слов, которые надо ещё и по-всякому переставлять, пока не получишь нужный результат. Поэтому опытный арт-директор или просто насмотренный дизайнер часто может уделать любого промпт-инженера».
Но есть темы, которые даже с очень хорошим референсом до сих пор плохо поддаются генерации. Например, любой визуал с большим количеством деталей: каких-нибудь кнопочек, падающих монеток, звёздочек и других подобных мелочей.
Нейросети трудно понять, из какого места на баннере должна расти рука, под каким углом должен лежать огромный знак процента и почему у свиньи-копилки должна быть одна прорезь, а не две или три. Так что к конечному результату всегда присоединяется опытный 3D-дизайнер.
«Понятно, что всякие фотоштуки получаются лучше, потому что изначально все модели обучались на миллиарде фотографий. А вот крутой модельки для 3D, обученной на миллиардах примеров качественной 3D-графики, пока нет. Так что мы обучаем сами. И тут всё упирается в насмотренность, хороший вкус и смекалку», — рассказывает Иван.
Для многих задач работа с нейросетью превращается в лотерею и вычисление вероятностей — сделает ли нейронка нужную картинку (или хотя бы её часть) после десятого референса и сотого промпта? В этом случае тот же арт-директор заранее прикидывает, стоит ли вообще использовать ИИ или отдать работу живому дизайнеру.
Впрочем, рутинную работу нейронки всё равно успешно берут на себя. Особенно когда речь идёт о потоковых задачках вроде визуалов для постоянных акций, промо-кампаний, рассылок и так далее.
Для того чтобы понять, насколько вообще помогает ИИ, у дизайн-отдела есть самописный ИИ-агент. Он проходится по общему хранилищу и сортирует все работы отдела по двум папкам: «Сделано человеками» и «Сделано роботами». В конце каждого месяца команда оценивает результат. Вот оценка за август: всего в департаменте контента 1362 ки-вижуала, из них 45% сделано с помощью ИИ. В конце прошлого года таких было не больше 15%.
Что касается «замены» дизайнеров на роботов, здесь всё снова упирается в людей. Несмотря на то, что дизайнеры обучают нейронки на референсах, писать промпты тоже нужно уметь. И писать, и переписывать, пока ИИ не поймёт, чего от неё хотят.
«Конечно, нужно просто уметь чётко излагать свои мысли. И иногда становится страшно, когда понимаешь, что какие-нибудь суперопытные ребята не могут что-то сформулировать как промпт. Просто потому, что они не умеют мыслить буквами и словами. Да, они могут это собрать в 3Д-редакторе или знакомом инструменте, но как-то это описать — не знают».
2. «Мы занимаемся защитой ИИ»
Профессия: MLSecOps
В классическом DevSecOps (Development, Security, Operations — разработка, безопасность, эксплуатация) специалисты внедряют практики безопасной разработки на всех этапах жизненного цикла разработки ПО. С развитием ИИ появились новые вызовы: теперь нужно обеспечивать безопасность данных, на которых обучаются модели, и защищать их от угроз и атак. На стыке классического DevSecOps и разработки моделей машинного обучения (ML) и родилась специализация — MLSecOps.
«Мы занимаемся защитой ИИ, если коротко. По сути, у нас два направления: безопасность ML и безопасность генеративного ИИ», — объясняет Никита Долгов, руководитель отдела развития практик безопасной разработки в Альфа-Банке.
В первом случае речь идёт о внедрении практик информационной безопасности (ИБ) в MLOps-конвейер. Специалисты MLSecOps участвуют во всех этапах жизненного цикла разработки ML-моделей. И проверяют их на устойчивость к разного вида атакам.
Второе направление — защита технологий генеративного ИИ: ассистенты, чат-боты, ИИ-агенты. Здесь команда MLSecOps формирует требования к тому, как все эти «агенты» должны работать в составе продуктов Альфа-Банка, чтобы соответствовать требованиям ИБ.
«Мы смотрим как пользователи взаимодействуют с внутренними и внешними LLM, как происходит обучение/дообучение моделей, как модели попадают в контур банка и многое другое», — уточняет Никита Долгов.
Основные риски MLSecOps-специалисты делят на две категории: Security и Safety:
Security в первую очередь касается защиты данных: персональных, коммерческих, банковских. После того как в 2025 году появились оборотные штрафы за утечки персональных данных, вопрос стал еще более важным: «Наша задача — сделать так, чтобы модели не могли “слить” наружу данные, на которых обучались, или те, к которым получили доступ».
Safety — это про поведение ИИ-моделей. Банк отвечает не только за точность, но и за корректность ответов: «Мы должны быть уверены, что модель не выдаст клиенту инструкцию, как обмануть банк или сделать что-нибудь противоправное. Это вопрос не только репутации, но и юридических рисков».
Новые технологии — это не только возможность для банка предоставить удобный сервис клиентам, но и потенциальная возможность для злоумышленников. Как только появляются новые ИИ-агенты, кто-нибудь обязательно пробует их «расковырять», чтобы добраться до данных. И здесь важно быть на шаг впереди.
MLSecOps включается в каждый ИИ-проект ещё на этапе идеи, когда IT-команда только задумывает, как встроить нейронку в новый или уже существующий сервис.
«Мы идём вместе с ними «рука об руку»: консультируем, помогаем безопасно выстроить архитектуру, тестируем, а в конце даём заключение — можно ли выпускать продукт на клиентов. Благодаря этой совместной работе и вовлечению на всех этапах, нам удаётся предотвращать появление уязвимостей и делать безопасными IT-продукты, в составе которых есть ИИ-модели».
3. «Все чувствуют: в этой технологии что-то есть»
Профессия: АI-Продакт
Если коротко, то АI-продакт отвечает за внедрение искусственного интеллекта в уже существующие и новые банковские проекты. И у него должно быть достаточно компетенции, чтобы нейросети и машинное обучение действительно работали и помогали бизнесу, а не превращались в красивые, но бесполезные «вундервафли».
«Для этого наш суперспециалист должен обладать как минимум четырьмя компетенциями. Доменной экспертизой, консалтинговой экспертизой, проектно-продуктовыми навыками и собственно техническими знаниями в том, что касается машинного обучения: нейросетей, ИИ, LLM и так далее», — подытоживает Полина Полунина, начальник управления развития ИИ-решений и внешних партнёрств в Альфа-Банке.
Доменная экспертиза — это знания из той области бизнеса, в которой человек находится. Страховки, кредиты, клиентские продукты, бизнес-сектор и так далее. В общем, хорошо бы разбираться в том, где работаешь.
Проектно-продуктовые навыки — это база для AI-продакта. И в первую очередь нужны знания в области разработки ИИ-моделей: как устроен их жизненный цикл, почему модели нужно регулярно переобучать, какие подводные камни бывают при подготовке датасетов для такого обучения и так далее.
Консалтинг — это про стратегию и коммуникацию. Во-первых, для любого нового продукта нужен длинный список с задачками, которые правильно расставлены по приоритету. Во-вторых, нужно уметь одинаково грамотно общаться как с представителями бизнеса, так и с разработчиками — переводить идеи с «технического» на «экономический» и обратно.
Знания в области машинного обучения — последнее по порядку, но не по значению. Не обязательно уметь писать код, но понимать, какие задачи решаются ML-моделями, что они вообще умеют, и что означают слова «классификация», «регрессия», RAG и ROC AUC точно надо.
«В общем, получается так: для того, чтобы грамотно переводить процессы на модельный подход, тебе нужно что-то понимать и в бизнес-процессах, и в моделях машинного обучения. Как с языками: чтобы переводить с английского на китайский, придётся знать и английский, и китайский. Можно, конечно, в разных пропорциях, но знать придётся оба».
Дело за малым — найти таких специалистов, ну или вырастить самим. По оценкам аналитиков Альфы, сейчас банку нужно около ста AI-Продактов. И это только начало. Поэтому в компании запустили сразу две программы обучения — внутреннюю и внешнюю.
Внутренняя Школа АI-Продактов готовит универсальных работников из представителей бизнеса — менеджеров и руководителей подразделений, которые хотят научиться грамотно ставить задачи разработке, считать эффект, валидировать гипотезы и общаться с дата-сайентистами на одном языке. В общем, условных гуманитариев учат быть условными технарями.
Внешняя — магистратура в ИТМО — про смешанный подход. Здесь на базе государственного вуза действует программа подготовки, на которую принимают как технарей, так и опытных продактов и проджектов. Дальше технарей погружают в бизнес, а продактов — в технику. И за счёт совместного обучения ребята учатся взаимодействовать и понимать друг друга.
«Помимо просто разницы в навыках и скиллах всегда есть некоторая дистанция между бизнесом и IT. Когда IT-спецы попадают в бизнес-подразделения, им порой трудно принять другую культуру, а классическому бизнесу — адаптироваться к культуре, принятой в IT-сфере. Мы как раз и хотим, чтобы все "переварились вместе" и научились понимать и принимать друг друга».
Так чем же занимаются AI-Продакты, которые всё умеют? Вот несколько продуктовых примеров из последнего:
- Генеративный поиск по базе знаний банка. ИИ-сервис для операторов колл-центра, который помогает быстрее находить нужные ответы.
- Рекомендательные сервисы в Альфа-Инвестициях. Предлагают клиентам подходящие продукты на основе склонности к инвестициям.
- Модели улучшения антифрода. Помогают сохранять деньги клиентов, предотвращая подозрительные операции.
- Оптимизация доставки карт. Собственная ML-модель, которая строит логистику эффективнее, чем открытые сервисы.
- Умные банкоматы. Прогнозируют, сколько наличных нужно подвозить в конкретные точки, чтобы не было ни дефицита, ни простоя.
Если это не звучит, как технологии будущего, то дело не в продуктах, а именно в технологиях. Точнее, в их восприятии. В Альфе признаются: вокруг генеративного ИИ сегодня слишком много шума. «Все чувствуют, что в этой технологии что-то есть, но реальный выхлоп пока видят единицы. Поэтому мы ищем не вау-эффект, а стабильную пользу. И “включаем” ИИ там, где это действительно улучшает клиентский опыт или делает процессы эффективнее», — рассказывает Полина Полунина.
Именно этим и занимаются АI-Продакты: помогают бизнесу не увлекаться красивыми Sora-короткометражками или обещаниями всеобщего блаженства из очередного выступления Сэма Альтмана. А разрабатывать и внедрять модели именно в те процессы, в которых они могут быть полезны и практически применимы.