Состав команды и масштабы проектов

IT-проекты в сфере искусственного интеллекта — трендовая тема последних лет. И это заслуженно: AI по праву можно назвать уникальным инструментом.

В чём их особенности?

Инновационные идеи. Иногда они требуют вовлечения специалистов из самых разных сфер — от математики до психологии.
Работа с данными. Это основной источник обучения для искусственного интеллекта, поэтому нужно внимательно проверять их качество, полноту и достоверность
Оптимизация. Рынок информационных технологий очень гибкий, поэтому AI должен регулярно адаптироваться к новым условиям

Из всего вышеперечисленного вытекает ещё одна особенность — большие ценники. Стоимость складывается из:

Создания системы (web + сервисы)
Создания технологий (например, нейронных сетей)
Работы специалистов.

О специалистах — подробнее. Как выглядит усреднённая команда на простых проектах с AI?

Проектный менеджер. О важности этого сотрудника мы писали здесь. PM нужен на любом проекте: это человек, который управляет командой и ведёт коммуникацию «клиент-исполнитель»
Backend-разработчик. Он занимается серверной логикой, налаживает взаимодействие между фронтендом и машинными алгоритмами. А ещё регулирует хранение и обработку данных.
Frontend-разработчик. Это опциональная позиция, и она нужна, если проекту требуется интерфейс. Frontend-разработчик визуализирует результаты работы алгоритмов таким образом, чтобы это было доступно для пользователей.
Инженер машинного обучения. Нередко в маленьких проектах один разработчик занимается всем циклом — это:

Выбор модели
Обучение
Предобработка данных
Внедрение модели в продакшн и т.д.

Что происходит в более крупных и сложных проектах?

В команде есть все вышеперечисленные сотрудники (иногда их несколько на один проект)
Разметчики и сборщики данных. Их зона ответственности — парсинг и разметка информации. Этот этап — основа разработки, и от него напрямую зависит качество будущего продукта.
Data Scientist. Работа этих сотрудников больше похожа на то, что делают аналитики и статисты. Они анализируют данные и занимаются машинным (чаще неглубоким) обучением.
Инженер машинного обучения. Эти люди разрабатывают логику интеллектуальной системы. Например, реализуют пайплайн обучения, подбирают гиперпараметры — а затем следят за качеством полученных моделей.
CV инженер. Сотрудник обучает компьютер извлекать информацию из фотографий, картин, видеозаписей и так далее. Его задача — сделать так, чтобы алгоритмы автоматически «видели» и выделяли то, что нужно заказчику.
MLOps. Недавно у клиентов появился запрос на интеграцию AI в их экосистему. А MLOps специалисты как раз внедряют и масштабируют системы на базе AI, созданные разработчиками и инженерами.

Состав команды и масштабы проектов | AI