AI inžinierius, ML inžinierius ir duomenų mokslininkas: kuo jie skiriasi?

Trys skelbimai, trys skirtingi pavadinimai — „AI inžinierius", „ML inžinierius" ir „duomenų mokslininkas" — o reikalavimai atrodo beveik identiški. Jei bandote suprasti, kurį kelią rinktis Vilniuje ar Kaune, tas painumas visiškai pagrįstas: pačios įmonės dažnai šiuos pavadinimus vartoja laisvai. Šiame straipsnyje atskiriame juos pagal tai, ką žmogus iš tikrųjų daro kasdien.

Prieš pradedant verta išsiaiškinti vieną dalyką, kuris supainioja daugumą pradedančiųjų. Dirbtinis intelektas nėra atskira profesija nuo duomenų mokslo — tai įrankis ir technikos, kurias naudoja visos trys rolės. Skiriasi ne tiek pavadinimas, kiek kurioje darbo grandinės vietoje žmogus sėdi.

Trumpa esmė: kur kiekvienas iš jų dirba

Įsivaizduokite elektroninę parduotuvę, kuri nori rekomenduoti pirkėjams prekes.

Duomenų mokslininkas tiria, kodėl žmonės palieka krepšelį, suranda dėsningumus ir sukuria pirmą rekomendacijų modelio versiją. Jis daug laiko praleidžia su skaičiais, hipotezėmis ir grafikais.

ML inžinierius tą modelį paverčia į kažką, kas veikia realiu laiku milijonui vartotojų — rūpinasi, kad modelis greitai atsakytų, atsinaujintų su naujais duomenimis ir nenulūžtų per „Juodąjį penktadienį".

AI inžinierius dažniausiai dirba su jau egzistuojančiais galingais modeliais (pavyzdžiui, kalbos modeliais) ir stato aplink juos produktą — pokalbių asistentą, dokumentų santraukų įrankį, paieškos funkciją. Jam rūpi ne modelio apmokymas nuo nulio, o jo prijungimas ir pritaikymas verslo poreikiui.

Visi trys dirba su tais pačiais duomenimis. Tik vieni ieško atsakymo, kiti jį pristato milijonams.

Kuo skiriasi kasdienis darbas

Kad būtų aiškiau, štai kaip rolės atrodo iš arti.

Duomenų mokslininkas daugiausia laiko skiria analizei ir eksperimentams. Jis valo duomenis, formuluoja klausimus, testuoja hipotezes ir komunikuoja išvadas kolegoms iš verslo pusės. Lietuvos fintech ar e. prekybos komandose tai dažnai žmogus, kurio klausia „ką mums sako šie skaičiai?".

ML inžinierius yra arčiau programinės įrangos inžinerijos. Jo dieną sudaro kodas, modelių diegimas, duomenų srautų kūrimas ir stebėsena. Jei duomenų mokslininkas įrodo, kad idėja veikia, ML inžinierius padaro, kad ji veiktų patikimai ir ilgą laiką.

AI inžinierius — naujausia iš trijų rolių, išpopuliarėjusi su generatyviniu AI. Jis integruoja gatavus modelius per API, kuria „prompt" logiką, jungia modelius su įmonės duomenų baze ir prižiūri, kad atsakymai būtų tikslūs ir saugūs. Daug Lietuvos startuolių šiandien ieško būtent tokių žmonių, nes tai greičiausias būdas pridėti AI funkciją į produktą.

Įgūdžiai ir įrankiai, kurių reikia kiekvienam

Visoms trims rolėms reikia tvirto Python pagrindo ir supratimo apie duomenis. Toliau keliai išsiskiria.

Aspektas	Duomenų mokslininkas	ML / AI inžinierius
Pagrindinis tikslas	Rasti įžvalgą iš duomenų	Paleisti modelį į realų produktą
Kasdieniai įrankiai	Python, SQL, pandas, Jupyter, vizualizacija	Python, Docker, debesijos platformos, API, MLOps įrankiai
Stipriausias įgūdis	Statistika ir komunikacija	Programinės įrangos inžinerija ir diegimas
Kam tinka	Mėgstantiems analizuoti ir aiškinti	Mėgstantiems statyti ir automatizuoti
Įėjimo taškas	Analitika, statistika	Programavimas, backend patirtis

Praktikoje nedidelėse Lietuvos įmonėse vienas žmogus dažnai atlieka kelias funkcijas iš karto. Didesnėse organizacijose, pavyzdžiui, bankuose ar telekomunikacijų bendrovėse, rolės labiau atskirtos. Dėl to pirmąjį darbą verta vertinti ne pagal pavadinimą, o pagal pareigų aprašymą.

Kaip AI naudojamas duomenų moksle

Čia dažnai atsakoma į populiariausią klausimą: AI nepakeičia duomenų mokslo, o jį pagreitina. Mašininis mokymasis — tai duomenų mokslo dalis, leidžianti modeliui pats atrasti dėsningumus vietoj to, kad kažkas rašytų taisykles ranka.

Pavyzdys iš kasdienybės: bankas nori nuspėti, kurie klientai gali vėluoti grąžinti paskolą. Analitikas galėtų sudaryti kelias taisykles ranka, bet mašininio mokymosi modelis išmoksta dešimtis subtilių ryšių iš istorinių duomenų ir prognozuoja tiksliau. Duomenų mokslininkas pasirenka modelį, ML inžinierius jį paleidžia, o rezultatas tampa įrankiu, kurį naudoja visa rizikos komanda.

Generatyvinis AI pridėjo dar vieną sluoksnį — dabar daug įprastų užduočių, kaip kodo rašymas ar teksto santraukos, galima atlikti greičiau. Jei norite išsamesnio praktinio vaizdo, naudinga perskaityti, kuo skiriasi ir kaip veikia kartu duomenų mokslas ir dirbtinis intelektas.

Ar duomenų mokslas yra geras pasirinkimas?

Atsakysiu tiesiai: taip, jei jums patinka spręsti problemas su duomenimis, o ne tiesiog mokytis madingos srities. Paklausa Lietuvoje stabili — e. prekyba, finansų technologijos, logistika ir gamyba renka vis daugiau duomenų, bet trūksta žmonių, kurie moka juos paversti sprendimais.

Vienas sąžiningas įspėjimas. Pradžia reikalauja kantrybės: statistika, Python ir duomenų valymas iš pradžių atrodo nuobodžiau nei filmuose rodomas AI. Bet būtent šis pagrindas atskiria žmogų, kuris gauna darbą, nuo to, kuris tik žiūrėjo pamokas.

Dėl geriausio universiteto AI srityje — nebūtina rinktis prestižinio užsienio universiteto, kad patektumėte į šią sritį. Daugelis dirbančių specialistų atėjo iš ekonomikos, fizikos, inžinerijos ar visai kitų sričių, o praktinių įgūdžių įgijo per intensyvų mokymąsi ir realius projektus. Darbdaviams Lietuvoje dažniausiai rūpi portfelis ir gebėjimas dirbti su tikrais duomenimis, ne diplomo pavadinimas.

Kurį kelią rinktis pradedant

Jei jus traukia analizė, istorijos pasakojimas skaičiais ir eksperimentai — pradėkite nuo duomenų mokslininko kelio. Jei labiau mėgstate statyti sistemas ir rašyti švarų kodą — ML arba AI inžinieriaus kryptis bus natūralesnė.

Gera žinia: pagrindas visoms trims rolėms iš esmės tas pats. Python, SQL, statistika ir pirmi mašininio mokymosi projektai. Tik vėliau pasirenkate, ar gilinatės į analizę, ar į diegimą. Struktūruotą kelią per šiuos pagrindus su realiais projektais galima pereiti duomenų mokslo ir dirbtinio intelekto bootcamp'e, o jei dar lyginate variantus, verta peržvelgti visų CLA kursų kryptis.

Nesirinkite rolės pagal tai, kuri skamba įspūdingiausiai — rinkitės pagal tai, kokį darbą norėtumėte dirbti kiekvieną rytą. Jei norite pamatyti, kaip atrodo praktinis kelias nuo nulio iki pirmo portfelio projekto, susipažinkite su duomenų mokslo ir AI programa.