Мы давно перешли от теории к инженерной реализации — СТО Insight AI Артем Розинский об ИИ-моделях в медицине

Объём рынка машинного обучения в 2025 году превысил 91,31 млрд долларов США и, как ожидается, к 2035 году превысит 1,88 трлн — это более 35 процентов за 10 лет. Компании, от технологических гигантов до промышленности и фармы, всё чаще сталкиваются с необходимостью не просто внедрять ИИ, но и строить зрелые, масштабируемые ML-системы, способные работать с прогнозами и менять пользовательский опыт на ежедневной основе.

Фото: из личного архива Артема Розинского

Артем Розинский, СТО компании Insight AI

В центре этих процессов оказываются специалисты по ML-инженерии, совмещающие глубокую техническую экспертизу, продуктовое мышление и умение работать на стыке с бизнесом. Мы поговорили с одним из наиболее ярких представителей опытных специалистов по ML — Артемом Розинским, СТО компании Insight AI и инженером, который спроектировал не одно инновационное решение для крупного бизнеса.

— Артем, как лично вы оцениваете текущий потенциал рынка ИТ-специалистов в России?

— Рынок развитый, но неоднородный. Хороших специалистов становится больше, все таки у нас остается приверженность фундаментальному образованию, выпускников по ИТ-специальностям много, так что "база” есть. Однако спрос растёт быстрее, особенно в областях MLOps, ML-аналитики, оптимизации моделей и распределённых систем. Вроде бы джунов большое количество, но до миддл или сеньор уровня не все доходят и таких специалистов не хватает. Компании требуют всё более зрелых решений, и просто "уметь обучить модель" уже недостаточно — нужен инженерный бэкграунд и опыт в бизнес-задачах.

Да, есть десятки тысяч специалистов, которые прошли онлайн-курсы и хакатоны по ML, и хотят сразу устроиться. Но я не могу назвать их полноценными рабочими единицами, поскольку они редко компетентны пройти путь от пилота до реализованного инновационного решения. При этом их зарплатные ожидания порой улетают в космос.

— То есть вы ощущаете недостаток специалистов, способных внедрять эффективные решения и управлять командой разработки?

— Развитие искусственного интеллекта дает возможность возможность делегировать рутинные задачи и сконцентрироваться на аналитике и архитектуре. Не хватает специалистов, которые помимо технических навыков могут мыслить критически, ставить задачи в разных методиках, обладают продуктовой логикой и строят гипотезы.

У многих нет понимания жизненного цикла ML-продукта, их модели не доходят до продакшена, они не умеют диагностировать деградацию модели по метрикам.

Как СТО в компании Insight AI, могу добавить, что есть недостаток разработчиков, которые говорят с бизнесом на одном языке, понимают ограничения моделей и умеют объяснить, почему "давайте обучим GPT-4, но только быстрее и дешевле” — это не план. Мы реализуем ИИ-решения, которые быстро интегрируются в бизнес-процессы, снижают издержки и ошибки, но для этого важна коммуникация с заказчиком.

Например, когда наша команда делала проект для одного из ведущих застройщиков в России (INGRAD), мы долго утверждали подготовительный этап и готовили ТЗ для клиента, затем несколько месяцев фиксировали всю активность строителей, чтобы классифицировать объекты. Из-за большого объема записей и высокого FPS этап оказался наиболее затратным по времени, но в приоритете стояла конечная цель. В итоге удалось снизить риски травматизма на 70% и создать автоматизированную систему мониторинга стройки.

— Уверен, что многие бы хотели последовать вашему примеру, чтобы преуспеть в проектах федерального масштаба и в 24 года уже задавать тренды на рынке. Какие современные технологии или направления вы считаете обязательными для инженеров, которые хотят работать с ML-системами?

— Тут нужно понимать, что одно из важнейших качеств инженера — это гибкость в работе со стеками и фреймворками. Ты только набил руку на одной технологии, как появляется новая. От отдела маркетинга до службы логистики и даже здравоохранения — сейчас все хотят принимать решения на основе реальных данных, поэтому проектов хватает на всех, кто способен выдавать рабочие модели.

Если брать конкретные направления, которые я использую в работе на ежедневной основе в рамках Insight AI, это работа с данными (ETL, обработка, валидация), моделирование (классические ML + временные ряды), базы данных, MLOps и продакшен инфраструктура (развертывание, пайплайны) — чтобы решения доходили до боевого использования.

Необходимо как минимум знать Python, SQL, PyTorch и библиотеки глубокого обучения. Среди неких трендовых требований — опыт в разработке API, работа с облачными платформами и ML-инфраструктурой (Docker, MLflow). Мы давно перешли от теории к инженерной реализации.

— Вы много работаете на проектах в роли лидера, приходилось ли вам собирать команду с нуля и что было самым трудным лично для вас?

— Когда ты собираешь команду с нуля, это не похоже на обычный найм. Это скорее как запуск собственной распределённой системы: каждый компонент может быть отличным сам по себе, но если интерфейсы не сходятся, система работает плохо (смеется).

Иногда мы собираем команду под конкретный проект — тогда начинаем с формирования профиля задач, затем декомпозируем ключевые компетенции (ML/DS, backend, MLOps, DevOps, data/platform engineering, QA), далее технические интервью и встраивание команды в культуру компании.

Бывает, когда еще нет стабильного MVP, команда ещё не "склеилась”, но уже нужно формировать культуру, где люди не боятся обсуждать проблемы, признавать ошибки, критиковать чужие решения и аргументировать свои. На этапе нулевого старта это самый сложный компонент.

Иногда заказчики или инвесторы ждут сразу же первый инкремент, приходится искать баланс между скоростью поиска команды и качеством — у нас есть подход код-ревью и четкие критерии качества, поэтому второе в приоритете.

— Вы разработали много сложных инновационных продуктов, являетесь СТО в Insight AI. А какие инструменты используете лично вы, чтобы овладеть самыми современными трендами в инженерии?

— Чтобы понимать, куда движется индустрия, нужно смотреть не на продукты, а на идеи, которые им предшествуют. Я слежу за ресурсами, обучающими программами, например, на Databricks, Hugging Face, NVIDIA.

Для Hyosung, где я делал систему прогноза спроса на запчасти через сбор данных, построение моделей и запуск пилота, я изучал решения на рынке и старался найти слабые места, где нужна доработка. На тот момент примеров аналогичных систем прогнозирования было достаточно много, но везде были свои недоработки — система была чересчур сложная или простая, ошибки в инженерии (неправильные фичи в проде или баги в пайплайне). Но, главное, что бизнес неправильно интерпретировал прогноз.

Дальше полученный опыт переношу в собственную модель: адаптирую эффективные идеи, улучшаю фича-инжиниринг, выбираю более подходящие лоссы и метрики, тестирую альтернативные архитектуры и более оптимальные пайплайны. В итоге собственная модель становится точнее, потому что строится не в вакууме, а на базе реальных, проверенных индустрией решений. У меня получилось создать модель, которая избавляет от лишних закупок и ускоряет планирование.

— В профессиональном сообществе вас называют главным архитектором передовых решений. Какой своей разработкой гордитесь больше всего?

— Если говорить о проектах, которыми я действительно горжусь как специалист, то один из самых значимых — медицинский чат-бот для ведущей немецкой фармацевтической компании, который мы разрабатывали для обработки медицинских запросов пациентов.

Задача была нетривиальной: объединить строгие требования фарм-индустрии, высокий уровень ответственности, работу с медицинской терминологией и реальные ограничения по качеству данных. Я выступал главным архитектором решения — от выбора моделей и стратегии работы с доменными знаниями до проектирования всей инфраструктуры, включая безопасность, трассировку, валидацию ответов и подготовку системы к масштабированию.

Проект прошёл путь от пилота, выдержал нагрузочные сценарии, обеспечил корректность и интерпретируемость ответов, и самое главное — стал основой для дальнейшего масштабирования внутри компании.

— Почему вы начали работать с медицинской сферой? Важно ли для вас внедрять инновации именно в этой индустрии?

— Я начал работать с медицинской сферой не случайно. Это одна из немногих индустрий, где технологии действительно меняют качество жизни, а не просто оптимизируют бизнес-процессы. Хотя, конечно, и их тоже. Когда ты видишь, что твои алгоритмы помогают пациенту быстрее получить ответ, а компании — обеспечить корректность и безопасность коммуникаций, работа перестает быть просто проектом.

При этом хочу добавить, что проекты для медицинской сферы — не только про некую социальную миссию. Они требуют двойной ответственности — а, значит, вся команда должна постоянно следить за моделями, с осторожностью относиться к каждому этапу, не навредить конечным пользователям во имя громкого слова "инновация”.

Кроме того, в медицине невозможно сделать что-то поверхностно: нужны строгие требования к качеству данных, интерпретируемость моделей, устойчивость, безопасность. Именно эта комбинация сложности и реальной пользы делает внедрение инноваций в медицине для меня интересным. Когда инженерные решения прямо влияют на людей и помогает двигать индустрию вперед — невозможно относиться к работе как к очередному проекту.