Как выжать из IT-магистратуры всё лишнее и почему 1 год лучше, чем два

Как вы наверное знаете мы уже запустили много интересных учебных программ IT-магистратуры в МАИ. Есть у нас программа для менеджеров продуктов, где мы прокачиваем навыки работы с IT-продуктом, много программ для ML специалистов и приложению машинного обучения для разных целей, найдут свои программы и бэкэндеры и специалисты по инфобезу и другие участники IT-сообщества.

При этом раньше мы как-то обходили вниманием такую интересную профессию, как ML-инженер. Про создание программы обучения для ML-инженеров «Большие данные и машинное обучение«, да ещё и за один год и пойдет речь в этой статье.

Однако, мы же не какая-то «лавочка» которая обещает всё и сразу и выдает красивые бумажки дипломы собственного образца. А значит должны готовить программы в соответствии с требованиями Государства и по Федеральным образовательным стандартам ФГОС 3+, 4+, 5+, СУОС не хуже ФГОС… с РОПами, ФОСами и другими аббревиатурами, которые умеет делать Chat GPT 4o документами, которые постоянно меняются и содержат порой бесполезные очень важные для IT требования по изучению всяких компетенций, в духе:

# ФГОС 01.04.02 Прикладная математика и информатика competention = {'UK-4': 'Способен применять современные коммуникативные технологии, в том числе на иностранном(ых) языке(ах), для академического и профессионального взаимодействия',                 'UK-5': 'Способен анализировать и учитывать разнообразие культур в процессе межкультурного взаимодействия',                 'UK-6': 'Способен определять и реализовывать приоритеты собственной деятельности и способы ее совершенствования на основе самооценки'}

Мы в целом за высокую самооценку наших студентов, но тратить время на развитие этой важной части жизни как-то не хочется. Для этого есть целая армия коучей и специалистов личностного роста.

В итоге в программах обучения остаются дисциплины общие для всех направлений — Культурология, Иностранный язык, Философия. В целом для обычных магистратур это может и хорошо, но это лишняя нагрузка и если быть честными, то все айтишники прекрасно читают на Английском описания репозитариев github’а и документацию по разным либам и софтинам программным продуктам, а многие кто поступают в магистратуру уже имеют уровень языка B2 и выше общаясь с индусами в discord’e с коллегами из разных стран. Да и с межкультурным взаимодействием у поступающих уже всё в порядке.

И вот в 2024 году нам в МАИ, как и в ещё 6 ведущих университетах разрешили формировать программы специализированного высшего образования на основании собственных требований! Ура! Нам наконец-то доверили самим собирать программы и определять стандарты обучения, которые у нас просят IT-компании и те кто хочет прокачать определенные навыки.

Оставляем только то что нужно

Итак, первым делом производим этап глубокого отжима всего лишнего из программы — это Иностранный язык, лишние часы НИР и Практик (не два же года практиковаться), а также Культурология, Философия, Психология и Межкультурные коммуникации.

Определяемся кого мы хотим получить после года обучения! По итогам нашего анализа вакансий сейчас очень востребованы ML-инженеры, причем с навыками работы в области больших данных. Естественно первым делом мы пообщались со специалистами из таких компаний как Сбер, Cloud, Яндекс, Т1 и многими другими, где уже работают наши выпускники.

Собираем и структурируем основные запросы которые были озвучены для ML-инженера:

1. Программирование на Python для разработки алгоритмов ML

2. Глубокое понимание ML алгоритмов (математика, программирование)

3. Обработка больших данных (очистка, преобразование и визуализация)

4. Работа с решениями для BigData (Apache Hadoop, Spark или Kafka)

5. Умение оценивать внешние и внутренние метрики моделей ML (т.е. не только внутренние — MSE, F1 и др., но и время работы моделей на железе и т.п.)

6. DevOps и MLOps (причем и то и другое)

7. Быстрое прототипирование ML продуктов — чтобы можно было пощупать результат работы

8. Коммуникация и работа в команде (ну куда же мы без Soft Skills)

Проектируем программу

Исходя из этого мы и начали строить программу. Первым делом сформировали основные дисциплины и определили связи между ними. Продумали что должно быть в начале, а что уже нужно знать чтобы перейти к следующим блокам обучения.

Вот что получилось включить для обучения осенью:

1. Python: Продвинутый уровень со всеми нужными библиотеками для работы

2. Базы данных: продвинутый уровень — про большие и очень большие базы данных и как это всё работает

3. Математика для DataScience — да да, математика и ещё раз математика — без неё не поймешь как всё это работает

4. Машинное обучение — вот тут про модели и их метрики

К профильному блоку дополнили и часть по развитию смежных навыков и софтов:

1. На выбор: Продуктовый дизайн и прототипирование AI-продуктов для тех кто хочет погрузиться в продуктовую часть или Фронтенд-разработка для систем искусственного интеллекта, кому более интересно как это всё работает «под капотом»

2. Фундаментальные и перспективные концепции искусственного интеллекта для понимания куда мы все идём и как изменится наш мир когда мы создадим сильный ИИ

3. Гибкие методологии разработки — развитие навыков работы в команде по разным технологиям Agile.

Ну и прямо с начала обучения стартует проектная практика с куратором — практика, практика и ещё раз практика. И так до Нового года!

А на весну те кто выживут уже прокаченные в ML студенты будут изучать более сложные курсы для глубокого погружения:

1. Глубокое обучение и обучение с подкреплением

2. Глубокие генеративные модели

3. Сбор, генерация и разметка данных для машинного обучения (естественно не «ручками»)

4. Контейнеризация и оркестрация приложений

Плюс и в этом полугодии будет выбор в части специализации. Наши партнеры выделили два больших направления для специализации — LLM или большие языковые модели и вопросы визуализации данных, причем для различных приложений. Исходя из этого получился вот такой блок на выбор:

1. Глубокое обучение и обработка естественного языка (Большие языковые модели) или Компьютерная графика и дизайн на базе искусственного интеллекта

2. Разработка основанных на данных решений и предиктивная аналитика или Бизнес-аналитика и BI для больших данных

3. Проектирование и разработка рекомендательных систем / Анализ и визуализация данных в интеллектуальных системах

Конечно, в этом полугодии тоже будет много практики. И завершается всё это защитой дипломного проекта.

Для того чтобы вам было комфортно учиться у нас есть свой ИТ-этаж с удобными лабораториями и кучей проектных команд. Так что приходите к нам!

Вот такая получилась программа обучения.

Как поступить

Этапы поступления на программу специализированного высшего образования — магистратуры «Большие данные и машинное обучение»:

1. Подайте заявление до 5 сентября через личный кабинет абитуриента МАИ. У вас уже должно быть высшее образование по программам бакалавриата или специалитета.

2. Сдайте вступительный экзамен, который состоится 10 сентября.

3. Заключите и оплатите договор. Стоимость обучения составляет 148 650 рублей за семестр и 297 300 рублей за весь период обучения.

4. Ожидайте приказа о зачислении 28 сентября.

5. Старт обучения — 1 октября.

Кому понравилось, можно залететь к нам в чат телеграм — ждем вас у нас!