Коротко о главном:
- Из цеха в IT: после 5 лет работы ведущим оператором станков с ЧПУ и магистратуры по психологии Алексей в 30+ лет перешёл в машинное обучение.
- Практика вместо «вечной учёбы»: отказ от накопления теории впрок в пользу реальных задач с дедлайнами и метриками.
- Серия из 9 хакатонов за год: от 10-го места из 105 до финала.
- Реальный бизнес-эффект: разработка и запуск Telegram-ботов техподдержки на базе RAG для 1500 пользователей.
- Инженерный подход к карьере: применение производственной дисциплины и статистического анализа ошибок к поиску работы.
Глоток свежего воздуха
За пять лет на заводе я вырос из ученика до ведущего оператора станков с ЧПУ, выучил пятерых учеников и упёрся в карьерный потолок. Работа стала скучной и однообразной: те же детали, те же управляющие программы, те же задачи. Одного «момента прозрения» у меня не было. Я начал за собой четко фиксировать, что перестал развиваться и новые нейронные связи не появляются.
Тогда же знакомые предложили поучаствовать в проекте, который вообще никак не перекликался с производством и требовал переезда. Для меня это был глоток свежего воздуха, а не увольнение в никуда. Так что я с относительно спокойной совестью и накоплениями уволился в 30 лет и начал путь проверки себя на прочность.
Пробовал разное, изучал иностранные языки, даже получил второе высшее. Но куда бы ни заходил, всегда сталкивался с одним и тем же: работа с цифрами и анализ сложных ситуаций. В магистратуре по психологии встретил прикладную статистику и обработку данных и начал помогать одногруппникам автоматизировать мелочи на R и, естественно, Python.
Прошло пять лет. После получения диплома решился перейти в IT. Сначала думал о QA, но ML показалось более перспективным направлением. Шансы оценивал без иллюзий: ставка была не на талант и везение, а на систему и бэкграунд. Сначала Python и SQL, потом немного классического ML, потом NLP и LLM — по порядку, без перескакивания через ступени.
Вторая часть стратегии оформилась после первых месяцев теории: нужно как можно раньше переходить от учебных задач к реальным. Практику мне дали командный NLP-проект на Simulator DS от karpov.courses, контракт на RAG-боты для B2C и хакатоны. Третий принцип появился почти сразу — я учился в паре с AI-инструментами. Я шёл в профессию, где это норма, и не видел смысла делать вид, что их нет.
Иллюзия «идеального обучения»
В первый же год вдребезги разбилось мое представление об индустрии: сначала нужно выучить хорошо все темы, а потом начать делать проекты. Я учился так, будто впереди экзамен, а не работа. Первый же пет-проект показал, что этот подход не работает. Я начал его, не подглядывая ни в YouTube, ни в чужие репозитории GitHub, и всё равно получилось типичное приложение с предсказанием цен на квартиры — таких проектов тысячи.
Вывод отсюда двойной: грамотная организация работы должна идти раньше самой разработки, а задача — раньше учебника и курса. С тех пор у меня порядок обратный: сначала цель с дедлайном и метрикой, потом добор ровно того, чего не хватает. Учебы от этого меньше не стало, просто теперь знание идёт под проект, а не впрок. Правило «как можно раньше на реальные задачи» не было планом с первого дня — оно выросло из этой разбитой иллюзии.
10 место из 105
Для человека, который заходит в IT с нуля, главная проблема не в отсутствии знаний, а в недостатке практического опыта. Хакатоны закрыли именно это. Моим первым соревнованием стал Wink AI Challenge 2025 на Codenrock. Сначала я выбрал задачу, максимально понятную мне по компетенциям — NER (Named Entity Recognition — распознавание именованных сущностей) и суммаризация по киносценариям. В тексте сценария нужно было находить 18 типов сущностей: персонажи, локации, реквизит и другое.
Но заказчику нужны были не просто эффективные модельки, а удобный сервис, поэтому прямо на Codenrock я собрал команду: фронтенд, бэкенд, дизайнер. Я взял роль тимлида и расписал на платформе Buildin.ai постановку задачи, метрики, данные, бейзлайн, кто за какой модуль отвечает и как валидируемся. Код каждый из нас, естественно для ускорения процесса, писал в паре с нейросетями: ChatGPT, DeepSeek, Gemini.
- Что получилось: за первую неделю я разметил данные в Label Studio, затем шаг за шагом дообучал выбранные модели и координировал сокомандников. По NER вышли на weighted F1 0.917.
- Что не получилось: модель суммаризации я обучал в последнюю ночь перед дедлайном, а инструкции по запуску отправлял бэкендеру уже утром. В последний день мы с помощью нейронок доразмечали оставшиеся данные в надежде успеть докрутить модель. А презентацию, запись демо и загрузку сабмита делали в последние минуты, напряженно перепроверяя, всё ли загрузилось в форме.
Когда опубликовали списки финалистов и нас там не было, мы расстроились, что не попали в финал: как говорится, «Ваши ожидания — ваши проблемы». Но когда вывесили лидерборд, на котором мы заняли 10 место из 105, нашему ликованию не было предела!
Сейчас я не думаю об этом результате как о неуспехе: это был большой опыт, и именно из недоработок на Wink AI Challenge выросло понимание, что необходимо учесть на следующих хакатонах. Результат был очень хорошим, а вот процесс – нет. Если бы я на этом остановился, не сделал выводов, то запомнил место, а не ошибки. Дальше, дорабатывая пробелы от соревнования к соревнованию, я принял участие ещё в восьми. Были как удачные, где получилось войти в число финалистов, так и не очень. Хакатон, как и реальная работа, не лотерейный билет, а серия итеративных измерений, и только серия показывает, что именно у тебя растёт.
Курсы vs. Хакатоны: где на самом деле рождается опыт
Обучаться можно разными способами: самообразование, курсы, хакатоны, стажировки. Из этого списка я не пробовал только стажировки. Разницу между форматами я бы описал через два вопроса: кто ставит задачу и кто выставляет оценку. При самообразовании и то и другое делаешь сам. Это свобода темпа, но легко месяцами «изучать» и ничего не сделать. Платные и даже некоторые бесплатные курсы, если их создавал сильный преподаватель, дают порядок тем, когда ты ещё не понимаешь, чего не знаешь. Но задачи зачастую там учебные, данные чистые, оценка мягкая.
На хакатоне задачу ставит заказчик, оценку выставляет жюри или лидерборд, и она не всегда однозначно интерпретируемая. Зато только здесь за дни или недели получаешь реальные данные, дедлайн, команду и строчку в резюме, и инструменты осваиваешь в короткие сроки в боевых условиях. Коммерческий проект добавляет то, чего нет ни у одного формата выше. Он вносит ответственность за то, что случится после релиза: пользователи, отказы, передача в эксплуатацию.
Хакатоны дали мне большой опыт:
- Девять новых строчек в резюме с конкретными местами и метриками.
- Живые репозитории на GitHub.
- Статья на Хабре про MCP-сервер по итогам Dev-to-Dev хакатона.
- Проект JunMate с Kodik Launchpad, который удалось дорастить до MVP.
Всё это появилось из дедлайнов, а не из курсов.
Но главное, хакатоны дали совершенно особый формат опыта. Ты проходишь полный цикл, который сжат до дней или максимум недель. В этих условиях круто расширяется сеть контактов из классных ребят: часть из них зовёт поработать над проектами, а часть стала костяком постоянной команды. И самое ценное — привычка, что решение без метрики не считается решением.
Если до старта хакатона не проведена минимальная подготовка, то атмосфера будет неспокойной — сплошная неопределенность. Так что необходимо взять за правило эту подготовку проводить.
- Дни разработки — самая горячая пора, когда каждому нужно максимально активизировать внутренние ресурсы, отставить разногласия и действовать на намеченный результат.
- Последние сутки, когда всё отложенное сходится в одну ночь, — самые напряженные, непроработанные гипотезы отсекаются без сожаления.
- После дедлайна, если за плечами уже есть другие хакатоны, наступает катарсис, и результат уже не так важен.
Главное свойство этой среды — в ней быстро видно, кто есть кто, потому что нет времени изображать работу. Такая атмосфера притягивает, во-первых, тех, кому нужно сделать над собой усилие и приобрести реальный опыт, доказательства своей состоятельности продуктивно работать в команде. Во-вторых, всех, кто хочет попробовать поработать без ТЗ: на хакатоне никто не скажет, что делать первым, только хороший тимлид может собрать примерный план, а сокомандник, который берёт инициативу, раскрывается вдвойне. В-третьих, на соревнования приходят те, кому одного раза мало: для них хакатон серия, а не событие, вызов, а не мероприятие.
Прорывные идеи на хакатоне рождаются редко — за дни или недели рождается работающее решение в жёстких рамках, и это, по-моему, ценнее. Среда соревнования отнимает право на «потом закрою таску» и обнуляет цену попытки. Ошибка стоит пары дней или недель, а не квартала, поэтому пробуешь то, под чем в большой компании не подписался бы. Хакатон заставляет резать: сделать всё невозможно, и приходится решать, что важно, а что просто интересно.
Таланты и перспективные ребята здесь не рождаются, а становятся видны — невозможно казаться, можно только сделать или не сделать. Офис даёт другое — время и ответственность за долгую жизнь решения. Одно без другого не работает.
Заводские привычки в IT: как измерять жизнь метриками
У меня остались две прошлых привычки — завод и пять лет перед IT — и пригодились обе.
- Дисциплина результата. На станке нет «примерно», деталь либо в допуске, либо в браке. У управляющей программы только определенные функции, а не другие.
- Наставничество, умение говорить с производством и вообще с людьми не из IT на их языке. Пятеро учеников на заводе, лид в командных проектах магистратуры — отсюда привычка на хакатонах брать роль тимлида на себя, а не ждать, пока возьмёт кто-то другой.
Отказываться сознательно ни от чего не пришлось: между заводом и IT прошло пять лет, и заводские привычки, которые больше не были нужны, отвалились сами. Противопоставлять «неповоротливый завод» и «гибкое IT» я бы тоже не стал — процессы бывают плохо настроены где угодно. Перестроился скорее режим. На заводе ты один раз осваиваешь станок и управляющие программы, а дальше годами работаешь на этом. В магистратуре по психологии, а тем более в ML/NLP этот режим не работает: новые инструменты приходится осваивать чуть ли не раз в квартал, и учиться новому здесь — не этап, а постоянное состояние профессии. Это и привлекает – есть чем загружать мозг, который у нас и эволюционировал в постоянно меняющихся условиях.
Самая большая смена парадигмы мышления случилась у меня не в IT, и это важно сказать. Мерить результат, а не впечатление от него, меня научил станок. Считать и не доверять единичному случаю — магистратура по психологии с её прикладной статистикой. IT не поменяло это восприятие, а дало ему язык и инструменты.
Что изменилось на практике: любая задача, рабочая или бытовая, теперь начинается с двух вопросов: что считаем результатом и как мы измеряем успех или неуспех. Дальше – бейзлайн: сначала простая версия, потом измерение, потом улучшение итерациями, а не озарением. Далее — резать: отделять важное от просто интересного, потому что сделать всё нельзя нигде, не только на хакатоне. И рутина перестала быть тем, что терпят: если что-то делается руками второй раз — это кандидат на автоматизацию.
Свежий пример вне кода – мой собственный поиск работы. Я веду его как ML-пайплайн: есть трекер откликов с этапами воронки, есть метрики конверсии — не «сколько разослал», а сколько дошло до живого диалога. Бейзлайн показал: массовые отклики без сопроводительного письма дают почти нулевую конверсию в скрининг, зато связка «отклик в день публикации + короткое письмо рекрутёру с двумя цифрами из прода» даёт реакцию за сутки-двое.
Я оставил только вакансии, где LLM — ядро роли, а не пункт из пяти, и каждую неделю разбираю отказы как error analysis. Большинство приходит на этапе формальных фильтров — город, стаж, стек — ещё до разговора по существу. После этого разбора отказ перестал быть оценкой меня: это несовпадение с конкретным фильтром, и с ним можно работать.
По той же логике выбираю и хакатоны. После первого я считал, что браться стоит за любой. Сейчас критерий другой – не «где интересная тема», а «какой навык из требований реальных вакансий этот кейс закроет» – так в моём портфолио появились агентные системы, RAG и fine-tuning, а следующий добавит OCR и LangGraph, потому что ровно их я чаще всего вижу в описаниях целевых позиций.
В менеджменте есть фраза, которую приписывают Питеру Друкеру: «Если что-то нельзя измерить, этим нельзя управлять». Я убедился, что измерить можно куда больше, чем кажется: от качества ответов чат-бота до собственного поиска работы. Хотя не всё в жизни нужно переводить в цифры. Так что парадигма сменилась не в голове, а в инструментах: раньше допуск я измерял штангенциркулем и микрометром, теперь — метриками на golden set.
