Где и кем работать, какая зарплата после окончания программы "Компьютерные науки и прикладной искусственный интеллект"

Чем занимаются выпускники (основные роли):

ML Engineer (продуктовый уклон): 

• занимается оптимизацией производительности моделей и выбором эффективных алгоритмов обучения для продуктовых задач;
• разрабатывает пайплайны предобработки данных и системы мониторинга качества моделей;
• проектирует, разрабатывает и улучшает классические алгоритмы машинного обучения для продуктов компании с учётом требований к производительности;
• внедряет алгоритмы кластеризации и детекции аномалий в продуктивные системы — а также оптимизирует их производительность;
• выполняет имплементацию известных алгоритмов, архитектур и моделей машинного обучения на реальных данных компании или продукта с оценкой качества от этапа mvp до полноценной продуктивной системы.

Data Analyst (прикладной уклон): 

• проводит исследования на данных, выдвигает гипотезы, ставит эксперименты (с использованием ML или без него) и визуализирует полученные результаты;
• применяет статистические методы для исследовательского анализа данных и построения базовых моделей;
• выполняет сбор, очистку и предварительный анализ данных — включая визуализацию, снижение размерности и отбор значимых признаков;
• участвует в выстраивании процессов создания «чистых» данных внутри компании, оценивает качество данных и предлагает меры по их улучшению;
• проводит разведочный анализ данных, подготавливает данные для обучения, оценивает качество моделей различными метриками;
• применяет методы кластеризации для сегментации данных, визуализирует результаты понижения размерности и выявляет аномалии.

Где работают выпускники:

• в IT-компаниях и продуктовых командах, разрабатывающих сервисы с элементами искусственного интеллекта — от рекомендательных систем до инструментов компьютерного зрения;
• в центрах обработки данных и аналитических отделах крупных корпораций (ритейл, банки, телеком, логистика), где требуется внедрение ML-моделей в бизнес-процессы;
• в стартапах и R&D-лабораториях, занимающихся прикладной адаптацией алгоритмов машинного обучения под реальные задачи цифровой экономики;
• в DevOps- и MLOps-командах индустриальных компаний, обеспечивающих непрерывную поставку и мониторинг моделей в продуктивной среде;
• в государственных и исследовательских структурах, связанных с цифровой трансформацией, анализом больших данных и построением интеллектуальных систем поддержки принятия решений.