Как попасть в OpenAI без PhD за шесть недель

Безопасность ИИ — это миф, если рассматривать её как единую монолитную науку, а для успешного старта в OpenAI докторская степень часто оказывается лишней. Замена абстрактной цели «выучить теорию» на практическую репликацию алгоритмов позволяет талантливым инженерам преодолевать барьер входа в индустрию всего за полтора месяца. Этот путеводитель раскрывает внутреннюю кухню ведущих ИИ-лабораторий и объясняет, почему скорость проверки гипотез и гибкость кода сегодня ценятся выше академических регалий.

🤖 Миссии лабораторий и природа безопасности ИИ 0:00

На пути к созданию высокоэффективных систем искусственного интеллекта (ИИ) специалисты сталкиваются не только с техническими вызовами, но и с глубокими организационными и методологическими различиями. Кэтрин Олссон (Catherine Olsson) и Дэниэл Зиглер (Daniel Ziegler) представляют две ведущие исследовательские структуры — Google Brain и OpenAI, — которые, несмотря на общую сферу деятельности, имеют принципиально разные векторы развития и подходы к определению миссии.

Миссии Google Brain и OpenAI: специализация против универсальности 8:25

Хотя обе организации работают под эгидой Alphabet (в случае Google Brain) или как независимые лаборатории (в случае OpenAI), их фундаментальные цели различаются. Кэтрин Олссон отмечает, что OpenAI была создана с эксплицитной миссией построения безопасного общего искусственного интеллекта (AGI) . Это узконаправленный и амбициозный поиск «универсального агента», который мог бы превзойти человека в большинстве когнитивных задач.

Google Brain, напротив, придерживается более широкого академического подхода. Несмотря на то, что лаборатория DeepMind (также входящая в Alphabet) разделяет стремление к AGI, Google Brain фокусируется на фундаментальных исследованиях, охватывающих весь спектр возможного применения машинного обучения (ML) .

Ключевые отличия в деятельности лабораторий:

• OpenAI: Концентрируется на крупномасштабных инженерных проектах, таких как разработка ботов для Dota 2 (OpenAI Five) или обучение роборуки Dactyl . Команды здесь часто работают над единым масштабным продуктом или конкретным вектором безопасности.
• Google Brain: Занимается базовыми исследованиями, которые находят применение в существующих продуктах Google, таких как системы машинного перевода . Исследования здесь более холистичны и не обязательно вращаются вокруг концепции универсального агента.

Дэниэл Зиглер подчеркивает, что OpenAI использует «портфельный подход» в области безопасности: небольшие группы исследователей работают над множеством параллельных проектов, пытаясь внедрить механизмы контроля в самые передовые системы . Ранее в разговоре они также вскользь упоминали важность того, чтобы не тратить годы на теоретическую подготовку в PhD, если целью является практический вклад в эти миссии.

Безопасность ИИ как сложная мозаика дисциплин 21:23

Одним из главных заблуждений относительно безопасности ИИ (AI Safety) является восприятие её как монолитной области. Кэтрин Олссон акцентирует внимание на том, что это не единое поле, а скорее сообщество людей, объединенных общими опасениями, но использующих радикально разные методы .

Она выделяет несколько ключевых направлений, которые требуют принципиально разных навыков:

1. Обучение через обратную связь: Разработка методов, позволяющих ИИ усваивать человеческие предпочтения в процессе глубокого обучения с подкреплением (RL).
2. Теория принятия решений: Теоретическая работа (характерная, например, для организации MIRI), сфокусированная на доказательстве теорем и формализации того, каким должен быть «правильный» агент .
3. Надежность и робастность (Robustness): Работа над тем, чтобы системы не совершали фатальных ошибок при столкновении с незнакомыми данными или целенаправленными атаками (adversarial examples).

Кэтрин работает в команде Яна Гудфеллоу в Google Brain, занимаясь состязательным машинным обучением . Она рассматривает проблему «состязательных примеров» — когда микроскопические изменения пикселей заставляют классификатор ошибаться — как идеальную «игрушечную задачу» для отработки формализмов безопасности . Если система не может надежно распознать концепт в таких условиях, она не будет надежной и в критически важных сценариях.

Дэниэл Зиглер дополняет эту картину, разделяя проблему безопасности на две части: поиск правильной целевой функции (чтобы система стремилась к тому, чего мы действительно хотим) и обеспечение робастности этой оптимизации (чтобы процесс обучения был безопасным) .

Путь исследователя: от нейронаук к инженерии безопасности 10:17

Личные истории Кэтрин и Дэниэла подсвечивают, почему работа в индустриальных лабораториях часто оказывается эффективнее академической среды. Кэтрин покинула программу PhD по вычислительной нейробиологии в NYU, осознав, что академическая работа слишком медленная и одиночная . Её привлекла возможность работать в командах с быстрыми циклами обратной связи, где результаты видны сразу.

Дэниэл пришел в AI Safety через идеи эффективного альтруизма . Его путь включал драматический эпизод с ошибочным тестом 23andMe на генетическое заболевание, что заставило его переоценить свои жизненные приоритеты и оставить PhD в Стэнфорде всего через две недели после начала . Он понял, что отсутствие четкого видения собственного исследовательского проекта в академии сделало бы его обучение неэффективным.

Оба эксперта сходятся во мнении: для того чтобы внести вклад в безопасность ИИ, не обязательно обладать готовым «планом спасения мира». Достаточно выбрать перспективный вектор (например, подход OpenAI к безопасности) и применить свои инженерные таланты для реализации прототипов, которые помогут сделать мощные системы будущего более предсказуемыми и управляемыми .

🚀 Короткий путь в индустрию: от самообучения до масштабируемого контроля 25:33

Опыт Дэниэла Зиглера развенчивает миф о том, что для серьезных исследований в области безопасности ИИ обязательно тратить от четырех до семи лет на получение степени PhD . Его путь в OpenAI начался не с академических регалий, а с интенсивного двухмесячного «спринта» после того, как он оставил докторантуру.

Ключевым инструментом подготовки стал список из пятидесяти знаковых работ по глубокому обучению с подкреплением (Deep RL), составленный исследователем Джошем Ачиамом. Вместе с соседом по дому Дэниэл разбирал по одной-две статьи в день, выбирая наиболее значимые для самостоятельной реализации на Python и TensorFlow . По его словам, именно практика воспроизведения результатов и отладка чужих алгоритмов позволили ему за шесть недель приобрести навыки, достаточные для прохождения интервью сразу в две ведущие организации — OpenAI и MIRI .

Этот пример иллюстрирует важный тренд: в индустрии ML существует огромный пласт задач, где таланты сильного инженера-программиста востребованы не меньше, чем интуиция теоретика. Лабораториям нужны специалисты для создания инфраструктуры сбора данных, оптимизации рабочих процессов и написания инструментов, которые позволяют исследователям быстрее проверять гипотезы . Кэтрин Олссон добавляет, что в таких областях, как состязательные примеры (adversarial examples), уже сформировалась устойчивая «парадигма» — понятный набор инструментов и вопросов, где грамотный инженер может внести существенный вклад, просто «вращая ручку» налаженного исследовательского процесса .

Обучение через предпочтения: как научить ИИ делать сальто 37:27

Когда Дэниэл присоединился к команде безопасности OpenAI, одним из ключевых направлений была работа над методом обучения на основе человеческих предпочтений (Reinforcement Learning from Human Preferences). Традиционный подход в RL подразумевает наличие четкой функции вознаграждения, прописанной в коде — например, количество очков в игре или скорость бега робота . Однако для многих сложных и «человеческих» задач математически описать успех практически невозможно.

В качестве примера Дэниэл приводит задачу обучения виртуального робота-хоппера прыжку назад:

• Написать формулу «идеального сальто» вручную крайне сложно .
• Вместо этого человеку показывают два коротких видео с попытками агента.
• Человек просто выбирает, какой вариант кажется ему более похожим на сальто.
• Система постепенно выстраивает модель вознаграждения, основываясь на этих сравнениях .

Всего за несколько сотен таких сравнений агент понимает цель и обучается сложному движению. Сейчас исследователи пытаются масштабировать этот подход, используя естественный язык: вместо простых кликов «лево/право» ИИ должен будет понимать вербальную обратную связь, что станет важным шагом к решению по-настоящему полезных реальных задач .

Амплификация и дебаты: масштабирование человеческого надзора 40:59

Одной из главных проблем безопасности остается «кризис надзора»: как человек может контролировать систему, которая становится умнее его? Если задача слишком сложна (например, проектирование системы общественного транспорта в масштабах страны), один человек не сможет оценить, насколько хорош ответ ИИ .

Для решения этой проблемы OpenAI развивает механизмы амплификации (amplification) и дебатов:

1. Амплификация: Процесс разбиения сложного вопроса на иерархическое дерево подвопросов. Человек тратит 10 минут на верхний уровень, делегируя детали «помощникам» (другим копиям системы), которые, в свою очередь, дробят задачу еще сильнее . Цель — обучить ML-систему имитировать результат, который выдал бы коллектив из тысяч людей после многолетнего совместного размышления .
2. Дебаты: Состязательный подход, где две нейросети аргументированно отстаивают разные точки зрения перед человеком-судьей. Задача системы — не просто дать ответ, а подсветить слабые места в аргументации оппонента, помогая человеку увидеть истину даже в вопросе, в котором он не является экспертом .

Интерпретируемость в Google: внутри «черного ящика» 44:18

Пока OpenAI фокусируется на обучении через фидбек, в Google Brain и смежных подразделениях (таких как группа PAIR) активно развивают направление интерпретируемости. Кэтрин Олссон описывает безопасность ИИ как расширение «палитры возможностей»: переход от систем, которые просто максимизируют одно число, к системам, которые можно инспектировать и понимать .

Работа таких исследователей, как Крис Ола (Chris Olah), направлена на создание инструментов визуализации того, что происходит внутри нейронной сети . Это позволяет:

• Выявлять скрытые проблемы: Если проверка показывает, что сеть принимает решение на основе ложных признаков, это повод для вмешательства.
• Обеспечивать справедливость (fairness): Предвзятость алгоритмов — это прямое доказательство того, что системы уже сейчас не всегда согласуются с человеческими ценностями .
• Гарантировать устойчивость: Понимание внутренней логики помогает защитить модели от манипуляций со стороны злоумышленников (adversarial attacks) .

Ранее в разговоре они кратко касались различий между ролями инженера и ученого, и Кэтрин подчеркивает, что в таких крупных структурах, как Google, эти границы часто размыты . Важнее не название должности, а способность быстро погружаться в контекст и предлагать технические решения для фундаментальных проблем контроля над ИИ.

🏢 Гибкие структуры и практический путь в ML-исследования 50:11

Размытие границ: ученые и инженеры в современных лабораториях 50:24

В индустриальных ИИ-лабораториях, таких как OpenAI или Google Brain, традиционная академическая иерархия «профессор — аспирант» уступает место более гибким и органичным структурам . Кэтрин Олссон отмечает, что роли исследователя (Research Scientist) и инженера (Research Engineer) во многом пересекаются, а команды формируются под конкретные задачи проекта, объединяя людей с разным набором навыков .

Дэниэл Зиглер, ставший первым инженером-исследователем в команде безопасности OpenAI, на своем примере показывает важность этого разделения труда. Его работа позволила ведущим теоретикам, таким как Пол Кристиано и Джеффри Ирвинг, высвободить время для концептуальных размышлений над схемами выравнивания ИИ (alignment), в то время как Дэниэл сосредоточился на ускорении экспериментов и создании прототипов .

Ключевые отличия между ролями сводятся не к формальным званиям, а к фокусу внимания:

• Research Scientist: больше сфокусирован на выборе новых исследовательских направлений и формировании повестки в неисследованных областях .
• Research Engineer: обеспечивает техническую реализацию, масштабирование экспериментов и проверку гипотез «в железе» .

Тем не менее, эта граница остается проницаемой. Инженеры в таких организациях часто имеют право голоса в определении вектора исследований, а их технический вклад напрямую влияет на культуру и приоритеты безопасности внутри компании . Ранее в разговоре эксперты уже упоминали, что отсутствие докторской степени не является преградой для занятия инженерной позиции в этой сфере.

Дефицит управленцев и «стратегических» инженеров 52:35

Одной из самых востребованных и редких комбинаций навыков в сфере ИИ является сочетание технической компетентности с управленческими способностями . Лабораториям критически не хватает людей, способных не только писать качественный код на TensorFlow, но и эффективно выстраивать работу команд и управлять сложными проектами.

Кэтрин Олссон выделяет три типа компетенций, синтез которых делает специалиста практически незаменимым:

1. Технический стек: способность глубоко погружаться в отладку моделей и написание кода .
2. Менеджмент: умение масштабировать команду и координировать процессы .
3. Стратегическое видение: понимание политических аспектов и глобального влияния ИИ на человечество .

Сама Кэтрин тратит около 20% своего времени на задачи, связанные с политикой и внешними коммуникациями (outreach), помогая внедрять принципы безопасности и приватности внутри Google . В долгосрочной перспективе она планирует полностью перейти к управленческой роли, чтобы расширять возможности исследовательских групп . Дэниэл, напротив, стремится развивать «исследовательское чутьё», чтобы лучше понимать конечные цели систем, которые он оптимизирует как инженер .

Стратегия «Dive In»: практика важнее теории 56:07

Для тех, кто хочет быстро войти в сферу машинного обучения, эксперты рекомендуют стратегию немедленного погружения, ссылаясь на подход Нейта Соареса «Dive In» . Вместо того чтобы месяцами изучать бесконечные списки литературы и учебники по статистике, стоит как можно быстрее переходить к реализации конкретных алгоритмов.

Дэниэл Зиглер вспоминает, что при подготовке к интервью в OpenAI он сразу начал самостоятельно реализовывать алгоритмы обучения с подкреплением (Deep RL) . Этот «метод поиска в глубину» позволил ему точечно восполнять пробелы в линейной алгебре или теории вероятностей ровно в тот момент, когда это требовалось для решения практической задачи .

Кэтрин советует избегать ловушки «изучения предмета X» и заменить её целью «научиться делать X» :

• Плохо: «Я хочу выучить обучение с подкреплением». У этой цели нет четкого критерия завершения.
• Хорошо: «Я хочу реализовать алгоритм DQN для игры в Atari». Здесь прогресс осязаем и проверяем .

Такой подход позволяет быстрее получать обратную связь от реальности и сокращать концептуальный разрыв между абстрактными рисками ИИ и повседневной работой инженера .

Влияние на безопасность через организационные структуры 1:01:09

Работа в крупных ИИ-лабораториях дает возможность влиять на безопасность не только через код, но и через участие в принятии решений о развертывании моделей. Кэтрин подчеркивает, что даже рядовой инженер в Google Cloud может влиять на этические процедуры организации .

Однако эксперты предостерегают от «пассивного участия»: просто находиться рядом с ИИ-проектами и абстрактно заботиться о безопасности недостаточно для реального импакта . Необходим конкретный план:

• Развитие экспертизы в том, как организации принимают безопасные (или опасные) решения .
• Поиск недооцененных проектов, таких как стартап Ought (исследования амплификации с участием людей) или область верификации нейронных сетей .
• Участие в годовых программах подготовки, таких как Google AI Residency, которые помогают специалистам из других областей быстро адаптироваться в ML-среде .

В конечном итоге, выбор организации должен зависеть от того, чьи исследования кажутся вам наиболее ценными и где вы сможете применить свои уникальные навыки, будь то отладка кода или управление талантами .

🛠 Навыки, математика и искусство отладки в ML-инженерии 1:15:21

Переход из традиционной разработки в сферу машинного обучения требует не столько накопления энциклопедических знаний, сколько смены ментальных моделей. По мнению Дэниэла Зиглера и Кэтрин Олссон, успех в роли ML-инженера определяется сочетанием технической гибкости, прагматичного подхода к коду и глубокого понимания контекста, в котором работают создаваемые системы.

Роль политики и стратегии в технической безопасности 1:16:26

Хотя Кэтрин Олссон и Дэниэл Зиглер сосредоточены на технических аспектах, они подчеркивают, что работа над безопасностью ИИ не может существовать в вакууме. Технические решения должны напрямую опираться на более широкие вопросы политики и управления . Дэниэл отмечает, что между технической сложностью и качеством глобальной координации существует прямая зависимость: чем эффективнее международные институты смогут предотвратить «гонку вооружений» в области ИИ, тем больше времени будет у инженеров на решение фундаментальных проблем безопасности .

Кэтрин добавляет, что любая система, развернутая в реальном мире, попадает в сложный социокультурный контекст . Инженерам важно помнить, что их работа имеет геополитические последствия, даже если их основная подготовка не связана с международными отношениями.

• Сотрудничество с экспертами в области политики (такими как Майлз Брандейдж или Аллан Дафо) помогает техническим специалистам лучше понимать реальное влияние их технологий .
• Глобальная координация позволяет избежать спешки, которая часто ведет к игнорированию протоколов безопасности .
• Техническая работа должна оставаться адаптивной к изменениям в этических и социологических стандартах общества .

Ключевые навыки для ML-инженера 1:22:15

При анализе того, что делает специалиста успешным в этой области, Дэниэл Зиглер выделяет «скорость итераций» как критический фактор успеха . Он приводит в пример своего коллегу Тома Брауна, который пришел в ML из сферы веб-стартапов. Навык быстрого создания прототипов и мгновенного переключения между задачами оказался в исследованиях полезнее, чем умение писать безупречно протестированный промышленный код.

«Хороший код» в машинном обучении определяется иначе, чем в стандартной разработке ПО. Здесь во главе угла стоит читаемость и возможность быстрой верификации идей . Исследовательский код должен быть гибким (nimble), а не исчерпывающим. Поскольку тестировать ML-системы напрямую крайне сложно, чистота реализации становится единственным способом убедиться, что алгоритм делает именно то, что задумано .

Кэтрин Олссон подчеркивает, что многим разработчикам мешает неуверенность в себе, хотя на самом деле большинство опытных программистов способны совершить этот переход . Она рекомендует искать возможности для обучения внутри текущей компании, внедряя ML-инструменты в существующие рабочие процессы, вместо того чтобы сразу увольняться ради полноценного переобучения .

Математический минимум для работы в ML 1:31:40

Существует миф, что ML-инженер должен быть экспертом в высшей математике. На практике же для ежедневной работы требуется «концептуальная беглость» в довольно ограниченном наборе тем . Кэтрин объясняет: гораздо важнее глубоко понимать, что такое градиент на интуитивном уровне, чем уметь вычислять его вручную на бумаге.

Базовый набор включает в себя:

• Основы статистики и вероятности: случайные величины, математическое ожидание, дисперсия, смещенные и несмещенные оценки .
• Линейная алгебра: базовое понимание векторов и матриц без необходимости помнить все виды матричных разложений .
• Матстатистика: умение работать с базовыми понятиями, не углубляясь в сложные многомерные интегралы .

Современные библиотеки, такие как TensorFlow или PyTorch, берут на себя механические вычисления. Инженеру же нужно знать математику ровно настолько, чтобы диагностировать проблему . Например, понимание того, как текут градиенты, необходимо для понимания, почему модель перестала обучаться или почему определенные нейроны «насытились» и не передают информацию.

Специфика и трудности отладки нейросетей 1:34:40

Отладка в машинном обучении радикально отличается от традиционного программирования, где ошибку часто можно отследить пошагово. В ML ошибки часто бывают «тихими»: код выполняется без сбоев, система не падает, но итоговые цифры оказываются неверными .

Дэниэл рассказывает историю о том, как они с коллегой неделю искали баг в реализации алгоритма PPO. Проблема оказалась в специфической функции TensorFlow, которая внезапно перестала распространять градиенты назад через один из аргументов . Выявить это удалось только путем экстремального выкручивания параметров (например, увеличения энтропийного бонуса до тысячи), чтобы увидеть, изменится ли поведение системы хоть немного .

Для эффективной работы в таких условиях необходима высокая «толерантность к фрустрации» . Кэтрин советует использовать простые sanity tests: например, проверить, может ли модель просто запомнить (overfit) крошечный набор тренировочных данных . Если сеть не способна даже на это, значит, проблема в архитектуре или коде, а не в данных. Ранее в разговоре они уже упоминали важность практики, и здесь Дэниэл вновь подтверждает: лучший способ развить интуицию отладки — это изучение чужого открытого кода строка за строкой, чтобы понять, какие «хитрости» (например, специфическая нормализация кадров в Atari) авторы использовали для достижения результата .

🚀 Когда PhD всё же необходим: построение карьерного плана и междисциплинарный подход 1:40:29

Несмотря на то что индустрия ИИ сегодня открыта для талантливых инженеров без учёных степеней, Кэтрин Олссон и Дэниэл Зиглер подчёркивают: аспирантура всё ещё остаётся золотым стандартом в определённых сценариях. Основная ценность PhD заключается не в «корочке», а в возможности работать под руководством ментора, чья исследовательская интуиция невероятно отточена .

Для тех, кто чувствует, что им не хватает глубокого теоретического наставничества, академическая среда может стать идеальным «хакерспейсом». Кэтрин Олссон отмечает, что аспирантура предоставляет доступ к ресурсам и финансированию для специфических долгосрочных проектов, которые сложно реализовать в качестве побочного хобби или в рамках жёстких корпоративных задач . Дэниэл Зиглер добавляет, что возвращение в PhD может быть оправдано, когда у специалиста уже сформированы собственные исследовательские вопросы и он понимает, что академия — лучшее место для их решения .

Важность кросс-дисциплинарного опыта 1:43:03

Одной из критических ошибок начинающих специалистов в области безопасности ИИ является чрезмерная фокусировка только на темах, которые «звучат» как безопасность. Кэтрин Олссон считает такой подход вредным: ограничение кругозора мешает «кросс-опылению» идеями из смежных, более устоявшихся технических областей . Глубокая экспертиза в теоретической информатике или нейронауках даёт уникальную интуицию, которая позже успешно переносится на задачи AI Safety .

Ярким примером служит Пол Кристиано, который получил степень PhD в области теоретической информатики, прежде чем заняться безопасностью ИИ . Сама Кэтрин Олссон пришла в ML из вычислительной нейробиологии, где занималась подгонкой байесовских моделей . Такой бэкграунд обеспечил ей «статистическую зрелость», которая оказалась важнее знания конкретных библиотек. Эксперты призывают не бояться тратить время на фундаментальное обучение, даже если оно не приносит немедленной пользы области:

• Не поддавайтесь давлению «быть полезным прямо сейчас» .
• Используйте время для развития навыков, которые станут вашим фундаментом.
• Помните, что практически любой опыт в смежных дисциплинах (от системного программирования до математической логики) найдёт применение в ML .

Репликация статей как лучший метод обучения 1:46:20

Практический путь в ML-инженерию часто лежит через попытки воссоздать результаты научных публикаций. Дэниэл Зиглер вспоминает, как в период интенсивного обучения он проводил по 12–16 часов в сутки, пытаясь отладить свои реализации алгоритмов . Это не просто упражнение по кодингу: чтение кода на GitHub и сравнение его с текстом статьи учит реальным приёмам и «хитростям», которые авторы часто опускают в официальных публикациях.

Существует расхожее мнение, что реализация модели из статьи — это быстрая проверка навыков. Однако на практике даже опытному инженеру может потребоваться целый месяц, чтобы вычистить все баги и добиться совпадения производительности с заявленными результатами . Зиглер подчёркивает, что именно этот процесс борьбы с кодом формирует глубокое понимание того, как на самом деле работает современное глубокое обучение.

Ранее в разговоре они касались ключевых навыков для ML-инженера, и здесь Кэтрин Олссон выделяет четыре ключевых «корзины» компетенций:

1. Классическая программная инженерия: создание пайплайнов данных и инструментов визуализации .
2. ML-имплементация: умение переложить идею алгоритма в код (например, на TensorFlow) и отладить его .
3. Исследовательское направление: выбор следующей перспективной задачи .
4. ML-теория: доказательство математических пределов производительности моделей .

Рекомендации по составлению карьерного плана 2:03:19

Самый частый сценарий провала — отсутствие конкретной цели. Кэтрин Олссон предостерегает от абстрактного желания «стать хорошим в ML» или «заниматься безопасностью ИИ». Без чёткого вектора человек рискует бесконечно читать статьи, не приобретая прикладных навыков, необходимых для прохождения интервью .

Самый надёжный путь к успеху, по мнению экспертов, выглядит так:

• Составьте максимально конкретный план обучения, ориентированный на конкретную роль (например, Research Engineer) .
• Свяжитесь с действующими специалистами из интересующих вас организаций (OpenAI, Google DeepMind и др.) и покажите им этот план .
• Будьте готовы к тому, что они внесут небольшие коррективы, после чего вам останется просто следовать этому маршруту.

Кэтрин и Дэниэл отмечают, что организации в сфере безопасности ИИ крайне заинтересованы в росте команд и готовы нанимать людей, демонстрирующих высокую способность к обучению, даже если у них отсутствуют некоторые специфические навыки на старте . Главное — доказать свою способность доводить сложные технические задачи до конца и сохранять терпение при работе с капризными нейросетевыми архитектурами .