Исследователь — кто это и чем занимается
Новый метод там, где готовый не работает
Исследователь в машинном обучении — специалист, который работает там, где готовый метод не решает задачу: читает и воспроизводит статьи, проверяет гипотезы экспериментом и доводит метод до состояния, в котором его можно передать в продукт.
Также встречается как исследователь машинного обучения, ML-исследователь, научный сотрудник, Research Scientist · 9 ключевых компетенций · оси знаний: Статистика, DL
Чем занимается Исследователь
Работает на границе известного: читает и воспроизводит статьи, проверяет гипотезы экспериментом, доводит метод до состояния, в котором его можно передать в продукт.
- Читает статьи и воспроизводит опубликованный результат — это отдельная и не всегда простая работа.
- Формулирует гипотезу так, чтобы её можно было опровергнуть экспериментом.
- Проектирует эксперимент с абляциями: что именно из изменений дало эффект.
- Держит статистическую честность: несколько запусков, разброс, значимость различий.
- Пишет и вычищает исследовательский код так, чтобы результат можно было повторить.
- Передаёт метод в продукт вместе с честными границами его применимости.
Что нужно знать
Ядро профессии: без этих компетенций роль не складывается. У каждой — темы атласа, с которых её разбирают.
- Линейная алгебраядроось: Статистика и вероятность
Векторы, матрицы, собственные значения — на них держатся все модели.
- Производные и градиентыядроось: Статистика и вероятность
Чем считается шаг обучения и почему он вообще работает.
- Теория вероятностейядроось: Статистика и вероятность
Случайные величины, распределения, теорема Байеса.
- Теория информацииядроось: Статистика и вероятность
Энтропия, кросс-энтропия, KL-дивергенция — язык функций потерь.
- Нейросети и backpropядроось: Глубокое обучение
Слои, активации, обратное распространение ошибки.
- Обучение и оптимизаторыядроось: Глубокое обучение
SGD, Adam, расписание скорости обучения, ранняя остановка.
- Трансформеры и вниманиеядроось: Глубокое обучение
Самовнимание, архитектура трансформера, смесь экспертов.
- Генеративные моделиядроось: Глубокое обучение
Автоэнкодеры, GAN, диффузия — как машина порождает данные.
- Валидация и калибровкаядроось: Классический ML
Кросс-валидация, отложенная выборка, калиброванные вероятности.
Уровни: junior, middle, senior
За что отвечает Исследователь на каждом уровне — этим и отличается грейд.
Оси знаний и плановые метки
Насколько направление профильно для роли и какой результат теста ожидается на каждом уровне. Проценты — плановые метки карьерного атласа, а не порог найма.
| Ось знаний | Значимость | Junior | Middle | Senior |
|---|---|---|---|---|
| Статистика и вероятность | профильная | 55% | 75% | 88% |
| Классический ML | рабочая | 40% | 60% | 73% |
| Глубокое обучение | профильная | 55% | 75% | 88% |
| NLP | рабочая | 40% | 60% | 73% |
| Генеративный ИИ и LLM | рабочая | 40% | 60% | 73% |
| Computer Vision | рабочая | 40% | 60% | 73% |
| Временные ряды | обзорно | 25% | 45% | 58% |
| Рекомендательные системы | обзорно | 25% | 45% | 58% |
| Речь: ASR и TTS | обзорно | 25% | 45% | 58% |
| MLOps и инженерия | обзорно | 25% | 45% | 58% |
Как войти в профессию
Чаще всего из академической среды или из сильного прикладного ML. Здесь профильны сразу две оси — математика со статистикой и глубокое обучение, — и без первой вторая превращается в перебор конфигураций.
Смежные роли и с чем путают
Куда легче всего перейти и от кого эту профессию чаще всего не отличают.
Вопросы о профессии
Обязательна ли научная степень?
Не обязательна, но нужен эквивалент навыка: умение читать статьи, воспроизводить результат и ставить эксперимент с абляциями. Именно это и проверяют.
Чем исследователь отличается от дата-сайентиста?
Целью. Дата-сайентист берёт известный метод и добивается эффекта на задаче; исследователь работает там, где известного метода нет, и отвечает за новизну и обоснованность вывода.
Какая математика нужна?
Здесь она профильная: линейная алгебра, матанализ и градиенты, теория вероятностей, теория информации. На них записаны и модели, и функции потерь, и рассуждения о сходимости.
Нужна ли инженерия?
Нужна прикладная: GPU, смешанная точность и распределённое обучение. Без них эксперименты упираются во время счёта, а не в идеи.
Что учить первым?
Математический фундамент и аккуратную валидацию. Всё остальное — архитектуры, генеративные модели — ложится сверху и без фундамента быстро превращается в подбор гиперпараметров.