Как стать AI-инженером в 2026 году без диплома CS

Источник: https://x.com/eng_khairallah1/status/2069341916798369801

Автор: Khairallah AL-Awady

Большинство людей думают, что для работы в AI нужен диплом по computer science.

Сохраните это :)

Небольшая группа людей уже поняла: самая высокооплачиваемая инженерная роль в техе сейчас не смотрит на то, что написано в вашем дипломе. Её волнует то, что вы реально выпустили.

Разница между этими двумя группами — не credentials.

Разница — портфолио.

AI-инженер — это человек, который строит системы, соединяющие большие языковые модели с реальными продуктами. Support bot, который действительно решает тикет. Внутренний поиск, который находит ответ, закопанный в десяти тысячах документов. Агент, который выполняет многошаговый workflow без человеческого babysitting. Это не research. Это не обучение моделей с нуля. Это production software, в центре которого AI, и это одна из самых востребованных работ на всём рынке.

Вот часть, о которой вам никто не сказал: для большинства таких ролей портфолио выпущенных проектов весит больше, чем диплом. Hiring managers прямо говорят, что видели, как self-taught engineers обгоняют PhD, потому что shipping — это другой навык, не такой, как studying. Credential gate в основном иллюзорен, и те, кто понимает это рано, получают годы форы перед теми, кто всё ещё ждёт разрешения.

Вот путь. Диплом не нужен. Именно так он выглядит.

Сначала поймите, что это за работа

Прежде чем что-то учить, чётко поймите роль, потому что большинство людей целятся не туда.

Есть две роли, которые часто путают. Machine learning researcher изобретает новые модели и обучает их. Такая работа действительно выигрывает от advanced degrees и серьёзной математики, но это маленький кусок рынка. AI engineer берёт уже существующие модели и строит с ними полезные вещи. Эта работа гораздо сильнее вознаграждает software skill, product sense и shipping discipline, чем академические credentials. Подавляющее большинство открытых вакансий — и те, в которые можно пробиться без диплома, — относятся ко второму типу.

Вы целитесь в роль инженера, который строит с AI, а не учёного, который строит сам AI. Это различие сэкономит вам месяцы математики, которая пока не нужна.

Роль находится на пересечении трёх вещей: software engineering, практического понимания поведения language models и product thinking. Не нужно быть элитным во всех трёх в первый день. Нужно быть компетентным, постоянно улучшаться и иметь доказательства.

Фаза 1, месяцы 1–3: научитесь нормально писать код

Это шаг, который нельзя пропустить, и именно его большинство пытается перескочить.

Вы должны уметь писать настоящий рабочий код до того, как всё остальное начнёт иметь смысл. Язык — Python. Почти каждая AI-библиотека, framework и tool сначала строятся под Python, так что это не предпочтение, а стандарт.

Потратьте эти месяцы на то, чтобы действительно освоиться. Не на уровне «я посмотрел tutorial». А на уровне «я могу открыть пустой файл и собрать небольшую программу, не гугля базовый синтаксис». Переменные, типы данных, control flow, функции, работа с файлами, вызов API, обработка ошибок и чтение чужого кода. Научитесь пользоваться Git и выкладывайте всё на GitHub с первого дня, потому что GitHub — первая половина вашего портфолио.

Если тревожит математика, отложите это. Нужны базовая статистика и чувство того, как ведут себя числа. Не нужно сначала осваивать linear algebra и calculus, чтобы начать строить с LLM. Глубокая математика нужна для research; вы строите. Доберёте её позже, если конкретный проект потребует.

Что сделать в этой фазе:

• Пройти структурированный курс Python и писать код каждый день, хотя бы по 30 минут.
• Собрать пять маленьких программ с нуля: калькулятор, file organizer, скрипт, который вызывает публичный API, простой data cleaner, command-line заметочник.
• Выучить основы Git и выложить все пять проектов в публичный GitHub.
• Вступить в одно сообщество людей, которые делают то же самое, чтобы не учиться в вакууме.

Фаза 2, месяцы 3–5: освоите LLM API

Теперь вы начинаете работать с тем, что определяет профессию.

Chat interface — это consumer product. AI engineers работают через API: отправляют запросы из собственного кода и программно обрабатывают ответы. Именно здесь живёт реальный leverage, и беглость в API — момент, когда вы перестаёте быть пользователем и становитесь builder.

Научитесь отправлять сообщения модели из своего скрипта. Научитесь обрабатывать streaming responses, управлять conversation history, контролировать output format и аккуратно работать с rate limits и ошибками. Поймите разницу между промптом, который даёт «нормальный ответ», и промптом, который каждый раз даёт точный, повторяемый, production-ready результат, потому что в реальном продукте «обычно правильно» — это баг.

Здесь же вы учите tool use, иногда его называют function calling. Так вы позволяете модели выполнять действия: вызвать функцию, запросить систему, получить данные. Как только вы понимаете tool use, открывается весь мир агентов, потому что агенты — это просто модели с инструментами и циклом.

Что сделать в этой фазе:

• Получить API key и сделать первый вызов из Python-скрипта в первый же час.
• Собрать command-line tool, который принимает любой вставленный текст и делает с ним что-то полезное.
• Собрать chatbot с memory, который помнит предыдущие части разговора.
• Реализовать tool use: дать модели одну функцию, которую она может вызывать, и добиться корректного вызова.

Фаза 3, месяцы 5–7: строите RAG-системы

Это навык, который помогает людям получить работу, потому что именно это большинство реальных AI-продуктов делает под капотом.

RAG означает retrieval-augmented generation, и идея проста, когда вы её увидите. Модель знает только то, на чём обучалась, и то, что вы положили перед ней. RAG — это техника, где вы достаёте нужную информацию из собственных данных и кладёте её перед моделью, чтобы она точно отвечала о вещах, на которых её никогда не обучали. Документы вашей компании. Product manual. Knowledge base.

Вы научитесь разбивать документы на chunks, превращать эти chunks в embeddings — числовые представления смысла, — хранить их в vector database и доставать самые релевантные под любой вопрос. Затем вы отдаёте их модели и получаете grounded, sourced answer вместо уверенной догадки.

Один RAG application, который реально работает end-to-end на настоящих документах, ставит вас впереди огромной доли людей, которые только говорят об AI. Это portfolio project номер один.

Что сделать в этой фазе:

• Понять, как работают embeddings и vector databases: сначала концептуально, затем в коде.
• Собрать RAG app на реальном наборе документов: собственных заметках, PDF-файлах, wiki.
• Добавить нормальную retrieval evaluation: система действительно находит нужные chunks или просто похожие рядом?
• Задеплоить это куда-то, где незнакомый человек сможет воспользоваться, пусть даже в простой hosted version.

Фаза 4, месяцы 7–9: строите агентов

Теперь вы строите то, о чём все говорят и что немногие умеют реально доставлять.

Агент — это модель, которая может принять цель, разбить её на шаги, использовать инструменты для выполнения каждого шага и решать, что делать дальше, исходя из результата. RAG app отвечает на вопрос. Агент выполняет работу.

Tool use вы уже изучили во второй фазе. Теперь нужно поместить его в цикл с целью, дать агенту несколько инструментов и разобраться с грязной реальностью: агенты иногда ходят кругами, вызывают не тот инструмент или застревают. Научиться строить агентов, которые надёжны, а не просто впечатляют в demo, — именно тот навык, которого рынку не хватает.

Честная часть: demo agent сделать легко, reliable agent — трудно. Разрыв между ними — failure handling, clear tool design и evaluation. Тратьте усилия там, потому что именно этот разрыв отделяет hireable engineer от человека с красивым видео.

Что сделать в этой фазе:

• Собрать single-agent system, которая использует несколько инструментов для реальной многошаговой задачи.
• Собрать маленькую multi-agent system, где два или больше агентов сотрудничают или проверяют друг друга.
• Добавить явную обработку отказов: что агент делает, когда tool падает или ничего не возвращает.
• Сделать это portfolio project номер два: multi-agent system, которая решает реальную проблему.

Фаза 5, месяцы 9–11: выучите evaluation и deployment

Это скучная фаза, которая делает вас employable, и именно её amateurs полностью пропускают.

Любой может заставить AI-feature сработать один раз. Компании платят за вещи, которые работают в десятый тысячный раз. Навыки, доказывающие, что вы так умеете, — evaluation и deployment.

Evaluation означает способ измерить, действительно ли ваша система хороша и стало ли лучше или хуже после изменения. Для generation tasks вы будете мерить factual accuracy, relevance и consistency относительно reference answers — иногда с помощью другой модели, которая оценивает outputs, иногда через human review. Инженер, который строит evals, — это инженер, которому можно доверить production.

Deployment означает вытащить систему с ноутбука в мир: hosting, monitoring, handling load, контроль costs и отлов failures раньше пользователей. Этот кластер навыков иногда называют MLOps, и даже базовое понимание делает вас заметно более hireable, чем человека, который умеет строить только на своей машине.

Что сделать в этой фазе:

• Собрать evaluation suite для одного из ранних проектов с набором test cases и scoring.
• Взять один проект и нормально задеплоить его с monitoring и базовым cost tracking.
• Сделать это portfolio project номер три: deployed system с evaluation и monitoring.
• Документировать, что вы измеряли и как бы улучшали систему, потому что thinking out loud — hireable signal.

Фаза 6, месяцы 11–12: получить работу

Финальная фаза не про новые technical skills. Она про то, чтобы нужные люди увидели то, что вы построили.

К этому моменту у вас есть три настоящих проекта: RAG application с evaluation, multi-agent system, которая решает реальную проблему, и deployed system с monitoring. Такое портфолио открывает больше дверей, чем master's degree для большинства AI engineering roles. Теперь работа — positioning.

Опишите каждый проект как понятный case study: проблема, ваш подход, что вы измеряли, что сделали бы иначе. Build in public, делитесь процессом, публикуйте разборы. Поле движется так быстро, что заметных и последовательных builders быстро замечают. Затем подавайтесь — и подавайтесь в правильный tier. Реалистичный вход часто начинается с AI-augmented software engineering role, а затем переходит в полноценную AI engineer role; зарплаты часто находятся примерно от $120K на входе до $200K+ с опытом, в зависимости от компании и локации.

Когда на интервью вас попросят «порассуждать, как агент должен обработать tool failure» или «объяснить, как вы бы оценивали RAG system», вы не будете пересказывать теорию. Вы будете описывать то, что реально сделали. В этом вся игра.

Что сделать в этой фазе:

• Написать понятный case study для каждого из трёх portfolio projects.
• Опубликовать хотя бы один technical breakdown о том, как вы построили что-то сложное.
• Подаваться широко, включая AI-augmented software roles как реалистичный первый шаг.
• На интервью говорить о том, что вы shipped и что улучшили бы, а не о том, что заучили.

Честная правда об этом пути

Двенадцать месяцев — реальный срок, и он работает только если вы строите всё это время.

Читать об AI engineering — не значит становиться AI engineer. Смотреть tutorials — не значит строить портфолио. Работу получают те, кто shipping something в каждой фазе и не цепляется за то, чтобы всё было идеально. Застревают те, кто продолжает «готовиться» и никогда не показывает ничего реальному пользователю.

И вот вопрос, который волнует всех, так что ответим: если AI теперь пишет так много кода, зачем вообще этому учиться? Потому что кто-то должен проектировать систему, интегрировать её, оценивать, корректен ли output, и решать, что строить. AI tools делают сильного AI engineer ценнее, а не ненужным. Человек, который умеет направлять эти инструменты и судить их output, — именно тот, за кого рынок платит. Вы учитесь не конкурировать с инструментами. Вы учитесь ими командовать.

Credential gate, который удерживает большинство людей снаружи, — это барьер, от которого большинство компаний уже отказались.

Через год вы можете всё ещё говорить себе, что сначала нужен диплом.

А можете быть инженером с тремя shipped projects, которые доказывают, что диплом вам не понадобился.

Единственное, что стоит между вами и фазой 1, — открыть пустой файл сегодня.

Если это было полезно, подписывайтесь на @eng_khairallah1, чтобы получать больше AI-контента. Я каждую неделю публикую разборы, курсы и инструменты.

Надеюсь, это было полезно для вас, Khairallah ❤️