Я действующий бэкенд разработчик, поэтому разработка не стала для меня головной болью , сейчас я на стадии правки последних багов и вывода продукта в пром на стадии MVP.

Так же я завел свой Devlog что бы потенциальные пользователи моего продукта могли оценить что уже создано, что планируется, а так же оставить фидбэк.
https://t.me/omnitask

Если вы фрилансер и у вас есть какие-то головные боли касаемо вашей работы или площадок , буду рад вашим комментариям. Возможно я бы смог добавить некие фичи, для решения этих проблем. Спасибо что дочитали до конца.

А теперь смотрим на картинку в сАмом начале поста:

А где "ACCESS_COARSE_LOCATION ?" А его - НЕТ. А вот "ACCESS_FINE_LOCATION" - ЕСТЬ.

Но русскоязычный -россиянин- человек, который СНАЧАЛА увидел картинку с кучей непонятного текста на иностранном языке, а потом подробное разЪяснение на русском - не будет рассматривать эту картинку ВНИМАТЕЛЬНО. Ведь он - её УЖЕ ВИДЕЛ. Да и в конце концов - ведь ТС обращается "к детям", а читатель - НЕ РЕБЁНОК. Психология уровня детского сада, но ЭТО - РАБОТАЕТ.

Весь остальной текст ТСа представляет собой всё то-же самое манипулятивное гавно. Его можно разобрать довольно детально для анализа, но какой смысл?

ИИ работает и на защиту, и на взлом.

Это инструмент, который можно использовать и для защиты, и для нападения. Компании, такие как Google, используют ИИ, чтобы находить опасности раньше, чем это смогут люди. Например, ИИ может заметить подозрительную активность в сети и остановить её до того, как произойдёт взлом.

Но есть и обратная сторона. Хакеры тоже используют ИИ — чтобы быстрее подбирать пароли, создавать «умные» вирусы и подделывать письма, которые сложно отличить от настоящих. Получили на почту письмо от банка, где всё выглядит идеально? Возможно, это сделал ИИ, чтобы вы сами выдали свои данные.

Человеческий фактор — слабое звено.

Оказалось, что не техника, а люди — самый уязвимый элемент безопасности. Во многих случаях кража данных начинается с простого письма, где просят «срочно подтвердить» логин и пароль. Особенно часто жертвами становятся сотрудники, не прошедшие базового обучения по безопасности (привет, бухгалтерия).

Компании всё чаще стали проводить тренинги: как распознавать фишинг, не кликать на подозрительные ссылки и вовремя сообщать об инцидентах. А государственные организации заставляют бизнес работать по новым правилам: больше контроля, больше ответственности (вот недавно в России приняли закон о учете доступа к персональным данным).

Отношение «доверяй, но проверяй» уходит в прошлое.

Всё чаще применяется принцип "Zero Trust" — это значит, что никому нельзя доверять по умолчанию: ни компьютеру, ни сотруднику, ни даже камере наблюдения. Система проверяет каждого каждый раз, независимо от того, где он находится — в офисе или дома. Это снижает риски, особенно когда люди работают удалённо или пользуются личными устройствами.

Угрозы касаются не только интернета — но и реального мира.

Хакеры всё чаще атакуют не сайты, а инфраструктуру: электростанции, заводы, транспорт, подводные кабели интернета. Даже короткая атака может вызвать перебои в поставках электроэнергии, торможение поездов или отключение банкоматов, о последствиях хакерской атаки на АЭС даже думать страшно. Эксперты предупреждают: нужно думать не только о защите сайта, но и всего, что связано с реальной жизнью.

Любое действие оставляет следы — и ими могут воспользоваться злоумышленники.

Каждый раз, когда пользователь подключается к Wi‑Fi, скачивает приложение или регистрируется на сайте, он оставляет цифровой след. Эти данные могут собираться без его ведома, особенно если компания не заботится о безопасности.

В 2025 году главная опасность — так называемый Shadow AI (теневой ИИ): это когда сотрудники сами используют ИИ-инструменты (например, для перевода или резюме писем), не зная, что они могут отправлять данные за пределы компании.

Готовность к будущим атакам: квантовые компьютеры.

Квантовые технологии звучат как нечто из научной фантастики, но скоро они станут реальностью. Когда появятся полноценные квантовые компьютеры, старые методы шифрования (например, то, как сейчас защищены банковские переводы или мессенджеры) могут быть взломаны за минуты (мы писали об этом статью).

Компании уже начали разрабатывать "постквантовые" алгоритмы, чтобы защититься заранее. Это важный шаг, потому что хакеры могут сейчас украсть зашифрованные данные, чтобы потом взломать их в будущем.

Кибербезопасность становится нормой.

Если раньше защита данных была чем-то дополнительным, то теперь это обязательная часть бизнеса и государственной политики. В Европе и США уже вводят жёсткие законы: если компания не защитила пользователей — платит огромные штрафы.

Пользователи тоже начинают требовать большего: чтобы приложения были безопасными, чтобы личные данные не «сливались», чтобы была прозрачность в том, что собирается и как хранится.

Мир меняется — и киберугрозы становятся частью повседневной жизни. Но многое зависит от простого человека: надежные пароли, игнорирование «левых» ссылок и другие простые правила кибербезопасности позволят сохранить в безопасности свои данные.

По пути я набил ряд шишек, перелопатил кучу книг и курсов. В сегодняшнем посте дам ссылки на те из них, что были действительно полезными и понятными. Все курсы — бесплатные, требуется только время и упорство. Оговорюсь — я описываю только то, что требуется джуну, для более высоких позиций знания, естественно, должны быть гораздо глубже.

Основы программирования

AI и нейронки = Python. Тут есть и другие языки, но Python — это база. На Степике мне понравились следующие курсы:

1. «Поколение Python»: курс для начинающих

2. «Поколение Python»: курс для продвинутых

3. Python: основы и применение (тут бывают странные задачи, на некоторых можно застрять, поэтому советую пропускать их, чтобы вернуться позднее)

Помимо Python пригодятся знания SQL:

1. Интерактивный тренажер по SQL — для общего погружения в тему

2. Практическое владение языком SQL — для решения практических задачек

У всех свои темпы обучения, но имхо реально освоить на 4 месяца, если заниматься 3-4 часа в день 5-6 дней в неделю.

Математика

Если вы совсем на «вы» с математикой, то порадовать мне вас нечем. Ряд областей являются фундаментальным знанием, без них стать ML-разработчиком невозможно.

Пробегусь по минимальным требованиям:

• Линейная алгебра: матрицы и их разложения, работа с пространствами, тензоры.

• Математический анализ: функции, производные, экстремумы.

• Теория вероятности и статистика: условная вероятность, теорема Байеса, различные распределения и их оценки, критерии Согласия.

Чтобы был больший стимул разбираться с математикой, поясню: все эти разделы помогают понять, как нейросети устроены изнутри, плюс вопросы по этим разделам есть на собесах. А еще математическая база позволит читать научные статьи, что пригодится в дальнейшем.

Для погружения в математику есть великолепные курсы от преподавателей МГУ, которые оптимально подкреплять чтением профильных книг, коих великое множество. У меня есть подборка, если вы хотите, чтобы я их вам кинул — пишите в лс, все пришлю.

Основы ML

На мой взгляд, лучшая книга — «Python и машинное обучение», авторы Себастьян Рашка и Мирджалили Вахид. Безусловно, полно и других книг, но тут вы ознакомитесь с всеобъемлющим и пошаговым руководством-справочником. Обратите внимание: данная книга встречается в версиях, отпечатанных в цвете и в ч/б, рекомендую выбрать именно цветное издание, иначе глаза сломаете на коде и графиках.

Изучение ML-базы у меня заняло 7 месяцев, но я занимался много — по 6 часов в день.

Специализация

Поскольку в AI много направлений (как в медицине — есть окулисты, лоры, хирурги и тд), то советую выбрать для себя что-то одно, на чем вы сфокусируетесь. Далее опишу варианты в порядке усложнения получения работы джуном:

1. Классическое машинное обучение

Работа с табличными данными: прогнозирование спроса, оценка кредитных рисков, аналитика пользовательского поведения, обработка опросов и статистики. Самый низкий порог входа для джунов.

2. Компьютерное зрение

Видеоаналитика — распознавание объектов и действий на изображениях и видео: подсчет людей в кадре, распознавание номеров, контроль на производстве. Есть смежные задачи — генерация изображений, видео, 3D-реконструкция. Кстати, я стартанул именно с этого, т.к. счел, что конкуренция ниже, чем в классическом ML, а вакансий много.

3. Обработка аудио

Распознавание речи, диалоговые системы, голосовые ассистенты, улучшение качества аудио. Сейчас это направление набирает популярность.

4. NLP

Анализ и генерация текстов: от чат-ботов до систем поиска, перевода, резюмирования и генерации контента. Для джунов сложность в том, что работа с языковыми или мультимодальными моделями требует значительных вычислительных ресурсов, то есть требует аренды серверов, что дорого.

5. Обучение с подкреплением

Обучение агентов действовать в средах: игры, роботы, автоматизация решений. С научной точки зрения это, конечно, очень интересно, но вакансий мало и они встречаются только в больших технологических компаниях. Имхо — это не для джунов.

После выбора направления возьмите хорошую профильную книгу и проработайте ее как полноценный учебный курс. Все примеры и задания выполняйте в Google Colab — это онлайн-среда с доступом к GPU, где можно писать и запускать код без установки локальных программ.

Вопросы на собеседованиях

• Python: базовые принципы работы с памятью, основы ООП, как работает GIL, применение декораторов и lambda, типы коллекций, анализ сложности алгоритмов.

  
  

• Машинное обучение: обязательно знать метрики, классические модели, их математику и различие ошибок первого/второго рода.

• Нейросети: почти всегда спрашивают про развитие архитектур, устройство слоев, градиенты и порядок вычислений. Метрики — тоже в фокусе.

• Математика: охватываются линейная алгебра, матанализ, матстат и теория вероятностей.

• Железо: на базовом уровне — если модели запускаются на сервере.

• OpenCV: иногда всплывает при задачах с изображениями.

• Linux и Docker: встречаются редко, но полезно знать команды и логику работы.

  
  

• PyTor-ch: не всегда спрашивают, но знание основ — плюс при работе с DL.

Я накидал вопросы крупными мазками, но вообще они зависят от вашей специализации. Поэтому советую изучать актуальные вакансии и требования в них, фиксировать информацию в таблице — так вы поймете, насколько соответствуете и чего не хватает.

Pet-проект
Считаю, что пет-проект — это маст хэв для джунов. Реальных-то достижений у вас пока нет, поэтому простенькое приложение с базовой логикой, которое стабильно работает, покажет, что вы в состоянии довести идею до реализации и понимаете «код-модель-деплой».

Советы и дополнительные темы для изучения

• Ведите свою базу знаний (конспекты), выделяя ключевые моменты, чтобы материал был структурирован. Это очень пригодится, чтобы быстро найти и освежить то, что вы подзабыли, а также при подготовке к собеседованиям.

• Учите английский — основные материалы, научные статьи, документация и курсы выходят именно на английском. Позднее энтузиасты переводят на русских, но не всегда хорошо и часто не в полном объеме.

  
  

• Освойте Убунту, поставив рядом с виндой. Почти все, что связано с ML, заточено именно под линукс. На старте это может быть не очевидно, но потом вы оцените необходимость работы с линуксом.

  
  

• Вникайте в железо — видеокарты, характеристики, производительность и ценник. На сосебах тоже пригодится — любят спросить, какие ресурсы требуются для запуска модели или проекта.

• Освойте фреймворк для создания API (Django, FastAPI или Flask). Так вы сможете упаковать модель в сервис, чтобы она была доступна для использования извне — вишенка на вашем pet-проекте и реальная польза в работе.

• Изучайте Git и Docker. Git — для отслеживания изменений в проектах и сохранении прогресса. Docker — для изолирования среды выполнения и сборки модели в воспроизводимый микросервис.

На этом, пожалуй, все. Если я не отбил желание погрузиться в тему разработки, то приглашаю в мой телеграм-канал, который я регулярно веду как раз в помощь джунам в сфере ML.