IT на раз-два

Летом я принял участие в Pentest Award 2026 - ежегодном конкурсе для специалистов по информационной безопасности от компании Awillix. В этом году у них открылась новая номинация "AI", в которой я и выступил. По итогам конкурса моя работа вошла в топ-5.

В заявке я показал, как взял одну production RAG-систему и с помощью методов, о которых рассказываю в RAG Security, взломал её с косметическими последствиями для самой Awillix. Вот так вот пошутил над организаторами. Все последствия, конечно же, удалил.

Подробности работы, может, когда-нибудь раскрою - если решусь. А пока читайте оригинальную статью на Habr. Ищите в списке финалистов мой аккаунт Burn2154

Скорее это разные фокусы одной большой инженерной области.
Главное - понимать не только «как называется моя роль?», но и «какую проблему я умею решать?»
А с названием должности разберёмся потом 😄

Ну а теперь можно возвращаться к TDD. Скоро будет материал и про него.

Готовлю вам материал по TDD, а пока - навигатор по IT-ролям для тех, кто запутался

Это спонтанный пост про сходства и различия смежных ролей в IT, в которых я путался до сегодняшнего дня.
Сфера IT развивается настолько быстро, что в этом хаосе важно не потеряться и не забыть, кто ты на самом деле 😄

Мой путь начинался с fullstack-разработчика: я четко знал, что моя цель - написать бэк, прикрутить фронт, чтобы всё работало, и уйти пить кофе.
Но в какой-то момент меня заинтересовал ML. Я начал учить математику, нырять в Jupyter Notebook с кодом анализа и визуализации данных...

И тут меня накрыло:
а я теперь вообще кто?
Дата-сайентист? ML-инженер? ИИ-инженер? Или я просто разработчикоэмэль-любитель, который пытается казаться умнее, чем есть?

Я прошел бесплатную часть курса от Яндекс Практикума «ИИ-инженер» (да, реклама, ну а что поделать) и наткнулся на таблицу, которая расставила всё по полочкам.

Вот эта таблица в моей интерпретации для канала:

👨‍💻 Разработчик (backend / frontend / fullstack)
Основная задача - разработка бизнес-логики, API и интерфейсов. Чтобы всё летало и не падало.
С чем работает - API, базы данных, сервисы, UI (всё, что видит пользователь и сервер).
Ключевые инструменты - TypeScript/Python, FastAPI/NestJS, React, PostgreSQL, Docker (классический джентльменский набор).
Что обучает - обычно ничего не обучает, а интегрирует готовые решения.
Цель - создать стабильное, масштабируемое приложение и спокойно уйти на обед.

📊 Дата-сайентист
Основная задача - анализировать данные, строить модели и находить инсайты (например, «продажи падают по вторникам из-за дождя»).
С чем работает - таблицы, временные ряды, иногда текст и картинки (DataFrame - его второй дом).
Ключевые инструменты - Pandas, scikit-learn, XGBoost (Jupyter Notebook открыт 24/7).
Что обучает - классические модели ML: линейную регрессию, градиентный бустинг и им подобных.
Цель - понять данные и добиться максимальной точности на кросс-валидации.

⚙️ ML-инженер
Основная задача - разработка, деплой и поддержка ML-моделей в продакшене (и молитвы, чтобы они не упали в 3 часа ночи).
С чем работает - обученные ML/DL-модели, пайплайны данных, инфраструктура (Kubernetes, мониторинг).
Ключевые инструменты - MLflow, Docker, Kubernetes, PyTorch (настоящий DevOps, только ещё злее).
Что обучает - сложные нейросети под задачи бизнеса.
Цель - вывести модель в прод с минимальным пингом и поддерживать её стабильность.

🤖 ИИ-инженер
Основная задача - сборка систем на основе готовых LLM (GPT, LLaMA и др.), чтобы они отвечали связно, а не генерировали бред.
С чем работает - готовые LLM, документы, векторные индексы, API.
Ключевые инструменты - LangChain, LlamaIndex, FAISS/Chroma, Ollama, OpenAI API.
Что обучает - обычно ничего не обучает, а использует уже натренированных гигантов.
Цель - построить систему, которая стабильно решает задачу с помощью LLM и не галлюцинирует про ядерную физику.

🍿 А теперь - как эти роли видят друг друга (очень субъективно 😁)
Представим, что они собрались за одним столом и им дали одну задачу: сделать рекомендательную систему.

Разработчик:
«Окей. Какой API? Какие эндпоинты? Где схема базы?»

Дата-сайентист:
«Подождите, сначала нужно понять данные. Я тут нашёл корреляцию между покупками и фазами Луны».

ML-инженер:
«А где модель будет жить?»

Дата-сайентист:
«В ноутбуке».

ML-инженер:
«Понятно».

ИИ-инженер:
«А если мы просто отправим это в LLM?»

Все трое:
«Эм...».

Тут ИИ-инженер молча открывает документацию нового фреймворка, который вышел вчера 😃.

Но на практике эти границы намного менее чёткие, чем кажется по вакансиям.
Разработчик может обучить модель. Дата-сайентист может написать production-сервис. ML-инженер может заниматься анализом данных. ИИ-инженер вообще может одновременно оказаться backend-разработчиком, ML-инженером и человеком, который читает 40 страниц документации к очередному LLM-фреймворку.
Поэтому я бы не воспринимал эти названия как строгие классы профессий.

Мне написал профессор ИТМО. Мы не знакомы. Сказал только: «Лучше докторской колбасы» - и пропал. Зато оставил ссылку на свои «Универсальные советы защищающимся». Я не дочитал. Но то, что прочитал, - бомба.

Делюсь с вами:
🧠

В науке, в отличие от инженерии, никого не интересует, что соискатель сделал, а все определяется только тем, чем его предложение в лучшую сторону отличается от высшего достижения в этом вопросе. И так следует докладывать по каждому положению, выносимому на защиту.

🧠

Вспомните, что цыганки обычно предлагают: «Дай погадаю, всё расскажу, что было и что будет».
Её стоит выслушать и записать всё, что она скажет. Что было, пойдёт в обзор, что будет - в заключение.

🧠

Числительные от нуля и до десяти в текстах пишутся словами... Когда мне надоедает бороться с такой писаниной, я задаю неожиданный вопрос: "Знаете ли Вы разницу между запрещенной порнографией и разрешенной эротикой?". При этом часто молодые люди впадают в ступор, и быстрого ответа от них получить не удается. Тогда я сообщаю, что обычно указанные понятия различают всего лишь одной особенностью - наличием или отсутствием эрегированных членов. Услышав это, молодые люди чаще всего остаются в ступоре. Однако, когда их спрашиваешь, на что похоже число 1, до них быстро доходит... и они запоминают это правило русского языка навсегда!

[открывайте, только если морально готовы переварить профессора] (P.S.: в MAX нет спойлеров, как в тг, поэтому извините)

🧠

Не стоит говорить: «Спасибо за хороший вопрос», так как другие члены совета могут подумать, что их вопросы были так себе. Вы никого не обидите, если скажете то же самое, но без слова «хороший». Еще лучше будет, если Вы и это не скажете. Не обращайтесь к членам совета словами: «Помните» или «Ну вы, конечно, помните». Как Вы думаете будут в этот момент они себя чувствовать, если не помнят, то, что, по мнению соискателя, должны были помнить?

🧠

Не используйте такие слова и словосочетания, как «очевидно», «довольно очевидно», «легко видеть», «ясно», «несомненно», «хорошо известно» и т. д. Этим Вы можете унизить читателя, так как не все такие же умные и образованные, как Вы или Ваши приятели.

🧠

Не пишите «впервые предложен», так как странно что-то научное предлагать во второй или в третий раз. Также не пишите, что Вы предложили «новый метод», так как было бы очень странно, если бы Вы предложили старый метод. Не пишите «новый перспективный метод» - странно в качестве перспективного метода предлагать старый метод. Не пишите «во-первых», если не собираетесь писать «во-вторых», вместо «стоит отметить» пишите «отметим».

🧠

Если Вы не из царского или княжеского рода, то вместо слова «вышеизложенное» пишите «изложенное выше». Это же относится и к слову «вышеперечисленное».

P.S.: Я хотел сделать большой разбор, но Анатолий Абрамович обновляет советы быстрее, чем я успеваю читать. Было 90 страниц, а сейчас уже под 200. Попробуй за ним угнаться!

Если у кого есть советы, делитесь в комментах 🫶