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.