Нужно ли учиться программировать, если код пишет ИИ

Cтоит ли сегодня тратить годы на изучение программирования, если значительную часть работы уже можно поручить искусственному интеллекту? В этом видео Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) делится своим опытом работы с AI-агентами и рассказывает, чему он учился бы сегодня, если бы только начинал карьеру в IT. На примере реальной задачи из области ML-ранжирования разберём, как простое добавление признака популярности объявления превращается в полноценную инженерную задачу. Агент может написать работающий код, но результат всё равно нужно проверить с учётом особенностей данных, архитектуры системы и ограничений продакшена. В этом видео: ▪️ Какие задачи программирования уже можно доверить AI-агентам. ▪️ Почему корректный код может приводить к ошибкам в работающей ML-системе. ▪️ Какие знания программирования остаются полезными при работе с ИИ. ▪️ Чему стоит учиться начинающим разработчикам и ML-инженерам сегодня. --- 🎓 Хотите разобраться в машинном обучении и научиться решать реальные ML-задачи? На курсе «База ML» от MLinside вы изучите Python, необходимую математику, классические алгоритмы машинного обучения и нейронные сети. В пятом потоке мы усилили программу темами ML System Design, использования AI-инструментов и практическими задачами из индустрии. Вы научитесь работать с данными, обучать модели и понимать, как ML применяется в реальных продуктах. Подробнее о программе: https://mlinside.ru/?utm_source=youtu... 📌 Присоединяйтесь к Telegram-сообществу MLinside — там мы публикуем дополнительные материалы, отвечаем на вопросы и обсуждаем карьеру в Machine Learning: https://t.me/+xPCRRLylQh5lMmI6 --- Кому будет полезно это видео: Начинающим разработчикам и ML-инженерам, которые выбирают, какие навыки программирования изучать в условиях стремительного развития AI-инструментов. Александр объясняет, какие знания помогают контролировать работу агентов и принимать технические решения. Действующим ML Engineer и Data Scientist, которые уже используют AI-агентов для написания кода. На примере работы с признаками модели рассмотрим ошибки, связанные с доступностью данных, задержками и согласованностью обучения с продакшеном. Тем, кто планирует карьеру в IT и хочет понять, как AI-агенты меняют требования к специалистам и какие навыки стоит развивать в первую очередь. --- А как вы считаете, смогут ли в будущем AI-агенты самостоятельно развивать и поддерживать целые сервисы, включая архитектуру, технический долг и принятие инженерных решений? Поделитесь своим мнением в комментариях. Подписывайтесь на MLinside! В следующих выпусках продолжим обсуждать влияние AI-агентов на работу разработчиков и карьерный рост в IT. Таймкоды: 00:00 - Нужно ли учиться программировать, если код пишет ИИ? 00:58 - Пример задачи: новый признак для ML-модели 01:27 - Почему правильно написанного кода недостаточно 02:23 - Как учитывать время и часовые пояса 03:21 - Задержка данных и ошибки при обучении модели 04:21 - Как избежать расхождений между обучением и продакшеном 05:29 - Ограничения источников данных и скорость работы системы 07:03 - Какие проверки нужно поручить ИИ-агенту 08:01 - Может ли ИИ самостоятельно находить проблемы? 08:59 - Почему важно проверять решения ИИ 10:24 - Чему учиться в 2026 году 11:49 - Какие навыки программирования теряют актуальность 12:24 - Чему стоит учиться начинающим разработчикам 13:52 - Слово от Виктора Кантора 14:27 - Заключение #MachineLearning #ML #MLEngineer #AI #AIAgents #CodingAgents #Programming #SoftwareEngineering #DataScience #MLinside