💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Марія Королюк, експертка в галузі Data Science, розпочала свій шлях ще до того, як цей напрям став популярним. Вона працювала в таких компаніях, як McKinsey, Stripe і Lyft, і наразі спеціалізується на AI alignment — галузі, що вивчає, як зробити штучний інтелект безпечним, чесним та корисним для людства. Цей напрямок активно розвивається лише в кількох містах світу.

В інтерв’ю з DOU Марія поділилася своїм досвідом: від навчання в Європі до зміни професійного напрямку, а також про своє дослідження поведінки мовних моделей LLM.

«Data Science тоді ще так не називався». Про освіту в Україні та Європі

У 2009 році я вступила на механіко-математичний факультет КНУ. У той час термін “Data Science” ще не існував, і у мене навіть не було комп’ютера. Цей напрям почав набирати популярності лише у 2012–2013 роках.

До моменту, коли я стала студенткою, нейронні мережі тільки починали з’являтися, а AlexNet, один з перших успішних алгоритмів, з’явився лише в 2012. Отже, я займалася класичними методами: XGBoost, регресією. Згодом з’являлися нові алгоритми та інструменти, і коли ШІ став цікавим для розробки, я вирішила змінити спеціалізацію.

Після завершення бакалаврату в 2012 році я вступила на магістратуру в Європу в рамках програми Erasmus Mundus. Це був рік навчання в Англії та рік у Швеції. Програма передбачає отримання повної стипендії та покриття витрат на проживання, що надзвичайно зручно для студентів.

Важливість практичного досвіду

В Erasmus Mundus є багато різних спецкурсів. Я подала на три програми і була обрана на дві з них. Обрала ту, що найбільше відповідала Data Science.

Покроковий відбір на програму

• Подача мотиваційного листа.
• Резюме та опис досвіду.
• Проходження співбесіди.

Тест з англійської — IELTS на 6,5 бала. Якщо ви вже вільно читаєте або дивитесь фільми англійською, це цілком досяжно.

«Робота у Stripe дала потужний професійний буст». Про класичні виклики

Після магістратури мене взяли на фултайм у команду Data Science компанії McKinsey. Я застосовувала методи ШІ для бізнесу, працюючи над різними проєктами — від оптимізації логістики до моделей у маркетингу.

Проте технічно складнішою була друга робота в Stripe. Паралельно подавалася ще в чотири компанії, але обрала Stripe. Це була компанія, яка розвивалася в період COVID, і мені дуже не вистачало жвавого спілкування з колегами.

Стратегії розвитку

Я працювала в команді Alternative Payment Methods, де займалася локальними способами оплати. Моя задача полягала у визначенні потенційних ринків для розширення можливостей Stripe.

Під час цього досвіду я отримала неймовірну віху в кар’єрі. Запускала проєкти, які користувалися попитом в мільйонах людей — справжній виклик!

«Я отримала офер фактично з першої подачі». Про повернення в Україну

З початком повномасштабної війни я вирішила повернутися до України. Це було емоційне, але важливе рішення, і я ним не шкодую. Після року пошуків я подала заявку в Lyft і отримала офер.

Процес працевлаштування в Lyft

1. Зв’язок з рекрутером.
2. П’ять етапів інтерв’ю.
3. A/B тестування та аналіз метрик.

«Контроль поведінки мовної моделі». Шлях у AI alignment

Тепер я знову в Лондоні, досліджуючи AI alignment — напрямок, який розглядає безпеку та етичність ШІ. Звільнилася з Lyft, щоб зробити це.

Нове дослідження та виклики

Протягом півроку я навчалася, виконувала вправи та досліджувала моделі, щоб зрозуміти, як працює AI. Досліджую, як можна налаштувати моделей, щоб вони давали адекватні та безпечні відповіді, не ведучи до небезпечних або небажаних результатів.

Спільно з командою я працюю над методами, які запобігають небажаній поведінці моделей, аби штучний інтелект залишався надійним і безпечним.

«Ідеї часто не живуть довше тижня». Про умови роботи дослідником

Дослідницька діяльність вимагає жертвувати стабільністю. Я заробляю менше і працюю інтенсивніше, але формати роботи потрясають своєю гнучкістю і рівнем свободи.

Зараз моя команда складається з чотирьох осіб, і ми працюємо самостійно, спростивши бюрократію. Результати одноденних експериментів можуть вплинути на наступні великі проекти.