Чем занимается ML/AI-инженер на самом деле? Показываю свои задачи

Чем занимается ML/AI-инженер на самом деле? Показываю на двух своих задачах: антифрод-модели в банке и AI-агенте для проверки клиентов по KYC Сначала объясняю машинное обучение на примере прогноза погоды, а AI через NLP и LLM. Потом разбираю четыре мифа о работе в ML: туда сложно войти, без диплома не возьмут, нужна сложная математика и придётся заниматься наукой Первый кейс про антифрод в банке. Рассказываю, зачем нужна такая модель и как мы её делали с самого тикета: достали данные из базы через SQL, разметили, обучили модель на CatBoost, посчитали precision и recall и вывели в прод. И почему в ML, в отличие от разработки, результат не гарантирован Между кейсами показываю, на что уходит время в работе ML-инженера: 50% на разработку, 30% на данные, по 10% на эксперименты и созвоны Второй кейс про AI-агента на LLM, который заменяет ручную проверку документов при KYC. Тут я ошибся и месяц работал впустую, пока не поговорил с проверяющими и не посмотрел, как они работают. В конце объясняю, почему сам выбрал ML, а не разработку. Таймкоды: 0:00 Введение 0:10 Что такое ML и AI на пальцах 1:51 Сложно ли войти в ML? 2:21 Нужен ли диплом, чтобы работать в ML? 2:47 Сколько математики нужно в ML? 3:52 Придётся ли заниматься наукой? 4:26 Кейс 1: как мы делали антифрод-модель для банка 8:42 Как выглядит день ML-инженера: на что уходит время 10:43 Кейс 2: AI-агент для KYC и месяц без результата 14:21 Почему я выбрал ML, а не разработку? 16:24 Как стать ML-инженером в 2026 году?