Как стать тестировщиком AI-приложений
Если вы работаете QA automation и посматриваете в сторону AI, то моя история смены специализации может вам пригодиться.
Некоторое время назад я перешла из QA в ML evaluation. Конечно, это случилось не за один вечер: это было поступательный, местами сложный, но однозначно плодотворный процесс. Вот как это было:
Временные затраты: около 7 месяцев изучения теории и параллельно около года практического опыта. Я была QA лидом в стартапах, специализирующихся на AI-приложениях, что дало мне возможность применять теорию ML к реальным задачам.
1. Python. Конечно, Java — это хорошо, но в экосистеме ML/AI python — это lingua franca, корпоративный стандарт. Библиотеки, статистики, метрики, подходы — все в основном рассчитано на python. Так что пришлось попрощаться с Java в пользу питона.
2. Теоретические основы. Невозможно проверять то, чего не понимаешь. Так что передо мной встала необходимость изучения строения моделей с нуля.
- Этот курс оказался крайне полезным и интересным, спасибо доктору Dandekar’у!
- Моя давно прошедшая аспирантура по прикладной и математической лингвистике мне здорово помогла, но некоторое количество математики пришлось вспоминать и изучать заново, ну, и архитектура моделей, конечно, была мне изначально абсолютно не знакома.
- Кроме того, я прочитала множество других материалов, например, по llm-evaluation, и разумеется, беседовала со своим «железным другом» Gemini, обращаясь за разъяснениями непонятных моментов.
3. Рынок сейчас сложный, но я рассматривала эту сложность как возможность бесплатной практики. Параллельно с «апгрейдом» я сделала около 10 техзаданий от потенциальных работодателей. Даже те из них, которые не привели к офферам, добавили в мой арсенал новые метрики и новые техники.
