«Бросать вызов своим идеям»: data science-инженер из исследовательского центра "Авито" рассказал о главных навыках в 2026 г.

Максим Смирнов, DS-исследователь в R&D-направлении "Авито", прошел путь от изучения фундаментальной науки на ВМК МГУ до решения прикладных задач в бигтехе, где он сейчас занимается разработкой генеративного компьютерного зрения. Как академический бэкграунд помогает расти и развиваться в бигтехе? Какой навык можно считать главным для DS-специалиста в 2026 г.? Используют ли специалисты по нейросетям свои навыки в повседневной жизни?

Ответы на эти вопросы – в интервью, которое Максим дал «ВЕДам» во время летней школы по ИИ, которая проходит при поддержке "Авито". Наш собеседник работает в школе ментором двух команд, которые решают кейсы компании: ML-подбор исполнителей услуг по запросам НКО и создание планировки квартиры с помощью ИИ.

У вас в бэкграунде академическая база ВМК, решение прикладных задач в "Авито" и работа в других бигтехах. Чем отличается работа исследователя в компании от работы исследователя в науке?

В академической среде ценность работы во многом определяется её новизной, математически красивой постановкой и максимально чистым экспериментом. Основная задача — быстро создать решение, которое действительно им отвечает, соблюдая баланс между сроками, стоимостью и надежностью. С одной стороны, многие задачи отлично решаются с помощью классического ML, поэтому нет смысла пересобирать решение.

С другой, если своя разработка оправдана, компания в нее пойдет. Например, у нас есть система рекламных аукционов. Ее разработали внутри компании выходцы из научной сферы. Среди разработок также собственные генеративные модели A-vibe и A-vision.

Какой навык из «чистой науки» оказался самым полезным при работе в компании?

Я бы выделил несколько конкретных навыков. Первый — устойчивость к отсутствию готового ответа. В науке заранее не известно, сработает ли идея и в ту ли сторону вообще «копаешь». Это отлично ложится на RnD-задачи в компании: ты не действуешь по готовому алгоритму, где результат каждого шага заранее предсказуем и известен, а постепенно двигаешься от формулировки общей проблематики к набору доказанных гипотез.

Второй — способность бросать вызов собственным идеям. Важно искать не только удачные результаты, но и слабые места эксперимента, проверять альтернативные объяснения. В продукте это критично: даже если модель выглядит как state-of-the-art, важнее предсказать, действительно ли она улучшит пользовательский опыт.

Третий — умение отличать отрицательный результат от неудачи. Часто ценнее вовремя доказать, что дорогой подход не даст эффекта, чем тратить ресурсы на изменение, которое пользователи не заметят. И четвертый — умение читать «между строк». Как и в академической среде, изучая чужие исследования, в том числе для собственных разработок, нужно уметь восстанавливать детали и контекст, которые не проговорены напрямую, проверять реализацию и формулировать вывод именно в рамках своей задачи.

Что важнее для DS-специалиста в 2026 году — знание математики или умение генерить промпты? Или, может быть, аналитическое мышление?

У “DS-еров”, как и у любых специальностей, есть разные профили. Например, в "Авито" часть развивает поиск и рекомендации, часть — безопасность платформы, часть — монетизацию, ещё часть закрывает задачи отдельных продуктовых вертикалей. Отдельно есть R&D-направление, где занимаются исследованиями и новыми AI-технологиями. Я работаю как раз в R&D.

На мой взгляд, для DS-специалиста, который занимается исследованиями, ключевым навыком всегда оставалось и остается умение отвечать на вопросы “зачем” и “почему” и проектировать весь путь исследования — от выявления проблемы до работающего решения, которое упрощает и улучшает пользовательский опыт и приносит компании выручку. Нужно понять потребность, сформулировать измеримую задачу, собрать и отфильтровать данные, построить модель, подобрать метрику и заранее продумать, как все это заработает в реальной системе.

Промптинг как навык тоже становится все важнее с развитием агентных систем. Языковые модели сильно ускоряют реализацию идеи — например, через написание кода, отчетов. Мы в "Авито" придерживаемся философии AI First, использование и создание новых агентов для своих задач поощряется. Тут важно, что вместе с проникновением ИИ растет ценность профессиональной “чуйки”. Когда за один день можно сгенерировать множество решений, важно уже не количество вариантов, а их отбор. Человек отвечает не только за скорость, но и за сделанный выбор: как “забрифован” ИИ, корректно ли проведен эксперимент в целом, можно ли обобщать результат, какие у решения риски и что произойдет после внедрения.

Математика однозначно важна как средство контроля. Она помогает понимать границы применимости методов, интерпретировать результаты, находить причины нестабильности экспериментов и обеспечивать надежность цифр. А еще математика — это язык, который переносит знания между технологиями. Архитектуры и названия моделей в 2026 году обновляются очень быстро, а вопросы устойчивости оптимизации, смещений в данных и статистической значимости остаются теми же.

Поэтому я бы говорил не о выборе между математикой и промптами, а об изменении уровня ответственности. Чем больше работы можно делегировать ИИ, тем важнее человеку понимать последствия решений, которые он с его помощью принимает.

Вы используете свои наработки для личных целей — например, генерируете открытки для друзей или восстанавливаете старые семейные фото? Или после рабочего дня вам хочется выключить компьютер и уйти в аналоговый мир?

Иногда я использую картиночные модели, чтобы визуализировать идеи, сделать изображения для статьи или применить нетривиальную обработку фотографии. Тут я использую свои профессиональные знания о том, какая модель справится наилучшим образом с моей задачей.

В целом, в течение дня я и так постоянно оцениваю изображения, сравниваю модели и думаю, как улучшить результат. Поэтому после работы нередко мне хочется сменить занятие и сместить фокус на что-то другое.