practicum.yandex

Сегодня люди учатся жить и работать в мире, где искусственный интеллект внедряют во многие сферы — в том числе в обучение. Разбираемся, как нейросети применяют в образовании и чем это поможет студентам.

Почему ИИ в обучении — это важно

Нейросети — тренд на ближайшие 10 лет, который затронет практически все аспекты нашей жизни. Темпы роста этого рынка — 37,3% в год, а в 2024-м использовать ИИ-инструменты будут уже 314 млн человек!

Преимущество ИИ в плане обучения — это возможность избавиться от рутины. Преподаватели смогут сосредоточиться на творческой части работы, а студенты — быстрее и качественнее разбирать и усваивать материал.

Еще одна проблема современного образования — недостаток обратной связи и индивидуального подхода. Внедрение ИИ в учебную программу позволит сделать шаг вперед и в этом вопросе.

Теперь разберемся, как нейросети помогают учиться уже сейчас.

Как ИИ используют в образовании

Поиск материалов

Можно попросить нейросеть найти фактуру для курсовой работы, утончить что-то из конспекта, подобрать учебник по теме.

Вдохновение для решения учебных заданий

При выполнении творческих проектов часто нужно тратить много времени на поиск тем для работ или референсов. ИИ быстро справляется с подобными задачами.

Помощь в составлении и решении задач

Нейросеть может подсказать, как выполнить практическую задачу или разобрать сложный пример. Конечно, нет смысла использовать ИИ для получения готового решения — ведь мы учимся именно ради знаний. Но когда нужна подсказка, с этим отлично справится нейросеть.

Обратная связь

Преподаватели в университетах, наставники онлайн-курсов — все они живые люди и не всегда могут быть на связи. А вот нейросеть доступна 24/7, она может дать подсказку или объяснить вызвавший вопросы термин.

Например, студентам Яндекс Практикума доступен онлайн-помощник в личном кабинете. ИИ может объяснить материал более подробно или составить саммари урока. Благодаря такому подходу студенты тратят меньше сил на поиск информации и больше — на ее изучение и применение.

Какое влияние ИИ оказывает на образование и работу

Распространение генеративного ИИ меняет подход к работе практически всех IT-специалистов: скажем, дизайнеры могут создавать нейросетевые изображения, программисты — кодить, аналитики — обрабатывать большие объемы данных, копирайтеры — писать тексты. Все эти навыки востребованы у работодателей, поэтому их нужно осваивать еще до трудоустройства, что меняет подход к учебным программам.

Например, во все ключевые курсы Яндекс Практикума мы внедрили отдельный блок тем, посвященный работе с YandexGPT — с упором на решение задач, которые пригодятся в работе по IT-специальностям.

• Для разработчиков: генерация и проверка кода, ответы на вопросы, создание документации.

• Для аналитиков и специалистов по Data Science: генерация и проверка гипотез, ответы на вопросы, создание документации.

• Для маркетологов: генерация идей, создание контента, ответы на вопросы, анализ результатов рекламных кампаний.

• Для менеджеров: создание отчетов, оптимизация ресурсов, поиск информации, рекомендации по улучшению бизнес-процессов.

• Для дизайнеров: генерация визуального контента, поиск референсов, интерактивный подбор инструментов, анализ трендов.

• Для QA-инженеров: генерация тестовых сценариев, анализ результатов тестирования, создание документации.

Ограничения и риски

Алгоритмы машинного обучения открывают большие возможности. Но нельзя забывать о сложностях, с которыми можно столкнуться при бездумном использовании нейросетей:

• ИИ не может заменить живого человека. Потому что он не способен к эмпатии, то есть не умеет сопереживать и понимать эмоции. Поэтому в Яндекс Практикуме по-прежнему поддержкой студентов занимаются специалисты: наставники отвечают на сложные вопросы и проводят вебинары, а кураторы помогают учиться.

• Предвзятость данных. Модель может быть обучена на неверных данных. Тогда и результаты будут искаженными. Поэтому доверять лучше проверенным ИИ вроде YandexGPT.

• Непредсказуемость результатов. В некоторых случаях результаты работы моделей могут быть непредсказуемыми или неожиданными. Нужно быть готовым провести дополнительную проверку результатов.

• Технические ограничения. Разработка модели ИИ требует значительных вычислительных ресурсов и мощностей для обработки данных, а готовые решения не всегда могут решить задачи конкретной организации.

Как начать применять нейросети в учебе

В первую очередь стоит научиться писать промпты — инструкции, на основе которых нейросеть выполняет задание. Запросы должны быть конкретными и подробными. Не бойтесь экспериментировать — попробуйте сформулировать задачу разными способами, чтобы выбрать подходящий результат.

При работе с ИИ также важно уметь критически оценивать информацию. ИИ пока что плохо разбирается в достоверности источников и может выдавать данные на основе ошибочных сведений. Поэтому по-прежнему актуален наш курс «Навыки критического мышления для менеджеров».

Нейросети — полезный инструмент, который сегодня практически невозможно игнорировать в образовании. С их помощью можно облегчить учебный процесс, а в перспективе увеличить свою ценность как специалиста в глазах работодателей.

Мы в Яндекс Практикуме даем студентам актуальные знания в области IT-профессий, которые включают и навыки работы с нейросетями. А еще формируем сообщество студентов, где можно обмениваться знаниями, обсуждать учебные вопросы и просто непринужденно общаться даже после завершения обучения.

Выбрать подходящую специальность в IT и приобрести полезные навыки помогут наши бесплатные курсы.

Если учились во взрослом возрасте, то наверняка у вас есть хотя бы один учебный чат. Скорее всего, «мертвый» чат. Объясняем, почему многие сообщества не выдерживают испытание временем и как создать такое, чтобы оно продолжило жить даже после обучения.

Для создания активного комьюнити недостаточно пригласить студентов в чат и предложить им общаться. Нужно выстраивать доверие, показывать, что здесь слушают, дают обратную связь и поддерживают. Вот несколько моментов, которые помогут создать живое и активное сообщество.

1. Проводите кастдевы («глубинные» интервью) и исследования. Чтобы узнать потребности и желания студентов и выпускников — спросите их. Проводите опросы, формируйте портрет аудитории и ее удовлетворенность (тот же CSAT). Регулярно собирайте обратную связь, это поможет создать действительно востребованные контент и мероприятия.

2. Разработайте контент-план. В понедельник полезные карточки или подкаст, во вторник — тест, в среду мем, мои чуваки.

3. Инициируйте обсуждения. Сообщество — это безопасное пространство, в котором можно не только обмениваться полезными ссылками и помогать советами. Но еще делиться опытом, например, когда что-то не получается.

4. Дайте право голоса участникам. Важно не просто делать канал с новостями и полезными материалами от админа, а создавать горизонтальные связи между всей аудиторией, чтобы остальные чувствовали свою принадлежность, могли влиять на развитие сообщества и сами делиться чем-то.

Принципы сообщества

В Яндекс Практикуме сообщество строится на пяти китах принципах.

1. Забота. Цель сообщества — помогать друг другу становиться профессионалами. Общение должно быть структурированным и уважительным.

2. Открытость. Мы ценим всех выпускников и открыты к новым идеям и конструктивной критике.

3. Не бывает глупых вопросов. Каждый имеет право чего-то не знать, и сообщество нужно как раз для того, чтобы разобраться в сложных вещах.

4. Конструктивная коммуникация. Критикуешь — предлагай. Обсуждения и споры — это полезный инструмент, чтобы понять другую точку зрения и поделиться своей. В случае разногласий мы предлагаем решения, а не осуждаем.

5. Польза. Мы хотим, чтобы наше сообщество приносило пользу участникам.

Классные фишки комьюнити

Помимо вебинаров, воркшопов и дискуссий в Яндекс Практикуме для выпускников бесплатно проводят:

• Вебинары. Регулярные сессии помогают прокачивать навыки, знания и вместе с экспертами разбирать сложные вопросы.

• Random Coffee. Бот в телеграме подбирает случайного выпускника Яндекс Практикума для онлайн- или офлайн-встречи и новых знакомств (нетворкинг в деле).

• Мастермайнды. Групповые встречи для обсуждения профессиональных и личных целей, обмена идеями и поддержки.

• Встречи в баре, книжные клубы, игры. Неформальные мероприятия объединяют участников за пределами учебы и работы.

Создание сообщества — это длительный процесс, который мы сами выстраивали не один год. И сейчас мы пришли к тому, что каждый второй наш студент становится участником выпускного сообщества!

Оцените лично, как устроено комьюнити в Яндекс Практикуме: проходите бесплатный тест на профориентацию, выбирайте IT-направление, учитесь и общайтесь!

Разбираемся, в чем разница между аналитиком данных и бизнес-аналитиком, чтобы тем, кто решил связать свою работу с анализом, было проще выбрать подходящее направление.

Кто такой аналитик данных

Аналитик данных (дата-аналитик) — специалист, который собирает, обрабатывает, изучает, интерпретирует и визуализирует данные. Его основная задача — выделить из всего объема информации нужную, проанализировать ее и ответить на некий вопрос.

Например, руководству компании нужно узнать, случился ли в прошедшем году отток клиентов. Аналитик поднимает данные о продажах, сравнивает с результатами прошлых лет, приходит к выводам и визуализирует их в презентациях и графиках.

Такие специалисты нужны не только в бизнес-сфере. Они также участвуют в научных исследованиях, работают в государственных организациях с data driven — подходом, где данные используют, чтобы принимать ключевые решения.

Кто такой бизнес-аналитик

Бизнес-аналитики смотрят на компанию как на систему, в которой нужно выявить проблему и найти пути ее решения. Они изучают и описывают текущие процессы в компании, строят модели дальнейшего развития, прогнозируют результаты изменений.

Бизнес-аналитики редко работают в малом и среднем бизнесе — для них там маловато задач. Они нужны в крупных компаниях, где много сложных процессов, огромные ресурсы и большой штат сотрудников. Причем это не обязательно IT-компании. Бизнес-аналитики трудятся во многих отраслях: например в добывающей сфере, фармацевтике, финансовом секторе.

В чем разница

Аналитик данных и бизнес-аналитик используют в своей работе одну и ту же информацию. Разница в том, что обязанности дата-аналитика концентрируются вокруг самих данных. Они тесно работают с цифрами и делают выводы, опираясь в основном на их динамику.

Бизнес-аналитики меньше связаны непосредственно с данными. Они сосредоточены на удовлетворении потребностей бизнеса: поиске эффективных решений, чтобы компания работала без перебоев.

Скажем, аналитик данных собрал нужную информацию и выяснил, что отток клиентов за год и правда произошел. Далее к работе приступает уже бизнес-аналитик. Он изучит, что случилось за этот год: например, какие решения приняли и как они повлияли на интерес потребителей; насколько изменился продукт и что поменялось в работе сотрудников. В итоге бизнес-аналитик сделает вывод, почему случился отток клиентов, распишет рекомендации, как их вернуть и что сделать, чтобы в будущем такого не случалось.

Оба специалиста помогают компании принимать решения на основе данных, но роль у них совершенно разная. Как и необходимые навыки.

Что должен знать и уметь аналитик данных

• Разбираться в математике и статистике

Цифры — лучшие друзья дата-аналитика, ему важно разбираться в базовых вещах. Это тот самый специалист, которого не пугают такие страшные слова, как матанализ и теория вероятности. Подтянуть знания математики можно в нашем бесплатном онлайн-тренажере.

• Программировать

Считать все вручную нереально. Чтобы автоматизировать работу, аналитику нужны навыки в программировании, а именно языки Python и SQL.

• Визуализировать

Аналитику нужно не только сделать выводы из собранных данных, но и преподнести их так, чтобы остальные сотрудники и руководители все поняли. Сделать это непросто, ведь нужно переводить с языка математики на язык бизнеса. Для этого аналитику важно разбираться в системах интерактивной визуализации: например, Tableau.

• Работать с таблицами

Вторые по значимости друзья аналитика — таблицы Excel и Google Sheets. В них собирают данные, строят прогнозы, формируют отчеты.

• Понимать бизнес-процессы

Аналитик обязан понимать специфику бизнеса, в котором работает. Иначе он просто не сможет интерпретировать свои выводы так, чтобы они принесли пользу компании.

Хорошо, когда у дата-аналитика аналитический склад ума в купе с рациональностью. Его работу не назовешь творческой, она не терпит невнимательности и допущений. Усидчивый человек, который скрупулезно проверяет каждую цифру, — вот образ идеального аналитика данных.

Что должен знать и уметь бизнес-аналитик

• Работать с таблицами

Навыки Excel и Google Sheets необходимы и бизнес-аналитикам. В таблицах они обычно собирают данные, а для анализа составляют графики и диаграммы.

• Знать инструменты моделирования

Аналитику необходимо владеть решениями и языками, которые позволяют моделировать бизнес-процессы. Чаще всего нужны BPMN и UML.

• Владеть SQL

Язык поисковых запросов бизнес-аналитику важно знать хотя бы на базовом уровне.

• Общаться с людьми

В других IT-профессиях этот навык принято относить к дополнительным, но для бизнес-аналитика он — один из основных. Именно общение с руководством компании и сотрудниками позволяет разобраться в процессах, выявить проблемы.

• Отсеивать лишнее

Общаясь с людьми не технических специальностей, аналитик получает целую гору данных, которые очень часто к конкретной проблеме не относятся совсем. Такой специалист должен мыслить системно, чтобы отделить важное от второстепенного и вовсе бесполезного.

Бизнес-аналитику, как и аналитику данных, нужно быть внимательным, подходить к задачам рационально. Но в его работе значительно больше контакта с людьми, а не с цифрами. Поэтому ему стоит развивать эмпатию, уметь активно слушать, прокачивать эмоциональный интеллект.

Сколько зарабатывают дата- и бизнес-аналитики

В первой половине 2024 года средняя зарплата бизнес-аналитика в России составила 139 000 рублей в месяц. Зарплаты в этой специальности стартуют с 60 000 рублей — именно на такую сумму могут рассчитывать начинающие специалисты. Максимальные оклады для сеньоров и тимлидов достигают 270 000 рублей.

У аналитиков данных цифры еще более заманчивые. В среднем они получают в месяц 198 000 руб. Зарплатная вилка начинается от 70 000 рублей и доходит до 350 000.

Где и как долго учиться

Стать дата-аналитиком и бизнес-аналитиком реально меньше чем за год. Например, в Яндекс Практикуме студенты курса «Аналитик данных» учатся 7 месяцев: получают необходимые навыки, изучают инструменты и языки программирования, углубляют знания математики. При этом 75% программы — практика, которая пригодится на новой работе. Также мы добавили модуль по Yandex GPT, так как навыки работы с нейросетями сейчас особенно ценятся в IT.

На курсе «Бизнес-аналитик» вы освоите профессию за 7,5 месяцев. Узнаете, как правильно проводить интервью и описывать бизнес-процессы, работать с данными с помощью SQL, Excel, Google Sheets. Чтобы не было страшно учиться новому, студентов поддерживают практикующие бизнес-аналитики: проводят онлайн-консультации и дают оценку каждому проекту, чтобы студент быстро находил слабые места в своей работе и подтягивал нужные навыки.

Если вам интересны обе профессии и никак не получается выбрать, попробуйте обе. Для этого мы разработали бесплатные вводные части курсов, которые позволяют познакомиться со специальностью поближе и только после этого начать обучение.

Или пройдите другие наши бесплатные курсы, чтобы получить представление о сфере IT, определиться с направлением и подтянуть важные навыки.

Привычка — это программа действий, которые мы выполняем, не задумываясь. Мозгу лишь бы не напрягаться. Есть и минус: он не различает полезные и вредные привычки. Рассказываем, как заменить плохое на хорошее и, например, запустить привычку учиться

Из чего состоит петля привычки

Хорошие и плохие привычки закрепляются по одному принципу. Ученые Массачусетского технологического университета назвали его «петлей привычки». В состав волшебного рецепта входят:

• триггер — момент, запускающий алгоритм;

• привычное действие;

• награда — удовольствие, которое страстно хотим получить.

Как изменить привычку

Нужно найти у себя петлю привычки, сохранить триггер и награду, но изменить привычное действие. С привычным действием проблем нет — мы знаем, что делаем (или не делаем) не так.

Найти триггер сложнее, иногда он скрывается на уровне ощущений. Например, в крови снизился уровень глюкозы — ощущаться это будет как «хочу есть».

Еще тяжелее с наградой — чего мы сильно хотим и что мы получаем сразу после выполнения действия.

Вряд ли кто-то искренне хочет грызть ногти. За этой привычкой скрывается страстное желание физической стимуляции. Человек нервничает, испытывает стресс — запускается реакция «бей, беги или замри». Это не всегда нам доступно, поэтому приходится делать хоть что-то. В примере, который привел в своей книге Чарльз Дахигг, человек заменил привычку грызть ногти другим движением, менее разрушительным.

Мы сами не понимаем, чего хотим. Поэтому нужно проанализировать, ради чего мы делаем привычное действие. Например, каждый раз в обед вы идете с коллегами в кафе и съедаете кусок торта. Чтобы понять, зачем, составьте список возможных наград:

• чувство сытости; 

• желание сладкого;

• возможность пройтись; 

• возможность поболтать с коллегами;

• возможность посидеть в приятном месте.

Попробуйте заменить каждый вариант награды. Например, купите не торт, а бутерброд. Или вообще ничего не покупайте. Или сходите в кафе, но без коллег и так далее. Когда поймете, без какого элемента нет удовлетворения — значит, вы нашли награду.

Когда справитесь с одной привычкой, осваивать новые будет легче: и меньше залипать на Пикабу, и выучить Python. Приручайте мозг небольшими шагами — тогда все получится.