Сколько людей вы знаете, которые говорят: — Я работаю уже десять лет, но понимаю, что это вообще не моё.
Это происходит постоянно. Человек учится в бакалавриате, устраивается на первую работу, несколько лет работает, понимает, что не нравится, пробует другое место, потом ещё одно… И только к 35-40 годам начинает осознавать, что ему действительно интересно.
Проблема в том, что мир меняется слишком быстро, чтобы позволить себе такой долгий процесс поиска.
Но что, если можно сжать этот путь до двух лет?
Почему магистратура — идеальное место для экспериментов
Привет! Я Дима Ботов, я руковожу магистратурой по искусственному интеллекту в ИТМО. Два года назад я рассказывал на Хабре, как мы шли к созданию «другой» онлайн-магистратуры: про личное непринятие классических подходов, «прототипы» курсов на Урале и магу как стартап с инновационным подходом.
Сейчас мне стало интересно порассуждать на тему призвания и как высшее образование может помочь его найти. В классической магистратуре ты выбираешь научного руководителя, тему, и два года занимаешься одной и той же задачей.
В результате возможны два сценария:
Ты угадал с направлением — отлично, но это бывает редко.
Ты ошибся и потратил два года впустую.
Мы пошли другим путём. У нас студенты могут каждый семестр менять проект и роль.
Кто-то остаётся в одном проекте, если понимает, что хочет его развивать.
Кто-то пробует новую сферу, если чувствует, что прошлый выбор был не совсем удачным.
В идеале за два года студент может протестировать 2–3 роли, поработать с 3–4 разными компаниями, партнёрами, менторами.
Фокус на проектной работе
Ключевая идея проектного подхода в магистратуре заключается в том, что основная учебная деятельность студента — это именно работа над проектом. Другого пути нет. Только смотреть лекции, делать лабораторные или домашние задания недостаточно — такая система не работает.
Поэтому при формировании образовательной траектории студент выбирает проект — это первое, с чего вообще нужно начать. Мы это делаем через буткемп: в первые две недели ребята работают в режиме хакатона над проектами. Важный анонс ⬇
Следующий хакатон пройдет с 2 по 13 сентября онлайн, а также офлайн в Москве и Санкт-Петербурге. Темой станет применение AI в образовании, а генеральным партнером выступает Яндекс Образование. Регистрация открыта для всех — следите за анонсами в наших каналах!
Проектная работа предполагает решение новой задачи для студента. Если он берёт типовую задачу, которую уже умеет решать, развития не будет. Важно выбирать проект, в котором есть вызов, проблемы, с которыми ранее не приходилось сталкиваться.
Система треков
Второй важный выбор — в каком треке развиваться. Это не только про проекты, но и про критерии успеха. Треки в нашей магистратуре отличаются жизненным циклом проекта, пулом менторов и спецификой партнёров:
Индустриальный трек — это самый популярный трек у нас, на нём учатся 60-70% студентов. Здесь всё понятно: бизнес приходит с запросом на конкретную задачу, студент работает над его решением. Этот трек особенно подходит для тех, кто хочет видеть, как их работа внедряется в уже существующий продукт.
Научный трек подходит для тех, кому важно глубоко разобраться в фундаментальных вопросах и кто хочет поработать с международными исследовательскими лабораториями.
Стартап-трек — создание продукта для рынка, выход на первые продажи. Если хочется проверить гипотезы, создать что-то своё, вывести продукт на рынок и собрать инвестиции.
Образовательный (EdTech) трек — разработка курсов, симуляторов, тренажёров, применение ИИ в образовании. Этот вараинт для тех, если интересно разрабатывать новые форматы обучения и хочется сделать технологии доступными для широкой аудитории.
Каждый трек имеет свои критерии успеха. Например, успешность научного проекта определяется публикацией в топовых конференциях, индустриального — его внедрением у заказчика, реальный экономический эффект, в стартап-треке — первые платящие клиенты, а не просто гранты, а в образовании — сколько людей реально воспользовались решением.
Важно, что студенты могут менять треки. Это не жёсткая система — в идеале студент пробует разные направления каждый семестр. Чем больше студент пробует нового, тем быстрее растёт. Мы развиваемся, когда решаем новые задачи, а не когда выполняем привычные действия сотни раз подряд.
Роли: кем можно себя попробовать
Чтобы дать студентам максимальную вариативность, мы выделили четыре ключевые роли, которые перекрывают весь цикл работы с данными и AI-продуктами:
1. ML-инженер
Разрабатывает модели машинного обучения.
Оптимизирует их, подготавливает к продакшену.
Работает с MLOps.
2. Дата-инженер
Строит инфраструктуру для работы с данными.
Автоматизирует сбор, обработку и хранение данных.
3. Дата-аналитик
Извлекает инсайты из данных.
Работает с визуализацией и помогает бизнесу принимать решения.
4. AI-продуктовый разработчик
Проверяет продуктовые гипотезы.
Думает о конечном пользователе.
Соединяет AI и бизнес-логику.
Также можно совмещать свою роль с обязанностями проджект-менеджера, так как у нас нет внешних проджектов — студенты сами управляют своими проектами. Научный руководитель или ментор не выполняют функции проджекта: кто-то из команды берёт на себя эту ответственность.
Почему выборность курсов имеет значение
Вместо фиксированной программы у нас все курсы — выборные. Есть фундаментальные курсы (математика для машинного обучения, алгоритмы, структуры данных), прикладные курсы по технологиям, управленческие дисциплины, курсы по продуктовому мышлению и софт-скиллам.
Ключевой принцип здесь — помочь студенту сформировать траекторию так, чтобы выбранные курсы усиливали его проект. Чтобы каждую из дисциплин человек применил в своём проекте.
А ещё важно, что когда студент выбирает курсы сам, то он попадает в группу таких же людей, которые осознанно сделали этот выбор. У таких студентов схожие карьерные цели, и в этом окружении они растут быстрее: они оказываются в сообществе с будущими коллегами, партнёрами и сооснователями стартапов.
Гибкость и возможность смены направлений
Наша магистратура предоставляет возможность попробовать себя в различных ролях и треках, что помогает им найти своё призвание. Часто студенты приходят с одними ожиданиями, но в процессе понимают, что их настоящие интересы лежат в другой области.
Допустим, студент на первом курсе выбирает научный трек. Делает исследование, пишет статью, но понимает, что фундаментальная наука — не его путь. На втором курсе он переходит в индустриальный трек, начинает работать с бизнесовыми задачами, адаптирует свои знания под реальные кейсы. В итоге он выходит из магистратуры не с догадками, а с чётким пониманием: «Я попробовал ресёрч — не моё. Попробовал индустрию — вот здесь мне интересно». Это реальная история, и таких много.
Система треков существует уже два года, и со временем она стала более чёткой. Это не принципиально новая концепция — в ВКР уже были альтернативные форматы защиты, например, научная статья или бизнес-тезис. Мы просто сделали треки сквозными, пронизывающими всю магистратуру с первого семестра.
Почему это лучше, чем традиционная модель
Большинство людей ищут своё призвание годами.
Пробуют одну компанию, потом другую.
Тратят годы на осознание, чего они хотят.
Мы даём возможность этот опыт прожить в рамках университета, перевернув классическую образовательную модель: не начинаем с теории, а сразу погружаем студентов в практику. Ведь это как спортзал: можно сколько угодно смотреть видео, но без реальных тренировок результата не будет.
В итоге студент выходит из магистратуры не просто с дипломом, а с чётким пониманием своей роли в индустрии, мощным портфолио реальных проектов, а ещё и в окружении сильного комьюнити.
А это уже совсем другой уровень старта. Так зачем тратить десять лет, если можно два?