В России активно развивается программа найма стажёров — студентов старших курсов — в ИТ-компании, однако обе стороны этого процесса регулярно сталкиваются с трудностями. Стажёры не понимают отраслевой специфики и особенностей реальных решений, а бизнесу часто некогда заниматься их обучением. В результате человек после пяти-шести лет в вузе осознаёт, что индустрия ИТ и ИИ ушла далеко вперёд, и он к ней не готов. Ситуация усугубляется тем, что технологии ИИ обновляются быстрее, чем учебные планы, а преподаватели не всегда имеют доступ к актуальным промышленным решениям. Именно поэтому бизнес всё чаще берёт инициативу в свои руки, предлагая вузам свои инструменты. Компания Т1 решила сократить этот разрыв, предоставив вузам доступ к своей промышленной платформе «Сайбокс» в облаке, и первым таким партнёром стал Рязанский государственный радиотехнический университет.

Ключевые результаты пилотного проекта уже озвучены: 160 студентов РГРТУ прошли на «Сайбоксе» обучение по программе ТОП ИИ, а затем состоялся кейс-чемпионат «ТехноВайб РГРТУ × Т1» по созданию ИИ-агентов. В соревновании приняли участие 36 команд, перед которыми стояла задача за 100 минут спроектировать агента, решающего реальную проблему университетской экосистемы. На выбор предлагались такие треки, как детектор ИИ-текста, анализ научных статей, фактчекер новостей, цифровой помощник старосты и универсальный вузовский ассистент. Для многих участников это был первый опыт командной работы над ИИ-продуктом с ограничением по времени, приближенный к реальным условиям хакатонов и спринтов, где нужно быстро принимать решения и распределять роли. По итогам чемпионата студенты получили не отчёт для галочки, а готовые прототипы, которые можно показать на собеседовании, и обратную связь от практикующих специалистов.

«Сайбокс» изначально создавался как промышленное решение, а не учебная версия: платформу используют нефтяные компании, банки из топ-20, газодобывающие предприятия и многие другие организации. Именно такой инструмент, по замыслу авторов инициативы, студент встретит на первом рабочем месте, что и делает платформу промышленным стандартом. Система покрывает полный цикл создания ИИ-приложения: подготовку проекта, разметку данных, обучение модели, управление экспериментами, развёртывание, инференс и мониторинг готового решения. Всего насчитывается 11 этапов — столько же шагов в реальном MLOps-процессе. Важно, что это не урезанная демо-версия, а полнофункциональная среда, включающая все этапы жизненного цикла модели, с которыми инженеры сталкиваются в ежедневной работе. Доступ вуз получает через облако, поскольку собственной готовой инфраструктуры у учебных заведений, как правило, нет; облачная модель снимает барьер входа и избавляет университеты от необходимости закупать серверы и поддерживать сложную ИТ-инфраструктуру.

Разрыв между образованием и индустрией объясняется тем, как построена классическая программа по ИИ и машинному обучению. Обычный путь выглядит так: математика, алгоритмы, Python, несколько учебных задач на Kaggle или в Jupyter Notebook, а затем диплом. Всё это полезно, но недостаточно для реальной работы, где важны отраслевая привязка, работа с промышленными системами и понимание жизненного цикла продукта. В реальной работе специалисту приходится иметь дело с неразмеченными или зашумлёнными данными, отслеживать версии экспериментов, разворачивать модели в продакшн и обеспечивать их бесперебойную работу. Выпускники получают навыки, не соответствующие будущим условиям труда, и компаниям приходится тратить около полугода на адаптацию новичка. Вузы хотят соответствовать рынку, но не всегда знают, как это сделать, и именно здесь появляется пространство для партнёрства с бизнесом.

Инициатива Т1 опирается на государственную политику в сфере образования и искусственного интеллекта. Автор материала ранее работала в Минобрнауки России и отвечала за реализацию стратегии по ИИ, включая создание условий для подготовки топ-специалистов. Совместно с Аналитическим центром Правительства РФ, бизнес-сообществом и ведущими исследовательскими центрами формировались те подходы, которые сейчас находят практическое воплощение, в том числе в программах Минцифры России. Технологии уже достигли достаточной зрелости, чтобы интегрировать их в образование без потери качества, а студенты сами требуют практики, понимая, что работа в промышленной системе отличается от ноутбука с Jupyter Notebook. Дефицит отраслевых ИИ-специалистов в России остаётся текущей реальностью, и компании готовы нанимать, но не готовы ждать полгода адаптации. Для государства такие партнёрства — способ выполнить стратегические задачи по подготовке кадров для цифровой экономики, не создавая с нуля дорогостоящие образовательные полигоны.

Ключевая идея проекта заключается в том, что студент должен пройти весь путь создания ИИ-приложения точно так же, как это происходит в реальной компании. Это принципиально отличает «Сайбокс» от учебных сред «для галочки»: перед учащимся оказывается не упрощённый тренажёр, а действующий инструмент, который используют крупнейшие игроки рынка. Именно такому промышленному стандарту почти не учат в вузах, но причина не в нежелании преподавателей, а в отсутствии доступного инструмента, который можно принести прямо в аудиторию. Предоставление доступа через облако решает эту инфраструктурную проблему, открывая перед вузами новые возможности, включая региональные университеты, которые раньше не имели доступа к инструментам такого уровня. Для бизнеса такое партнёрство означает сокращение времени на доучивание стажёров и получение специалистов, которые уже понимают реальный MLOps-процесс, а также формирование кадрового резерва, готового к работе в промышленной среде.

Во время чемпионата студенты последовательно примеряли на себя роли, с которыми столкнутся в работе: ИИ-архитектора или промпт-инженера, разработчика решений и UX-диалогов, а на защите — продакт-менеджера. Они формулировали контекст и системный промпт, тестировали агентов на реальных студенческих запросах, докручивали тональность ответов и оформляли результаты в виде пакета диалогов, скринкаста и метрик точности. Жюри оценивало архитектуру и логику агента, источники, к которым он обращается, инициативность и способность команды провести короткую презентацию, «попадая в потребности». В итоге участники получили работающий прототип с документацией и обратную связь от действующих ML-архитекторов. Дальнейшее развитие проекта будет зависеть от того, удастся ли масштабировать такую модель партнёрства на другие университеты и насколько быстро она сможет стать массовым инструментом подготовки кадров для ИИ-индустрии. Остаётся также открытым вопрос об оценке эффективности: смогут ли выпускники, прошедшие такое обучение, быстрее адаптироваться и показывать более высокие результаты в работе по сравнению с теми, кто учился по классической программе.