На AI-Triad я собираю не просто материалы по отдельным темам, а понятную траекторию обучения для тех, кто хочет прийти к реальной инженерной работе. Обычно путь в ИИ, программирование или embedded-разработку выглядит хаотично: человек читает статьи, смотрит курсы, пробует инструменты, но долго не понимает, что изучать дальше и как все это складывается в одну систему. Эта страница нужна как раз для того, чтобы такая система появилась.
Здесь нет идеи «выучить всё сразу». Гораздо полезнее двигаться слоями: сначала собрать базу, потом выбрать практический вектор, а затем закреплять знания через проекты. Именно так обычно и растут инженерные навыки — не через набор случайных тем, а через последовательную работу с инструментами, кодом, архитектурой и реальными ограничениями.
Как устроена карта
Обучение на сайте можно условно разделить на три уровня:
- Базовый слой — программирование, алгоритмическое мышление, работа с Linux, Git, структура приложений, основы работы с данными.
- Инженерный слой — C/C++, Python, взаимодействие с API, отладка, тестирование, работа с устройствами, системный подход к разработке.
- Прикладной слой — машинное обучение, компьютерное зрение, edge AI, embedded-системы, backend и интеграция компонентов в работающие решения.
Если вы только начинаете, не стоит сразу бросаться в сложные темы вроде нейросетей на устройствах или многослойной архитектуры сервисов. На практике почти всегда выясняется, что самые большие трудности возникают не в «сложной математике», а в базовых вещах: код неструктурирован, окружение не настроено, непонятно, как читать логи, как оформить проект, как передать данные между компонентами, как проверить результат.
С чего начать
Если у вас пока нет уверенной технической базы, начните с фундамента:
- Python — как основной язык для автоматизации, работы с данными, ML и быстрых инженерных прототипов.
- C/C++ — как основа для микроконтроллеров, низкоуровневой разработки и понимания того, как работает код ближе к железу.
- Linux — командная строка, файлы, процессы, сетевые утилиты, окружение разработчика.
- Git — контроль версий, ветки, история изменений, нормальная работа над проектом.
- Алгоритмы и структуры данных — не ради абстрактных задач, а ради мышления, оценки решений и чистого кода.
- Работа с данными — форматы файлов, парсинг, очистка, подготовка, базовая визуализация.
Это та база, без которой дальше будет постоянно не хватать опоры. Даже если цель — компьютерное зрение, нейросети или разработка под микроконтроллеры, все равно придется писать код, читать документацию, собирать проект, разбираться с зависимостями и отлаживать поведение системы.
Базовый маршрут
- Освоить синтаксис и базовые конструкции Python.
- Понять, как устроены функции, модули, файлы и структура небольшого проекта.
- Научиться работать в Linux-среде и из терминала.
- Освоить Git на уровне ежедневной практики.
- Разобраться с массивами, словарями, списками, стеком, очередью, хеш-таблицами, деревьями в прикладном контексте.
- Сделать несколько маленьких проектов: парсер, обработчик данных, консольную утилиту, простой API-клиент.
Дальше — выбрать основной трек
После базы имеет смысл двигаться не «во все стороны», а выбрать один из практических треков. Они пересекаются между собой, и это нормально. В реальной инженерной работе почти никогда не бывает чистой специализации без смежных знаний.
1. AI-разработка
Этот трек подойдет тем, кто хочет не просто читать про модели, а понимать, как они готовятся, обучаются, проверяются и встраиваются в приложения.
- Python для ML — NumPy, pandas, визуализация, работа с датасетами.
- Математическая база — линейная алгебра, вероятности, оптимизация в объеме, достаточном для понимания моделей.
- Машинное обучение — классификация, регрессия, переобучение, метрики, валидация.
- Нейронные сети — базовые архитектуры, обучение, инференс, практические ограничения.
- Компьютерное зрение — подготовка изображений, детекция, классификация, сегментация.
- Инженерия ML-проектов — пайплайны, воспроизводимость, хранение моделей, API для инференса.
- Edge AI — запуск моделей на ограниченных устройствах, оптимизация, latency, память, энергопотребление.
Хорошая цель внутри этого маршрута — не просто обучить модель в ноутбуке, а довести задачу до работающего решения: например, сделать сервис распознавания, модуль компьютерного зрения для камеры или inference на одноплатном устройстве.
2. Embedded-разработка
Этот трек для тех, кому интересны устройства, микроконтроллеры, интерфейсы, работа с периферией и код, который взаимодействует с реальным железом.
- C/C++ для embedded — память, указатели, структура программы, работа без лишних абстракций.
- Микроконтроллеры — GPIO, таймеры, UART, SPI, I2C, АЦП, прерывания.
- Отладка — чтение даташитов, анализ сигналов, логирование, поиск ошибок на стыке железа и кода.
- RTOS и основы систем реального времени — задачи, синхронизация, тайминги.
- Linux на встраиваемых устройствах — Raspberry Pi, Orange Pi, драйверный и пользовательский уровень, взаимодействие с периферией.
- Передача данных — протоколы, обмен с датчиками, сеть, сериализация.
- Интеграция с AI-компонентами — сбор данных, предобработка, передача в модель, запуск inference на устройстве или рядом с ним.
Практический результат этого трека — устройство или модуль, который не просто «мигает светодиодом», а решает прикладную задачу: собирает данные, управляет чем-то, общается с сервисом, запускает локальную обработку или работает как часть более крупной системы.
3. Backend и системная разработка для инженерных задач
Этот трек нужен тем, кто хочет строить серверную часть, API, обработчики данных и инфраструктурные компоненты, которые часто оказываются необходимыми и в AI-, и в embedded-проектах.
- Python backend — API, веб-фреймворки, обработка запросов, фоновая логика.
- Базы данных — SQL, хранение телеметрии, результатов моделей, конфигураций и событий.
- Интеграция сервисов — REST, очереди, обмен данными между устройствами, приложениями и моделями.
- Тестирование — юнит-тесты, интеграционные проверки, контроль качества кода.
- Архитектура приложений — разделение ответственности, сервисный слой, модульность, масштабирование.
- Наблюдаемость — логи, метрики, диагностика сбоев.
Этот маршрут особенно полезен тем, кто хочет собирать полные системы: устройство на краю сети, серверная логика, модель, интерфейс обмена данными и мониторинг работы всего решения.
Как связаны треки между собой
На практике они редко существуют отдельно. Например:
- embedded-разработчик часто использует Python для тестов, обработки данных и сервисных скриптов;
- AI-инженеру почти всегда нужен backend или хотя бы API, чтобы отдать модель в использование;
- разработчик серверной части в инженерных проектах сталкивается с телеметрией, потоками данных, устройствами и ограничениями реального мира;
- edge AI вообще находится на пересечении сразу нескольких направлений: модели, оптимизация, устройства, Linux, интерфейсы обмена и системная интеграция.
Поэтому карта обучения устроена не как жесткий коридор, а как система опорных маршрутов. Можно начать с одного направления и потом постепенно расширять область компетенций.
Рекомендуемая последовательность
- Этап 1. Основа — Python, Linux, Git, базовые алгоритмы, структура проектов.
- Этап 2. Второй язык и инженерная база — C/C++, работа с памятью, отладка, инструменты разработчика.
- Этап 3. Выбор специализации — AI, embedded или backend.
- Этап 4. Практические проекты — не учебные фрагменты, а законченные небольшие системы.
- Этап 5. Интеграция — соединение нескольких компонентов в одну рабочую архитектуру.
Какие проекты стоит делать
Если обучение не закрепляется в проектах, знания быстро остаются только «на уровне знакомых слов». Поэтому на каждом этапе лучше делать что-то свое, пусть даже небольшое.
- Для базового уровня — парсер логов, обработчик CSV/JSON, CLI-утилита, простой Telegram-бот, API-клиент.
- Для AI-трека — классификация изображений, сервис инференса, распознавание объектов с камеры, анализ временных рядов.
- Для embedded — система сбора данных с датчиков, управление исполнительным устройством, телеметрия на микроконтроллере, узел на Linux SBC.
- Для backend — API для устройств, сервис приема и хранения данных, панель мониторинга, очередь обработки задач.
- Для интеграции — устройство собирает данные, сервер их принимает, модель анализирует, результат возвращается в систему управления.
Как читать материалы на сайте
Материалы на AI-Triad можно использовать по-разному:
- как последовательный учебный маршрут, если вы идете с нуля;
- как карту пробелов, если уже работаете в одной области, но хотите укрепить соседние навыки;
- как справочную базу для проектной работы, когда нужно быстро разобраться в конкретной технологии или инженерном подходе.
Я стараюсь писать так, чтобы тема не отрывалась от практики. Если речь идет о языке программирования — важно, где и зачем он реально применяется. Если о машинном обучении — важно, как модель живет вне ноутбука. Если об embedded — важно, как код, железо, обмен данными и ограничения ресурсов влияют друг на друга.
Если вы не знаете, какой маршрут выбрать
Это нормальная ситуация. В таком случае я бы рекомендовал начать с универсального набора:
- Python
- Linux
- Git
- структуры данных и базовая алгоритмика
- работа с API и файлами данных
- один небольшой проект
После этого обычно становится понятнее, что ближе именно вам: больше тянет к моделям и анализу данных, к устройствам и низкому уровню, или к архитектуре сервисов и сборке системы целиком.
Принцип, на котором построена эта карта
Хорошее инженерное обучение — это не гонка за количеством тем. Это движение от понимания к применению. Лучше уверенно собрать один рабочий проект, чем поверхностно просмотреть десять модных направлений и не уметь соединить их между собой.
Поэтому основная идея AI-Triad простая: изучать технологии так, чтобы из них можно было собирать реальные решения. Код, модели, устройства, данные, интерфейсы и архитектура — это не отдельные острова, а части одной инженерной практики.
Если вы идете по этой карте постепенно, с проектами и нормальной технической дисциплиной, результат обычно получается гораздо устойчивее, чем от попытки «быстро войти в профессию» по разрозненным материалам.
Что дальше
Дальше можно переходить в нужный раздел сайта и двигаться по выбранному треку. Если вы только начинаете, начните с базы. Если уже работаете с кодом — укрепляйте соседние направления. Если собираете собственные проекты — используйте материалы как опору для следующего шага.
Эта карта будет развиваться вместе с сайтом: по мере появления новых разборов, руководств, курсов и проектных материалов маршруты станут детальнее. Но общий принцип останется тем же: от фундаментальных навыков к инженерной практике и к созданию систем, которые действительно работают.