С матмеха Уральского университета — в мировой бигтех, а затем в стартап с амбициями на миллиард. Путь выпускника Школы анализа данных Макса Шапошникова похож на учебник по карьерной эволюции в ML. Он совмещал магистратуру, ШАД и фултайм-работу, запускал голосовые модели для Alexa, а сегодня строит инструменты для «умной» кодогенерации. Рассказываем об этом!
19 декабря 2025Уже в школе я знал, что хочу быть программистом, просто не представлял, каким именно. На младших курсах университета нас учили в основном матанализу и алгоритмам, и долгое время я думал о классической разработке — веб, мобильные приложения, микросервисы, в целом бэкенд. Но мне не нравилось, как выглядит рабочий процесс в компаниях: долгие обсуждения фич, ревью, медленный цикл интеграции. Хотелось больше экспериментов и математики. В 2017 году машинное обучение стало мейнстримом: появлялись курсы по компьютерному зрению, по обработке естественного языка.
Меня зацепило, что ML объединяет и программирование, и прикладную вычислительную математику — это давало ощущение настоящего исследования. Я стал искать бесплатные онлайн-курсы, в том числе от Яндекса, и проходил стажировки в ML-отделах компаний.
Я знал про Школу анализа данных с младших курсов и понимал, что это одно из немногих мест, где можно системно изучать машинное обучение. Но совмещать ШАД с бакалавриатом казалось нереальным. Поэтому в 2019 году, сразу после выпуска с матмеха УрФУ, я поступил в екатеринбургский филиал ШАДа и параллельно начал магистратуру. Год жил в режиме тройной нагрузки: магистратура, ШАД и фултайм-работа в лаборатории машинного обучения Альфа-Банка.
А еще помогал драйв от того, что учёба идеально совпадала с моими интересами: курсы были практичными и глубоко проработанными, а работа давала возможность сразу применять знания.
В УрФУ я сдавал госэкзамены — матанализ, линейную алгебру, теорию вероятностей — поэтому перед онлайн-вступительными в ШАД оставалось только освежить знания. На очном этапе в ШАД я решил пару задач и прошёл короткое интервью. Тогда я работал в Т-Банке и экзаменаторам честно сказал, что готов уйти с работы ради учёбы — думаю, это сыграло роль.
Сейчас, как мне кажется, попасть в ШАД стало труднее. Задачи стали более многоходовыми. Появилось онлайн-интервью, где нужно сразу рассуждать и писать решение, без привычного запаса времени. Кажется, свой отпечаток накладывает ИИ: организаторам важно понимать, что задачи решает абитуриент, а не чат-бот, поэтому и сложность выросла.
Это было приключение. Больше всего я ждал курс «Алгоритмы и структуры данных» и дискретную математику у профессора Райгородского. Учёба в ШАДе оказалась жёсткой, и в первом полугодии пришлось «попотеть».
Когда начались курсы по машинному обучению, всё встало на свои места. Я особенно тогда увлёкся соревнованиями в Kaggle внутри ШАДа: это давало ощущение постоянного соревнования. И ещё понимание, что я решаю практические задачи и иногда получается сделать это лучше других. А курсы по NLP и Deep Learning окончательно убедили меня, что машинное обучение — моё направление.
А ещё расставлять приоритеты. Я пересмотрел своё отношение к учебе — если бы мог отмотать время назад, то выжал бы максимум на курсах, которые для меня действительно важны, а не пытался закрывать всё и сразу из-за «синдрома отличника».
Пока учился в вузе, мне так и не удалось пройти ни одной международной стажировки — однажды я даже получил оффер в Швейцарии, но программу свернули из-за пандемии. Поэтому я решил поискать полноценные вакансии. Со мной связался менеджер из лондонского офиса Amazon. Его команда занималась технологиями text-to-speech — синтезом речи для Alexa и сервиса аудиокниг. Эта тема сразу зацепила: тогда казалось невероятным, что модель в реальном времени может превращать текст в голос с нужным тембром и интонацией. Решиться на переезд было непросто: в Альфа-Банке я уже чувствовал себя уверенно, но желание выйти из зоны комфорта и поработать за рубежом перевесило.
В Великобританию я переехал в 2022 году. Лондон был логичным выбором: здесь сосредоточены европейские офисы почти всех мировых бигтехов, есть сильное IT-комьюнити и много тех, кто говорит на русском. Но первые месяцы были непростыми: нужно было одновременно проходить испытательный срок, разбираться с бытовыми вопросами и привыкать к новой корпоративной культуре.
В Amazon я пришёл как ML-инженер, наша команда обеспечивала стабильную работу моделей на огромных масштабах: от миллионов до сотен миллионов пользователей. Нужно было решать серьёзные инженерные задачи: ускорение инференса, оптимизация кода на C++, работа с архитектурами, которые должны быть надёжными в продакшне.
Самая интересная задача, с которой удалось поработать, — это zero-shot или few-shot voice cloning, когда система может воспроизвести любой голос по короткой записи, сохраняя тембр и интонацию. Мы довели модель от идеи до релиза, и она стала частью экосистемы Alexa и сервиса аудиокниг. Я проработал в Amazon почти четыре года.
Этот переход потребовал множества формальностей, отзывов и согласований, но он всё же состоялся, и я получил возможность заниматься исследованиями внутри корпорации.
Но со временем я понял, что хочу сменить не задачи, а саму среду — культуру, темп и масштаб компании. После нескольких лет в крупной структуре захотелось попробовать себя в молодой и динамичной среде, где решения принимаются за недели, а не за месяцы. Стартап, работающий с AI-агентами — одной из самых горячих тем 2025 года, — оказался отличным шансом нырнуть в этот мир рискованных идей и экспериментов.
В стартапе Tessl — он пока не на слуху, но за ним стоит основатель, который уже запустил одного «единорога» (который оценили в восемь миллиардов долларов) и продал долю. На новую компанию он привлёк для ранней стадии раунд в 125 миллионов — такое очень редко бывает. Это и стало для меня причиной рискнуть: если проект так высоко оценивают, то у него есть потенциал.
Сейчас многие крупные IT-компании предлагают своих ИИ-агентов, которые делают программы по описанию, но результат часто оставляет желать лучшего: код получается разрозненным и непригодным для масштабирования. Наша идея — добавить «прослойку» из подробных спецификаций: код создаётся по документации, которая обновляется вместе с проектом, так что он остаётся профессиональным и удобным для командной работы.
Сегодня ИИ-агенты — отличные ассистенты, но полноценно они не могут заменить разработчика. Модели часто путаются в сложных функциях, «выдумывают» зависимости, с трудом работают с языками вроде C++, Rust или Go. Человеку по-прежнему нужно задавать контекст и направлять процесс. Мы же хотим создать инструмент, который помогает сохранить человеческое видение проекта: чтобы ИИ развивался вместе с кодом, а не в отрыве от реальности.
Совсем не поздно: в ML полно нерешённых задач, так что вход открыт. Даже если вокруг уже есть мощные модели вроде ChatGPT, важно уметь писать код самому: знать основы алгоритмов, языки программирования, математику. Это база, без которой никуда.
Я бы посоветовал как можно раньше попробовать себя в науке и open source. Найдите научного руководителя, с которым можно проверять гипотезы и делать маленькие, но настоящие исследования — от поиска уязвимостей в моделях до новых методов работы с данными. Параллельно пробуйте контрибьютить в крупные библиотеки вроде Hugging Face. Это отличная школа и сильное портфолио, даже если пока нет фултайм-работы.
А ещё уделяйте внимание английскому и коммуникации.
Хороший язык и «мягкие» навыки часто решают, услышат ли вашу идею и дадут ли зелёный свет её реализации.
Если цель — работать в продуктовой ML-команде и быстро набрать сильную математику и прикладные навыки, то ШАД даёт отличную базу, уникальное профессиональное сообщество и сильную строчку в резюме.
Если с самого начала хочется заниматься фундаментальными исследованиями уровня OpenAI или Anthropic, стоит подумать про дополнительную учёбу и проекты — например, искать научного руководителя, участвовать в исследовательских коллаборациях, публиковаться, развивать собственные идеи за рамками стандартной программы. В Екатеринбурге у меня такой возможности не было, но на других программах ШАДа в ВШЭ и МФТИ с этим дела обстоят лучше.
Другая важная мечта — стать наставником: помогать молодым исследователям разбираться в сложных вещах, делиться опытом и видеть, как они идут дальше и делают больше, чем когда-то смог я.
А ещё, надеюсь, когда-нибудь у меня появится идея, в которую я поверю на сто процентов, и тогда я примерю на себя роль фаундера.
