Как я в 32 года поступил в онлайн-магистратуру ВШЭ по раннему приглашению

Рассказываю, как гуманитарий с бэкграундом в лингвистике зашел в Data Science и разработку ИИ, зачем мне это было нужно и что стоит учесть тем, кто хочет пройти отбор заранее.

По первому образованию я лингвист. Пять лет специалитета, творческая среда в семье, начальное актерское образование, мама — искусствовед. В школе мне хорошо давались языки, выступления, тексты. В университете я редактировал научные работы, помогал с публикациями. В общем, делал все то, что полагается гуманитарию.

Но параллельно с этим у меня всегда был второй интерес — компьютеры. С детства с легкостью производил настройку ПО и переустановку. Мне не составляло труда даже залезть в незнакомые мне файлы непонятной программы, «на ощупь» исправить параметры. Ближе к осознанному возрасту я даже начал погружаться в html и CSS (копаясь в популярных конструкторах сайтов конца нулевых), меняя некоторые объекты кода и получая нужный результат влияющий на интерфейс.

Я всерьез думал о программировании или системном администрировании, но не пошел туда. Причина простая и довольно банальная: неуверенность в себе и устойчивый миф о «гуманитарном складе ума». В моем окружении не было ни одного программиста или математика. Были творческие люди, для которых технические специальности казались чем-то «не нашим». У меня всегда было два пути: первый — легкий, по которому я и пошел, и второй — трудный, куда я не рискнул вступить, хотя у меня было много шансов и умений это осилить.

Однако к середине третьего курса лингвистики стало ясно, что работать по специальности я не буду. В преподавание не верил, переводчиком себя не видел, хотя были реальные возможности — вплоть до собеседования в Министерство иностранных дел. Но диплом нужно было получить, хоть я и понимал, что мне придется осваивать что-то новое и кардинально отличающееся, чтобы реализовать свои амбиции.

После выпуска я сменил несколько сфер: техподдержка оператора связи, монтаж вентиляции, работа в ассистирующей компании, организующей медицинскую помощь по всему миру.

Позже я пришел в финтех, в компанию, предоставляющую брокерские услуги на финансовых рынках. Это уже был технический контекст. Но фундаментальной базы не было. Я начал потихоньку терять приобретенные в университете навыки и умения и осваивать новые, странные и необычные для себя. В этот момент я понял, что окончательно не стану тем, на кого я учился, и хочу сменить образ мышления, а, соответственно, и профессию.

Кстати, я до сих пор работаю в этой компании, и сейчас моя должность звучит так: Senior Dealer (Technical Integration Specialist & Risk Manager). В мои обязанности входит технический и финансовый риск-менеджмент, анализ торговых операций, настройка и сопровождение торговых серверов, работа с поставщиками ликвидности, анализ логов (включая FIX API), внедрение автоматизации и no-code/low-code решений, AI-ассистированное программирование сервисов и ботов, обучение сотрудников.

С 2023 года я начал интересоваться ИИ, когда наткнулся на новость о ChatGPT. Сначала отнесся скептически, но довольно быстро понял, что это не просто удобный инструмент для работы с текстом. В 2024 году у меня поменялись обязанности на работе, выросла нагрузка, задачи стали сложнее. Я начал использовать LLM для ускорения процессов — написания документации, подготовки скриптов. В течение полугода мне удалось автоматизировать около 70% своей рутинной работы с помощью python-скриптов и ботов.

Однако далее начал осознавать, что только нейросетей мне не хватит, чтобы поддерживать и улучшать весь этот воркфлоу на текущей работе. Я вайб-кодил, но меня раздражало и в некоторой степени злило, что, даже если я читаю какие-то обрывки кода и где-то могу понять их, все равно не разбираюсь в фундаментальных законах этой области. С этого момента я начал искать пути, как «легализовать или задокументировать» свои знания и навыки и разбираться в ИИ системно.

Начал постепенно смотреть варианты специальностей и осознал, что хочу сменить профессию на Data Science. При этом меня привлекла не сама профессия «дата-сайентиста», а сфера данных как таковая, которая связывает аналитику, инженерию и науку, то есть инфраструктуру, на которой строится разработка ИИ.

Я рассматривал разные онлайн-форматы: университетские курсы, курсы от платформ. Но постепенно стало понятно, что короткие варианты дают инструмент, а не систему, а мне нужна была академическая база: математика, теория вероятностей, алгоритмы, структурное мышление. Плюс формальный диплом, который фиксирует квалификацию и позволяет говорить о профессиональной траектории без оговорок. Поэтому начал присматриваться к онлайн-магистратурам.

Я изучал несколько вариантов: «Обработка естественного языка NLP в лингвистике и IT» в ТГУ и «Прикладной анализ данных и Машинное обучение» НИЯУ МИФИ. В итоге остановился на магистратуре «Прикладные нейросетевые технологии» (ex Магистр по наукам о данных) в онлайн-кампусе НИУ ВШЭ.

О раннем приглашении я узнал от супруги, она тоже готовилась к поступлению, но на «Искусственный интеллект». Оказалось, что моя программа участвует в раннем приглашении, по нему я и поступал. Формально — это предварительный отбор до основной приемной кампании. Университет оценивает кандидата заранее: тест, портфолио, собеседование. Я бы сказал, что это как предварительное «да» — ты сразу понимаешь, что у тебя есть место, и меньше переживаешь летом, когда все бегут сдавать документы. Для меня это было не про «поступить быстрее», а про управление риском.

Я поступал спустя 14 лет после школы, с гуманитарным дипломом и не самым сильным математическим бэкграундом. Оценивать свои шансы в июле, когда уже нет времени что-то изменить, — стратегия сомнительная. Ранний отбор давал две вещи:

• Честную диагностику уровня;
• Запас времени, если результат окажется ниже ожиданий.

Если бы я не прошел, у меня оставалось бы несколько месяцев, чтобы подтянуть слабые места и подать документы в основную волну или попробовать поступить куда-то еще.

Самым сложным показалась подготовка к математической составляющей вступительной программы. Мне пришлось готовиться самому, без чьей-либо помощи. Ко всему прочему я не был знаком с прокторингом и волновался.

Как я говорил, самый уязвимый участок — это математика, поэтому я прошел ускоренный курс школьной программы, на это ушло около трех месяцев. Почти все свободное время после работы я посвящал повторению: функции, производные, пределы, базовая комбинаторика, вероятность. Пока гулял с собакой по утрам и вечерам, слушал подкаст «Машинное обучение от неспециалиста для неспециалистов», кстати, всем рекомендую. Это помогало сохранять мотивацию.

Что не сработало:

• чтение громоздких книг по python, машинному обучению и другим дисциплинам — никому не советую в начале этого делать, это лишь перегружает неподготовленный ум;
• попытка «объять необъятное» — например, начинать программировать параллельно с подготовкой к поступлению, пытаться вайб-кодить. Все это создает ощущение «самоуверенности и фиктивной подготовленности»;
• советы «бывалых» знатоков индустрии — они применимы только контексте пережитого опыта.

На старте кажется, что если код запускается, то значит, что вы готовы. Это ложное ощущение. На экзамене и во время учебы быстро выясняется, что понимание принципов важнее способности вызвать библиотеку.

Что действительно сработало:

• системность: ежедневные занятия, даже по часу;
• приоритизация: сначала база, потом все остальное;
• фокус на понимании, а не на объеме для галочки.

Минимальный порог для участия в конкурсе на программу составлял 40 баллов. Я набрал 74. Для меня это было подтверждением, что я двигаюсь в правильном направлении. Чтобы получить максимум баллов, нужно было сдать тест по математике на 30, а остальные 70 взять за портфолио с мотивационным письмом и собеседование.

В портфолио я включил все, что подтверждало мой интерес к сфере данных и ИИ:

• сертификат по торговым платформам;
• сертификат по курсу «Цифровая грамотность: базовый курс»;
• подтверждение участия в лекториях по компьютерным наукам;
• сертификат слушателя конференции по NLP;
• сертификат об окончании онлайн-специализации «AI Foundations for Everyone» от платформы Coursera;
• сертификат о прохождении онлайн-лектория по компьютерным наукам.

Мотивационное письмо я писал без попытки выглядеть идеальным кандидатом. Я прямо обозначил гуманитарный бэкграунд, описал путь в финтех, опыт автоматизации 70% рабочих процессов через Python и LLM, и честно сказал, что мне не хватает фундаментальной базы. Я не пытался скрывать слабые стороны, а объяснял, что уже делаю, что умею и зачем мне академическое образование.

Кстати, приложу ссылку на свою мотивационное письмо, возможно, кому-то оно поможет понять структуру такого документа.

По сути, оно должно отвечать на 3 вопроса:

• Где вы сейчас?
• Куда хотите прийти?
• Почему именно эта программа — логичный шаг между пунктом 1 и 2?

Подготовка всего необходимого для поступления: военный билет, диплом, паспорт, регистрация по месту жительства, заявление о допуске к конкурсу на поступление, портфолио, мотивационное письмо, — заняла около недели.

После подачи документов я сомневался до последнего. Постоянно проверял списки, читал все сообщения в каналах и чатах, открывал сайт программы. Мне казалось, что я не до конца готов. Но желание исполнить давнюю мечту и закрыть уже наконец-таки мой гештальт из детства пересилили страхи в итоге.

Обучение стоит чуть меньше миллиона рублей за два года. Я оформил образовательный кредит. Я воспринимаю это не как «потратил деньги», а как инвестицию в траекторию. В моей логике образование — это актив, который нельзя отобрать, обесценить или потерять при смене работы.
Конечно, это финансовая нагрузка. Пришлось отказаться от части развлечений, сократить спонтанные траты, планировать отпуск под сессии.

К тому же обучение требует времени, но если распределить два года на среднюю продолжительность жизни, это около 2-3%. Для меня это разумная доля. В целом у меня уходит 30-35 часов в неделю. После работы — 10 минут до дома, подключение к лекции. На парах я не конспектирую. Сначала слушаю, участвую в обсуждении, стараюсь уловить логику. Потом пересматриваю запись и делаю структурированные заметки. Далее домашние задания: немного математики, немного кода. Я стараюсь не оставлять задачи на последний день. В программе много самостоятельной работы, например, более 50% материала нужно осваивать самому.

До поступления я воспринимал IT как территорию «избранных» — людей с профильным дипломом и олимпиадной математикой. Учеба этот миф разрушила. В индустрии нет закрытого клуба, а есть системное мышление, дисциплина и готовность разбираться в сложном.

Изменилось и понимание профессиональной ценности. В фокусе оказалось не количество освоенных инструментов, а способность быстро и осознанно учиться, структурировать новую информацию и адаптироваться к меняющимся задачам.

Опыт работы с данными тоже трансформировался. Excel перестал восприниматься как универсальное решение и занял свое место среди других инструментов. SQL, Python и базы данных стали не «дополнением», а частью логики построения решений. Это сократило долю ручной аналитики и позволило перейти к проектированию процессов. В работе меня начали подключать не только к расчетам, но и к обсуждению архитектуры аналитики, выбора метрик и поиску искажений. Формально должность осталась прежней, однако масштаб участия в принятии решений вырос.

Появилась уверенность в технических дискуссиях и способность аргументировать позицию, опираясь не только на практический опыт, но и на теоретическую базу. Новые инструменты осваиваются быстрее, задачи повышенной сложности перестали восприниматься как «чужая территория».

Магистратура не сделала меня готовым специалистом по ИИ. Она изменила способ мышления, а это более устойчивый актив, чем любой конкретный технологический стек.