Карьерный потолок в российской инженерии-автоматизации автор оценивает примерно в 300 тыс. рублей в месяц — и именно это стало триггером для перехода в Data Science, а не страсть к математике или профильное образование. Диплом инженера ПГУПС, 45 баллов ЕГЭ по математике и почти отчисление из-за программирования — стартовая точка, которую сам автор описывает без прикрас.

Путь занял несколько лет и прошёл через несколько отчётливых этапов. Сначала — инженерная автоматизация, куда автор пришёл после победы на хакатоне, уже самостоятельно освоив Python. Затем — книга Тарика Рашида «Обучаем нейронку с нуля», которая дала первое представление о машинном обучении без тяжёлой математики. Потом — решение уволиться и полгода учиться без дохода. Ключевым ускорителем стал ментор: по аналогии с инженерным треком, где наставник сократил рост с «лет» до «месяцев», в ML-переходе ментор сыграл ту же роль.

История вписывается в более широкий контекст российского рынка Data Science. Спрос на специалистов в банковском секторе, ретейле и телекоме устойчиво превышает предложение — особенно на уровне Senior и выше. При этом университетские программы по ML и анализу данных отстают от реального стека: учебные планы утверждаются на несколько лет вперёд, тогда как инструменты и подходы в отрасли меняются каждые полгода. Это создаёт парадоксальную ситуацию, при которой выпускники профильных специальностей нередко уступают самоучкам, которые учились на актуальных задачах.

После нескольких лет в инженерии-автоматизации упёрся в потолок около 300 тыс. руб. в месяц и ушёл в ML.

Автор формулирует несколько наблюдений, которые расходятся с распространёнными представлениями о входе в ML. Первое: «гений — миф», большинство специалистов в топовых командах просто начали раньше и не бросили. Второе: смена направления не финальна — полтора года в МЧС и четыре года в инженерии не стали потерянным временем, а дали практическое мышление, которое в итоге оказалось полезным в DS-задачах. Третье: самостоятельное обучение без наставника работает медленно — инвестиция в ментора, дорогая и психологически некомфортная, окупилась быстрее, чем самостоятельный путь.

С точки зрения карьерной траектории переход занял около года активного переобучения после нескольких лет в смежной технической области. Это близко к медианному сроку, который называют специалисты по найму в DS: без релевантного технического бэкграунда вход занимает 1,5–2 года, с инженерным или аналитическим опытом — от 6 до 12 месяцев при интенсивной подготовке. Финансовый разрыв между инженерией-автоматизацией и Data Science в крупных российских компаниях автор оценивает как трёхкратный — это согласуется с данными открытых зарплатных обзоров по рынку.