В детстве меня, как и многих, спрашивали: «Кем ты хочешь стать?» Я отвечал: «Хочу делать что-нибудь с компьютерами». Ответ был не особенно содержательным, зато, как выяснилось, удивительно точным. Я ещё не знал, что это «что-нибудь» растянется на всю профессиональную жизнь — от системного кода и баз данных до корпоративных платформ и искусственного интеллекта.

Учиться я пошёл в МИЭМ, на специальность «Вычислительные машины, комплексы, системы и сети». Формально нас готовили к тому, чтобы мы могли спроектировать ЭВМ. На практике это означало погружение в устройство вычислительных систем — достаточно глубокое, чтобы компьютер перестал казаться волшебным ящиком и превратился в инженерный объект.

Даже дипломная работа оказалась предвестником будущего: я исследовал применение нейронных сетей при проектировании печатных плат. Тогда об искусственном интеллекте ещё не рассказывали из каждого телевизора, а нейросети не умели ни поддерживать беседу, ни рисовать котиков. Это была довольно специальная инженерная тема. Я соприкоснулся с ней, сделал диплом и на время пошёл дальше. Спустя много лет выяснилось, что некоторые темы умеют терпеливо ждать.

Профессиональный путь начался с разработки системного программного обеспечения: C++, ObjectStore, Microsoft SQL Server и другие инструменты, доступные в то время. Довольно быстро код привёл меня к системам управления данными — сначала к их разработке, затем к архитектуре и внедрению. Менялись продукты, масштабы и названия дисциплин; то, что когда-то было базами и хранилищами, постепенно стало платформами данных. Но сама линия уже не прерывалась: почти вся дальнейшая карьера так или иначе была связана с тем, как данные хранить, связывать, защищать, превращать в знание и использовать в работе организаций.

На третьем курсе произошла встреча, которой я тогда, возможно, придал больше значения, чем она заслуживала, — но заметку себе всё-таки сделал. Я встретил бывшего одногруппника, ранее отчисленного за неуспеваемость. Пока я старательно шёл к диплому, он прекрасно выглядел, хорошо зарабатывал и работал в PricewaterhouseCoopers. Картина была слегка обескураживающей: человек без диплома уже оказался там, куда человек с будущим дипломом только собирался прийти.

Из этой встречи я вынес практический вывод: мои знания и инженерный способ мышления, вероятно, лучше всего оценит крупная международная технологическая компания — с серьёзными задачами, ресурсами и культурой профессионального развития. Первые шаги действительно повели в эту сторону: международная CNET, затем программы и внедрения вокруг SAP. Более чем через десять лет я пришёл в IBM. К тому времени IBM уже приобрела консалтинговый бизнес PwC — и две линии неожиданно пересеклись. Не совсем тем маршрутом, который можно было представить на третьем курсе, но карьера редко уважает заранее нарисованные маршруты.

Работа в международных компаниях стала для меня отдельной школой. Причём корпоративная культура проявлялась не в лозунгах на стенах, а в мелочах. В швейцарской компании вся рабочая переписка велась только на английском. В американской языки могли свободно меняться в пределах одной цепочки писем. За такими деталями скрывались более важные привычки: фиксировать договорённости, отвечать за обещанное, спокойно обсуждать проблемы и доводить решение до заказчика, а не только до следующей презентации.

Особенно важными стали годы в IBM. Я работал с широким спектром технологий и проектов, но главной оставалась линия Information Management, позднее вошедшая в направление Data & AI. Разработка, архитектура, корпоративные хранилища, управление информацией, аналитические решения, внедрения и сессии Design Thinking — задачи менялись, но за ними стоял один вопрос: как сделать так, чтобы сложная технология заработала внутри ещё более сложной организации.

Масштаб тоже менялся. Вместо отдельного модуля — программа внедрения. Вместо одной команды — распределённые специалисты из разных стран и подразделений. Вместо только технического результата — сроки, экономика, риски, ожидания заказчика и дальнейшая жизнь решения. Банки, телеком, крупные компании: в таких проектах технология проходит проверку не только архитектурой, но и реальностью.

Позже работа в российских вендорах дала другой опыт. Здесь требовалось не только вести проекты, но и создавать среду, в которой они вообще могут появиться: собирать консалтинговое направление почти с нуля, выстраивать процессы, формировать команды, связывать продуктовую, инженерную и коммерческую повестку. Международные компании научили меня дисциплине сложной поставки. Российские — действовать там, где часть конструкции приходится собирать одновременно с движением.

Различия корпоративных культур я ощущал особенно ясно. Людей с опытом международных компаний часто можно было узнать не по английским словам в речи, а по рабочим привычкам: как они готовят решение, ведут встречу, фиксируют ответственность и относятся к обязательствам. Российская корпоративная культура продолжает формироваться, иногда быстро и неравномерно. При этом у неё есть собственные сильные стороны — скорость, изобретательность и способность действовать при неполных вводных. Мне довелось пожить внутри обеих систем, увидеть их достоинства и ограничения и научиться переводить с одного организационного языка на другой.

Сегодня я называю себя экспертом и техническим руководителем на стыке данных, искусственного интеллекта, корпоративных платформ и сложных внедрений. Мне непросто уместить свой опыт в название одной должности. В разные годы я руководил разработкой, программами внедрения, консалтингом, продуктовой и инженерной работой. В зависимости от масштаба и задачи это может выглядеть как роль CTO, руководителя Data & AI, директора по консалтингу или руководителя сложной программы. Но сквозная функция одна: соединить технологию, людей и организацию и провести идею до работающего решения.

Сейчас главным полем для этого стал искусственный интеллект. Нейросети из дипломной работы спустя годы вернулись — уже не как академическая тема, а как технология, которую можно встраивать в реальные процессы. И здесь особенно легко принять эффектную демонстрацию за готовый продукт.

Для меня AI — не витрина и не «отдел чудес», а ещё один инженерный слой поверх данных, инфраструктуры и правил организации. Нужно найти сценарий, проверить его на живом материале, договориться с ИТ и информационной безопасностью, запустить пилот, увидеть ограничения и помочь решению прижиться. Иногда гипотезу следует развивать. Иногда — изменить. Иногда полезнее вовремя признать, что она не выдержала проверки. Последнее обычно труднее, чем подготовить ещё одну презентацию.

На этом сайте сходятся два масштаба моей работы. Мой основной профессиональный опыт — это корпоративные программы, большие команды, сложные заказчики и многолетние внедрения. Кейсы, собранные здесь, устроены иначе. Это компактная прикладная лаборатория, где я могу сам поставить задачу, выбрать архитектуру, организовать работу, а при необходимости погрузиться в код. В одних проектах я прежде всего постановщик и оркестратор, в других — архитектор или senior-разработчик. Масштаб меньше, зато весь путь от гипотезы до работающего контура виден целиком.

Эти эксперименты позволяют мне не рассуждать о новых технологиях со стороны, а проверять их собственными руками: где они действительно полезны, где требуют зрелых данных и процессов, а где пока остаются красивой демонстрацией. Они не заменяют историю больших корпоративных программ — они продолжают её в другом формате и показывают направление, в котором я двигаюсь сегодня.

Поэтому ниже — не коллекция технологий ради технологий. Это проекты, в которых гипотезы превращались в рабочие контуры: корпоративная база знаний и AI-помощник, исследовательская ML-среда, извлечение знаний из длинной истории Telegram, безопасная работа с облачными моделями и другие решения. Они различаются по масштабу и назначению, но собраны по одному принципу: технология обретает смысл только тогда, когда начинает работать для людей и организаций.

Если такой подход вам близок — смотрите кейсы или сразу свяжитесь.