EPAM ищет архитектора за $150k+. А что, если эту работу сделает AI за $20 в месяц?

EPAM Systems ищет Data Solution Architect.

Давайте сразу к делу. EPAM – это мастодонт. Глобальный IT-гигант, который занимается цифровой трансформацией для других гигантов – от здравоохранения до ритейла. У них тысячи проектов, десятки тысяч инженеров, и всё это должно работать как отлаженный конвейер. Их бизнес – это продажа экспертизы, упакованной в команды и решения.

Так какую же боль они пытаются закрыть этой вакансией? Представьте себе этот конвейер. Каждый день на его вход поступает новый клиент с ворохом проблем: «У нас данные в ста системах, хотим BI», «Нужна платформа для IoT с предсказаниями отказов», «Хотим монетизировать наши данные, но не знаем как». И каждый раз нужен опытный человек, который распутает этот клубок, нарисует красивую схему в Miro, подберет стек, оценит риски и скажет команде: «Копать отсюда и до обеда». Этот человек – архитектор. Он – узкое горлышко. Его время дорого, его опыт уникален, а найти такого специалиста с 7+ годами за плечами – это месяцы собеседований и гонка зарплат. EPAM ищет не просто человека, они ищут масштабируемый мозг для своего конвейера по производству решений.

А теперь давайте представим диалог двух директоров в EPAM.

— Михаил, мы снова не можем найти дата-архитектора на проект для ритейла. Рынок пустой. Те, кто есть, просят столько, что маржинальность проекта улетает в трубу.
— Олег, вечная песня. А что ты хотел? Это штучный товар. Каждый наш архитектор – это ходячая база знаний наших прошлых успехов и провалов. Его нельзя просто скопировать.
— Вот именно! Нельзя скопировать… А что если… можно? Что если мы создадим некий «Архитектор-GPT», который будет знать всё о наших прошлых проектах, всех наших технологических радарах и лучших практиках? Чтобы новый проект начинался не с чистого листа, а с диалога с машиной, которая за 5 минут набросает 80% готового решения.

Фантастика? Не совсем. Задачу, которую будет решать живой человек за огромные деньги, можно делегировать системе на базе ИИ. Не полностью заменить, нет. Скорее, дать оставшимся архитекторам суперсилу, превратив их из «рисовальщиков схем» в «валидаторов идей».

Вот как это могло бы выглядеть на практике.

Шаг 1. Создание «корпоративного мозга».
Первое и самое важное – собрать знания. У EPAM гигантское наследие: внутренняя Confluence, Jira, репозитории с кодом, архитектурные документы (ADRs), презентации для клиентов. Всё это – топливо для ИИ. Мы берем все эти терабайты неструктурированных данных и пропускаем через модели эмбеддингов, создавая векторную базу знаний. По сути, мы переводим весь опыт компании на язык, понятный нейросети. Это не просто поиск по ключевым словам, это поиск по смыслу. Добавляем сюда лучшие практики индустрии, гайды от AWS, Azure, GCP, статьи с Martin Fowler.

Шаг 2. Разработка «AI Solution Architect».
Это не просто чат-бот. Это система, состоящая из нескольких компонентов:
Интерфейс: Проджект-менеджер или бизнес-аналитик в простом диалоговом окне описывает бизнес-задачу клиента: «Нужна платформа для анализа клиентского поведения в e-commerce. Источники: CRM, Google Analytics, мобильное приложение. Требования: GDPR, real-time дашборды, предиктивная модель оттока. Бюджет – средний».
Оркестратор (на базе LangChain или подобного фреймворка): Он получает запрос и «думает», как архитектор. Сначала он обращается к векторной базе (технология RAG – Retrieval-Augmented Generation) и находит 3-4 похожих проекта, которые EPAM делал в прошлом. Из них он извлекает ключевые архитектурные решения, стек, подводные камни.
Генеративное ядро (GPT-4, Claude 3 Opus): На основе найденной информации и первоначального запроса, ядро генерирует несколько артефактов:
1. Предварительную архитектурную схему (например, в формате Mermaid или PlantUML, которые тут же рендерятся в картинку).
2. Список рекомендуемых технологий с обоснованием («Для потоковой обработки берем Kafka, а не Kinesis, потому что у клиента есть экспертиза в self-hosted решениях»).
3. Оценку трудозатрат и предварительный расчет стоимости облачной инфраструктуры (через API калькуляторов AWS/Azure).
4. Список потенциальных рисков (безопасность, соответствие нормативам, производительность).

Шаг 3. Человек в цикле (Human-in-the-Loop).
И вот тут на сцену выходит человек. Но не тот, кого ищут в вакансии за $150k+, а оставшийся в штате старший архитектор. Он не тратит недели на сбор требований и рисование первых драфтов. Он получает на вход готовый, на 80% проработанный документ от ИИ. Его задача – проверить, задать уточняющие вопросы машине («А почему ты не предложил использовать Databricks? У клиента есть лицензия»), внести экспертные правки и дать финальное «добро». Его производительность возрастает в 5-10 раз. Он может курировать не 2-3 проекта, а 10-15.

Как убедиться, что ИИ не предлагает ерунду?

Валидация – ключ к доверию. Вот несколько способов:
1. Ретро-тестирование: «Скормить» системе описания 20-30 успешно завершенных проектов двухлетней давности. Сравнить архитектуру, предложенную ИИ, с той, что была реализована людьми. Насколько они совпадают? Где ИИ ошибся, а где, возможно, предложил более оптимальный вариант?
2. Параллельный прогон: На новом проекте дать задачу одновременно ИИ и команде архитекторов. Сравнить результаты через 3 дня. Оценить не только качество решения, но и скорость его получения.
3. Метрики качества: Отслеживать, как меняются показатели проектов, где использовался «AI Architect». Уменьшилось ли время на старт проекта? Снизилось ли количество архитектурных ошибок, найденных на этапе разработки? Насколько точны стали первоначальные оценки бюджета?

Вместо того чтобы искать на перегретом рынке еще одного дорогого специалиста, который станет очередным винтиком в конвейере, можно инвестировать в систему, которая сделает весь конвейер умнее и быстрее. EPAM ищет человека, чтобы масштабировать экспертизу. А ведь именно это ИИ сегодня умеет делать лучше всего. Иронично, не правда ли?

Вакансия отсюда: https://www.linkedin.com/jobs/view/4381281797/