A valóság: nem kell PhD az MI-ban dolgozni
A magyarországi MI-álláshirdetések vizsgálata alapján a pozíciók közel 60%-a nem tesz kötelezővé mester- vagy doktori fokozatot — különösen igaz ez az ipar-orientált szerepkörökre (adatmérnök, ML-mérnök, junior adattudós). Ami számít: bizonyítható készségek és egy erős, valódi projekteket bemutató portfolió.
Az alapvető tévhit: a tanfolyam elvégzése = elhelyezkedés
Sokan úgy gondolják, ha elvégeznek egy Coursera-t vagy Udacity-t, automatikusan elhelyezkednek. A valóság más: a tanúsítvány megmutatja, hogy elvégzett egy kurzust — de az álláskeresők 80%-a elvégez legalább 1-2 tanfolyamot. Ami megkülönbözteti egymástól a jelölteket, az a valódi projekt, valódi adat, valódi eredmény.
12 hónapos karriertervező — A Wysian útiterve
Python (NumPy, pandas, matplotlib), lineáris algebra, valószínűségszámítás és statisztika alapjai. Cél: 2 alap Kaggle Learn kurzus elvégzése és az első saját notebookok elkészítése.
scikit-learn, felügyelt tanulás, döntési fák, regresszió, keresztvalidálás. Első saját Kaggle-verseny megkísérlése, még ha nem is jó az eredmény.
PyTorch vagy TensorFlow első lépések, neurális hálók, CNN-ek. Ajánlott: fast.ai 1. rész elvégzése. Cél: egy komplett képosztályozó projekt GitHubon.
NLP, CV, adattudomány vagy MLOps? Válasszon egyet és mélyüljön el benne. Cél: 1–2 komolyabb projekt, amelyek valódi problémát oldanak meg és bemutathatók állásinterjún.
GitHub-profil rendrakása, LinkedIn optimalizálás, blogbejegyzés írása Mediumon vagy személyes oldalon. Networking: MI-meetupok (Budapest AI Meetup, TechTalks), LinkedIn kapcsolatépítés.
Junior adattudós és ML-mérnök pozíciókra jelentkezés. Minimum 3 komolyan felkészített interjú. Arra számítson, hogy 30–80 jelentkezésből lesz 1–3 komoly lehetőség.
Mit keressen az első álláshirdetésben?
A jelöltek nagy része irreálisan magas elvárásokkal rendelkező hirdetésekre jelentkezik, vagy épp ellenkezőleg, 5+ évnyi tapasztalatot igénylő pozíciókra pályáznak. Íme, amire valójában érdemes figyelni:
- Junior vagy Entry-level a pozíció neve? Ha „3+ év tapasztalat" szerepel, az nem junior.
- Milyen tech-stacket kérnek? Python, scikit-learn, pandas, SQL — ezekre legyen min. 6 hónapos tapasztalat.
- Van-e mentoring vagy structured onboarding? Az első állás legyen olyan helyen, ahol tanulni lehet.
- Hibrid vagy remote? Az MI-s pozíciók 42%-a kínál valamilyen remote-lehetőséget (Budapest, 2024).
A leggyakoribb hibák, amiket el kell kerülni
Egy befejezett Kaggle-verseny vagy GitHub-projekt többet ér, mint 10 tanfolyam igazolása.
A tökéletlen, de kész projekt mindig jobb, mint a soha el nem készülő tökéletes.
Az MI-ban a kód és az eredmény számít, nem a PowerPoint. Közzé kell tenni és el kell magyarázni a munkát.
A magyarországi MI-s közösség kicsi; a személyes kapcsolatok döntő szerepet játszanak az álláskeresésben.
Reális elvárások az első pozíciókhoz
Az első MI-s állás általában nem lesz „AI Research Scientist" — és nem is kell annak lennie. Íme, a realisztikus belépési pozíciók Magyarországon 2024-ben:
- Junior adatanalitikus (380–460 KHUF/hó): SQL, Excel, Python, Tableau/Power BI
- Junior adattudós (400–520 KHUF/hó): scikit-learn, pandas, alapvető ML-modellek
- Adatmérnök gyakornok (300–400 KHUF/hó): Python, SQL, ETL-pipeline-ok alapjai
- ML-fejlesztő gyakornok (350–450 KHUF/hó): Python, PyTorch/TF, projekt-munka
A fizetések 2–3 éves tapasztalat után rendszerint 40–60%-ot emelkednek — a szenior szint elérésekor már 700–900 KHUF/hó a realisztikus várakozás.