У 2014 засновник Beetroot Андреас Флодстром вирішив відкрити курси з розробки в Полтаві. Минуло 6 років, академія розпочала роботу в 18 містах України, ми створили 15 курсів за технічними й суміжними напрямками. Протягом останнього року постійно працюємо над системою LMS (Learning Management System) — розробляємо власний продукт, щоб студенти могли вдома вивчати теорію, а в класі проходити практику.
Ми відбирали найкращих викладачів, чекали на студентів у затишних офісах академії. Спілкувалися, пригощали кавою, обговорювали всі питання. Ми проводили лекції й воркшопи, захищали випускні проєкти та цінували живе спілкування. Карантин змінив наш підхід і підштовхнув до переходу в онлайн. Розповідаємо про новий формат курсів в Beetroot Academy — як тепер навчаються студенти, як працюють викладачі та що буде з офлайном після карантину.
Мешканці Житомиру писали на сторінку вінницької академії й запитували — коли відкриється школа? Сусідній Луцьк цікавився у Рівного, а Харків у Полтави. Люди чекали, ми відкривали нові школи, але наші можливості не безмежні. Ми налагодили тісні зв’язки з викладачами в Києві й Одесі, Чернігові та Дніпрі та інших містах. А як щодо решти населених пунктів? Тепер ми виходимо онлайн, люди в регіонах можуть отримувати якісну ІТ-освіту, де б вони не були. Мешканці Первомайську зможуть навчатися у кращого проєктного менеджера Одеси, студенти з Обухова — проходити курси у київських розробників.
Студентів все ще курують координатори, а Educational менеджери допомагають справлятися зі складнощами.
Ольга Прокопчук, Educational Manager, каже, що розклад занять лишився таким самим. Студенти займаються з викладачем тричі або двічі на тиждень. Вони відпрацьовують практичні навички та з’ясовують незрозумілі питання. Раз на тиждень є заняття з англійської, де вони тренують навички комунікації, спілкуючись про ІТ й вивчаючи професійну лексику.
“Студенти багато часу приділяють самостійному навчанню — ознайомлюються з теорією та виконують домашнє завдання. Викладачі допомагають із проблемами. А студенти допомагають один одному та й просто спілкуються”, — каже Оля.

Ми підготували посібники з онлайн-навчання для студентів і викладачів
Ми не ставимо оцінок, але перевіряємо завдання й уточнюємо, чи засвоївся матеріал. Важливо відстежувати прогрес і давати зворотний зв’язок. Викладач допомагає зростати над собою, а не порівнює з іншими на основі оцінок. “Викладач знає про прогрес студента, а регіональні координатори слідкують за відвідуванням занять. У разі виникнення проблем — намагаються допомогти”, — розповідає вона.
Наші Educational Managers підготували рекомендації, як навчатись та вести заняття онлайн. Проводимо зустрічі та обговорюємо, як зробити навчання комфортним.

Багато викладачів працюють з нами не перший рік і звикли до уроків наживо. Перш ніж набирати нові онлайн-групи, ми почали переводити на дистанційне навчання вже наявні. Микита Грач, викладач дизайну з Франківську, лише взяв свій третій потік студентів, провів декілька уроків і змушений був перелаштовуватись.
Спершу онлайн здався Микиті дивною, але цікавою ідеєю. Він не розумів, як проходитиме комунікація. “Прямо біля студентів показувати, як працює інструмент — це важливий процес”, — каже Микита. Але згодом наш викладач зробив висновок — онлайн зовсім не відстає. Вже розповів нам, як виглядає заняття з боку викладача: “Спершу доволі дивно — дивлюсь в стіну, розмовляю з монітором і час від часу чую потойбіч: “А можеш повторити?” Великий прогрес — налаштувати процес комунікації зі студентами, які соромляться щось спитати на занятті”.

Микита каже — офлайн дає можливість постояти збоку й прослідкувати. “В онлайні я бачу, що студент щось робить у своєму файлі, але не знаю, яким інструментом, та де запинається в роботі. Натомість — онлайн я записую весь матеріал та трюки, які виконуємо. Після заняття надсилаю усім посилання в youtube каналі — свіжий досвід, який мені завжди було цікаво використати”, — розповідає викладач.
На уроці Микита розбирає зі студентами помилки, або тестує нові фічі, які дизайнери одразу ж пробують повторити. Він каже: “Якщо не виходить, я повторюю процедуру знову і знову. Так навіть найсором’язливіший студент почує інформацію декілька разів.
Неможливо на кожному уроці вести односторонню лекцію. Важливо приділяти час їхнім роботам та наживо коментувати. До переваг онлайну відноситься розбір домашніх завдань. Я транслюю екран, підключаю до розмови виконавця. Студент розповідає, що зроблено та аргументує рішення. Помилки повторюються, до кінця перевірки їх все менше — студенти виправляють.

Мої студенти вже звикли до режиму, — каже Микита. Почав практикувати групові домашні завдання — вони збираються у вільний час і працюють разом над Flowcharts та Flowmaps, обирають лідера, який направляє їх, та роблять неймовірну роботу. Ніколи не міг уявити, що це працюватиме так продуктивно.
Якщо не виконують роботу сповна, я просто підбадьорюю та очікую на кращі результати наступного разу. Якщо не встигають — нічого страшного, знання активізуються, коли з’явиться потреба.
Вирішив, що більше не викладатиму офлайн. Процес та зручність онлайн-навчання для мене значно привабливіші. Запис власних лекцій дає можливість переглядати та вдосконалювати наступні. А ще офлайн забирає час на добирання/вмощування/налаштування техніки. Щодо останнього в онлайн — це, зазвичай, одноразовий процес.
Офлайн навчання має переваги: знайомство, можливість зрозуміти, що за людина прийшла на курс. Проведення різних дизайн-процесів також простіше в офлайні. Але, напротивагу, велику частину навіть цих процесів можна проводити в мережі”.
Студенти також поділилися з нами своїми враженнями. Аліна Бердій каже, що осно вна перевага онлайну — прокинутись за 20 хвилин до уроку. “Онлайн значно зберігає час, — каже Аліна, — а якщо казати про продуктивність, перехід на онлайн на неї не вплинув”.
Христина Васько вважає, що використання вільного часу для студентів — особистий вибір. “Особисто в мене більшість часу йде на виконання завдань і підготовки до онлайн уроку. Стежити за успішністю ми можемо за допомогою тестів в LMS-системі та напряму обговорюючи питання з вчителем”, — розповідає наша студентка.
Ми перевели до онлайну наявні групи, набираємо нові потоки, а ще — запустили проєкт з післяплатою для курсів з UI/UX Design і Front-End, про який вже розповідали раніше. Що буде далі з навчанням в академії, та чи повернемося ми до офлайн-формату, розповіла Катерина Стецюра, Course Development Manager академії.
“Ми прагнемо побудувати інтерактивне середовище й не плануємо переходити до пасивного навчання, як це роблять освітні платформи — Coursera, Ed EX та інші онлайн-майданчики. Наші підходи вже можуть використовуватися для цього. При цьому нам важливо бути на одній хвилі зі студентами. Це стане нашим першим пріоритетом, допоки ми остаточно не адаптуємо курси. Вже до літа плануємо запускати 3 нових онлайн-курси. До осені — розпочнемо проєкт про ІТ та комп’ютерну грамотність для початківців. В нас немає передумов припиняти онлайн-навчаня. Частина курсів стануть доступними в обох форматах. Частина — лише онлайн або лише з елементами офлайну”.

У третьому кварталі 2026 року оборонні компанії опублікували на DOU 3942 вакансії. Це близько 20% усіх пропозицій на платформі і рекорд за всі роки. Для hardware-фахівців показник теж рекордний: 704 вакансії за квартал, а на одну вакансію embedded-розробника в середньому припадає 4,6 відгуку (DOU, III квартал 2026). Компанії, які шукають «готового» інженера методами класичного IT, витрачають на це місяці. У статті зібрані дані ринку, цифри з нашого вебінару «Навчати чи наймати» з Мартою Хрип'як, HR Director Lira Engineering, і критерії, за якими варто вирішувати: шукати людину на ринку чи виростити її.
Попит на інженерів в оборонці росте швидше, ніж ринок встигає готувати людей. У 2025 році deftech-вакансій було в 2,6 раза більше, ніж у 2024-му. За перше півріччя 2026 року їх опублікували більше, ніж за весь 2025 рік. Кількість вакансій для hardware-фахівців з 2024 року зросла більш ніж ушестеро.
Наймати далі планують усі. У дослідженні Української ради зброярів і CORE Team усі 27 опитаних виробників збираються шукати людей найближчі 6–12 місяців, а майже половина називає найдефіцитнішими інженерів-конструкторів та інженерів з електроніки (AIN). Конструкторів шукають 67% виробників.
Найважче закрити ролі на стику заліза і коду:
Частка embedded-вакансій в оборонці в 6–7 разів вища, ніж в IT (DOU). При цьому бракує не лише стеку. Як підкреслювала на вебінарі Марта Хрип'як-Стеценко, компаніям не вистачає інженерного мислення: уміння ухвалювати рішення в умовах невизначеності й відповідати за продукт.
Звичайну технічну роль в оборонці закривають за 1–2 місяці, критичну інженерну за 3–6 місяців і довше. Такі терміни Марта Хрип'як-Стеценко навела на вебінарі «Навчати чи наймати»:
Кілька цифр, які пояснюють, чому все так довго:
Остання цифра найпрактичніша. Якщо за два тижні у воронці немає жодного близького кандидата, проблема, найімовірніше, у профілі вакансії. Продовжувати пошук з тими самими вимогами означає втрачати ще місяці.
Навіть коли кандидата знайдено, найм часто зривається на фініші. Серед типових причин: контрофер, безпекові перевірки, невизначеність із бронюванням, формат роботи, знижена ставка на випробувальний термін, зміна обов'язків або етапів у процесі і повільне рішення самої компанії.
Більшість вакансій, які не закриваються місяцями, вимагають від однієї людини поєднання кількох рідкісних навичок. Кожну з них окремо на ринку знайти можна. Разом майже ніколи.
«Окремо знайти Senior Embedded — в принципі реально. Окремо знайти людину з досвідом у БПЛА — реально. Окремо знайти людину, яка знає англійську на рівні B2-C1 — реально. Але знайти сеньйора з досвідом БПЛА, з сильним системним дизайном, з англійською мовою і, наприклад, з готовністю працювати в мілтеху... це вже одиниці на всю країну».
Марта Хрип'як-Стеценко, HR Director, Lira Engineering
Перетин вимог лише одна з причин. Спікерка вебінару виділила ще кілька:
Пул IT-фахівців цю проблему не закриває. У класичному IT окремі напрями збирають понад 80 відгуків на вакансію, тоді як у deftech середній показник за перше півріччя 2026 року становив 10,2 (RazomUA за даними DOU). І більшість цих відгуків іде на Project Manager, QA та DevOps.
Кандидатів стало ще менше, а підняття зарплат ситуацію не врятувало. Ось як Марта Хрип'як-Стеценко описала зміни на вебінарі:
Висновок спікерки прямий: головна проблема в браку людей і конкуренції за той самий пул. Ставки тут вторинні.
Бюджет на рекрутера чи агенцію видно одразу. Решту витрат зазвичай не рахують, хоча вони більші:
Оборонні компанії зазвичай пробують шість підходів. Лише один із них збільшує кількість інженерів у галузі.
Марта Хрип'як-Стеценко назвала це канібалізацією талантів. Коли компанія B переманює інженера в компанії A, у галузі як було вісім інженерів, так і лишилося вісім. Чийсь продукт зупинився, а ринкові зарплати піднялися для всіх. Вирощений інженер додає галузі ще одного фахівця. Збільшити пул може тільки навчання.
Шукати на ринку варто, коли людина потрібна за тижні або йдеться про унікальну lead-роль. Вирощувати всередині, коли до потреби є 3–6 місяців, у кандидата є суміжна база, а в команді є ментор. Рішення залежить від трьох критеріїв:
Внутрішня підготовка працює, якщо в компанії є наставники з виділеним часом, документація, онбординг і прозора структура росту. Найчастіше бракує часу сеньйорів, плану розвитку ролі, відповідального за L&D і віри керівництва в окупність.
Частину цих прогалин закриває зовнішній освітній партнер. Він бере на себе базову програму, викладачів і практику на залізі, а специфіку продукту людина отримує вже всередині компанії. Кандидатів для такого навчання найкраще шукати серед розробників на C/C++, випускників електроніки, радіотехніки, мехатроніки і у власній команді.
Офлайн-події та профільні медіа дають доступ до кандидатів, яких немає в онлайн-воронці:
Ці канали розширюють охоплення, але кількість інженерів на ринку вони не збільшують.
Beetroot Academy готує інженерів для defence і dual-use. Ключова освітня програма Embedded Development триває п'ять місяців і поєднує заняття з викладачами-практиками з роботою на реальному залізі; команди можна навчати окремими місцями або виділеною групою.
Повний запис вебінару «Навчати чи наймати: як Defence-компанії закривають дефіцит інженерів» і умови для команд є на сторінці для Defence-компаній.

Розробник з embedded чи backend уже має половину того, що потрібно CV-інженеру: впевнений код, Git, розуміння продуктивності й обмежень системи. Добрати доведеться роботу з даними, основи нейромереж і звичку оцінювати модель метриками замість відчуття «наче працює». У зимовому опитуванні DOU частка Computer Vision Engineer серед дата-фахівців за пів року зросла з 2% до 4% (DOU).
Розберемо, що з твого бекграунду переноситься, чого бракує і як виглядає реалістичний маршрут переходу.
Embedded-інженер мислить буферами, тактами й кілобайтами. Для комп'ютерного зору це сильна позиція, бо зображення в пам'яті і є буфером: висота × ширина × канали, тип даних uint8.
Що переноситься напряму:
Саме цього бракує багатьом ML-спеціалістам. У вакансіях CV Engineer у defence-компаніях окремим пунктом стоїть оптимізація моделей під Jetson та інші embedded-платформи, а C++ значиться бажаною навичкою поруч із Python.
Чого бракує: Python як робочого інструменту для експериментів, PyTorch, розуміння того, як модель вчиться і чому помиляється.
Backend-розробник приносить інженерну дисципліну навколо коду: тести, Docker, CI, API, версіонування. У CV цього часто не вистачає: модель натренували в ноутбуці, а як вона житиме в продакшені, ніхто не продумав.
Що переноситься:
Чого бракує: відчуття заліза. Модель, яка видає 30 кадрів на секунду на серверній відеокарті, на пристрої може видати три. Бекендеру доводиться вчитися мислити обмеженнями пам'яті, енергії та нагріву.
Менше, ніж здається. Щоб працювати з детекторами на практиці, вистачить:
Лінійна алгебра й теорія ймовірностей на університетському рівні знадобляться, якщо підеш у дослідження або розробку нових архітектур. Для прикладних задач детекції, трекінгу й оптимізації більшість інженерів обходиться розумінням на рівні інтуїції і добирає глибину, коли конкретна задача цього вимагає.
Для embedded-розробника крок 6 буде найпростішим, а кроки 3–5 найновішими. У бекендера навпаки.
Роботодавець хоче побачити, як ти розв'язуєш задачу від початку до кінця. Висока точність на чужому датасеті цього не показує. Добрий проєкт має чотири складники: власний датасет, дві ітерації тренування з поясненням, що змінилося, таблицю метрик і запуск на реальному пристрої чи хоча б замір швидкості на CPU.
Ідеї, які можна зробити за кілька тижнів:
Опиши проєкт у README так, як описав би технічне рішення колезі: задача, дані, що не спрацювало, що змінив, які цифри отримав.
У вакансіях українських defence-компаній за 2026 рік повторюється приблизно однаковий набір:
Наприклад, у вакансії Frontline Robotics, опублікованій у липні 2026 року, просили від трьох років досвіду в CV або ML. Це типово для ринку: вакансій для новачків у computer vision мало. Тому найреалістичніший шлях лежить через внутрішній перехід: ти лишаєшся розробником у своїй команді, береш CV-задачі, а за рік маєш комерційний досвід саме в цьому напрямі.
Освітня програма Computer Vision розрахована саме на розробників без ML-досвіду: від року програмування будь-якою мовою, 12 практичних занять, власний детектор і запуск на edge. Якщо ти з software і хочеш спершу розібратися із залізом, почни з Embedded Development.

Computer Vision Engineer створює системи для аналізу зображень і відео: від збору даних і тренування моделі до її роботи в продакшені чи на пристрої. Він поєднує машинне навчання з розробкою, тому в українських вакансіях від нього зазвичай чекають і PyTorch, і впевненого Python, і розуміння того, як модель поводиться на реальному залізі.
Нижче про задачі, стек, зарплати й шлях у професію, з опорою на вакансії 2026 року і дані DOU.
Тренування моделі займає меншу частину роботи, ніж здається. Типовий цикл виглядає так:
Останній пункт часто недооцінюють. Модель, яка добре працювала в день запуску, через кілька місяців може гірше впоратися, бо змінилися освітлення, камера чи самі об'єкти. Це називають data drift, і відстежувати його входить в обов'язки CV-інженера.
Ми переглянули вакансії CV Engineer українських компаній за 2026 рік, зокрема Frontline Robotics і «Атлон Авіа». Повторюється такий набір:
У вимогах Frontline Robotics, наприклад, окремо згадано розуміння real-time обмежень: latency, FPS, пам'ять і продуктивність. Це характерно для продуктових компаній, де модель працює на пристрої. В аутсорсі чи хмарних продуктах акцент зміщується на MLOps, API і масштабування.
Окремої медіани для CV-інженерів у публічних дослідженнях немає. Найближчі дані дає зимове опитування дата-фахівців DOU 2026:
Важливі застереження. Вибірка невелика: 332 фахівці на всі дата-ролі. Медіана не розбита за рівнями, тому в неї потрапляють і джуни, і сеньйори. І тренд за пів року був на зниження.
В оборонній галузі картина інша. За зарплатним звітом DOU літа 2026, розробники з Python у DefTech мають найвищу медіану серед мов: $4500 проти $3500 у розробників в ІТ загалом. CV-інженери в defence-компаніях зазвичай пишуть саме на Python, тож орієнтуватися варто на ці цифри, з поправкою на рівень.
У зимовому опитуванні DOU частка CV-інженерів серед дата-фахівців за пів року подвоїлася, з 2% до 4%. Абсолютно це невелика група, але вона росте.
Вакансій CV Engineer для людей без досвіду мало. У переглянутих вакансіях defence-компаній ішлося про три роки досвіду в CV або ML. Тому найчастіше в професію приходять з суміжних ролей.
Початковий рівень зазвичай виглядає як розробник у команді, який бере CV-задачі: підготовку даних, інтеграцію готової моделі, оптимізацію пайплайна.
Middle самостійно веде задачу від даних до розгортання й вміє пояснити, чому модель помиляється.
Senior обирає підхід і архітектуру під обмеження продукту, оцінює ризики й відповідає за якість моделі після запуску.
Найкоротший шлях веде з розробки. Embedded-інженер приносить розуміння заліза й реального часу, backend-розробник приносить продакшен-дисципліну. Обом бракує роботи з даними й нейромережами. Покроковий маршрут ми описали в статті як embedded- або backend-розробнику перейти в computer vision.
Мінімум, з яким можна претендувати на CV-задачі:
Освітня програма Computer Vision у Beetroot Academy веде розробників без ML-досвіду від обробки зображень до власного детектора, його супроводу після деплою і запуску на edge: 12 практичних занять. Загальний огляд напряму є в гайді Комп'ютерний зір: що це і як працює.

Комп'ютерний зір (computer vision, CV) є галуззю штучного інтелекту, яка вчить програми знаходити й розпізнавати об'єкти на зображеннях і відео. Камера дає лише масив чисел. Завдання CV полягає в тому, щоб перетворити ці числа на відповідь: що на кадрі, де саме і що з ним відбувається.
Нижче про те, як це працює, які задачі розв'язує комп'ютерний зір, де його вже використовують і як увійти в напрям, якщо ти пишеш код або працюєш із залізом.
Для програми фото є таблицею чисел. Кольорове зображення 640×480 пікселів зберігається як масив 480×640×3: висота, ширина і три канали кольору. Кожне значення від 0 до 255 описує яскравість червоного, зеленого або синього в одній точці.
З цим масивом можна працювати двома способами.
Класичні алгоритми. Інженер сам описує правила: розмий шум, знайди краї, виділи контури, порахуй об'єкти. Цим займається бібліотека OpenCV. Такий підхід швидкий, передбачуваний і добре працює там, де умови стабільні: однакове освітлення, однаковий фон, однакові деталі на конвеєрі.
Нейромережі. Правила не пишуть вручну. Модель показують тисячі розмічених прикладів, і вона сама підбирає фільтри, які відрізняють один клас від іншого. Згорткова мережа (CNN) по суті робить те саме, що й класичний фільтр, тільки її ядра налаштовуються на даних. Сучасні детектори на кшталт YOLO та RT-DETR будуються на цьому принципі.
На практиці ці підходи поєднують. Нейромережа знаходить об'єкт, а класичний алгоритм уточнює його межі чи рахує розміри.
Найчастіше в продуктах трапляються детекція і трекінг. Саме з них зазвичай починають навчання, бо результат видно одразу: рамка або з'являється на правильному місці, або ні.
Споживчі продукти. Фільтри, які накладають маски на обличчя, розумні камери, що відрізняють людину від кота, сканери документів у банківських застосунках. Частина таких продуктів створена в Україні: у програмі Computer Vision Beetroot Academy окремо розбирають кейси Looksery (згодом Snapchat), Reface, Ajax Systems і Petcube.
Промисловість. Контроль якості на лінії, де камера шукає подряпини й відколи швидше за людину. Підрахунок продукції, перевірка маркування, моніторинг безпеки на виробництві.
Агро. Виявлення хвороб рослин за фото листя, оцінка стану посівів з аерознімків, сортування врожаю.
Медицина. Допомога лікарю в аналізі рентгенівських і МРТ-знімків. Остаточне рішення тут ухвалює людина, а модель підсвічує ділянки, на які варто подивитися.
Робототехніка й dual-use. Автономні роботи, складські системи, аналіз аерофото і тепловізійних даних. Для інженера це ті самі алгоритми, тільки дані інші: кадр знято згори, об'єкти дрібні, а тепловізор дає одноканальне зображення замість кольорового.
Штучний інтелект є найширшим поняттям. Машинне навчання є його частиною: програми, які вчаться на даних замість прописаних правил. Комп'ютерний зір є прикладною областю, де машинне навчання застосовують до зображень і відео.
Звідси практичний висновок для кар'єри. CV Engineer зазвичай знає ML-основи, але глибоко працює з одним типом даних і з обмеженнями заліза, на якому модель має працювати. Детальніше про роль ми написали в статті Computer Vision Engineer: хто це і що робить.
Базовий набір, з яким працюють у більшості команд:
Для старту достатньо Python і Google Colab: GPU для тренування Google надає безкоштовно, тож власна відеокарта на першому етапі не потрібна.
Найкоротший шлях має той, хто вже програмує. Досвіду з machine learning для старту не треба. Вища математика теж не є обов'язковою умовою: щоб працювати з детекторами, вистачить розуміння масивів і матриць, а складніші речі засвоюються на практиці.
Типова послідовність виглядає так:
Один із цих кроків ми розібрали у окремій статті, як embedded- або backend-розробнику перейти в computer vision.