У тебе є чотири місяці й бажання освоїти просту мову програмування. Що вибрати? Для MATLAB варто добре знатися на алгебрі, у JavaScript нікуди без HTML/CSS. Однак є така сфера, де достатньо розуміти, з чого складається комп'ютер і що таке операційна система. Це курс вивчення Python. Прості додатки, прототипи ігор і тестування програм — для всього цього на Python код пишеться швидко, а помилки можна виправити у процесі.
Студенти й викладач Beetroot Academy розповідають, як влаштований інтерактивний курс Рython і де після навчання стануть у пригоді знання.
Пайтоністка, яка змогла
Нікого не здивую тим, що для мене англійська — друга базова мова. Так і Python має стати у моєму резюме наступною мовою програмування після C#. На ньому кодять у Google, NASA й Instagram. Тепер і я, у своїй однушці на Позняках, сиджу на дивані й намагаюсь створити чат-бота за всіма канонами пайтона. Але давайте по черзі.
Минулого року я закінчила курс C# — загорілася робити мобільні додатки на IOS та Android. Знайшла двох американських замовників і працювала собі спокійно півроку, поки у них не закінчився бюджет. Довелося швидко думати: що ще такого вивчити, щоб не прогоріти? Мені було важливо знайти практичний курс з програмування. Хотілося вчитися й одночасно кодити в реальних проєктах. Так я обрала Python.
Мова лаконічна, прискорює тривалість розробки й за синтаксисом нагадує англійську. Поки у C# створиш проєкт, напишеш пару класів, у Python — метод написала у notepad++, запустила з командного рядка, і все запрацювало. У Python немає складних символів, прихованих змінних, заголовків і зайвого коду. Копіюючи структуру англомовних речень, за бажанням можна засвоїти базові поняття.
Пам'ятайте мій крах із попередньою роботою? Коли замовники затихли, а в Beetroot Academy я тільки проходила співбесіду, подалася в контент-аналітики. Хто б міг подумати, що Python тут стане у пригоді. Моя основна робота відбувається в Excel. Python дав більше інструментів для редагування тексту і структурування великих масивів інформації.
З перших уроків вивчила половину курсу
Ми навчаємося у месенджері Discord. Спілкуємося всією групою в основному каналі та у віртуальних аудиторіях по 3–4 людини. Матеріали постійно під рукою. Викладач завжди щедрий на корисні посилання.
Сергій Довгополюк, викладач курсу навчання Python у Beetroot Academy Vinnytsia: «Я обрав тактику — менше пояснювати і давати більше практики. Показую студенту на прикладі його коду, що десь є помилка, і даю 3–4 джерела в інтернеті з відповіддю. Насправді вона може бути лише в одному посиланні. Я спеціально так роблю, щоб студент сам переглядав, аналізував і розумів, що йому потрібно».
На другому уроці ми вже виконували завдання середини модуля. У LMS-системі (програмі для дистанційного навчання, — ред.) хороші вступні відеолекції. Однак по ходу курсу не вистачає більш складних задач. Лектор розбавляє програму своїми завданнями. Так ми бачимо, як теорія працює у реальних проектах.
Одного разу застопорилися на класах і роботі з файлами. Викладач раз за разом давав схожі завдання, щоб усі нарешті розібралися. Одне з таких — створити й протестувати застосунок для флористів. У результаті впоралися та обігнали програму на декілька уроків.
Сергій Довгополюк: «Коли вивчали декоратори — шаблони, котрі змінюють частину структури коду — я дав студентам власні завдання. Вони створювали й наповнювали CSV-файли, хоча за програмою їм це ще рано знати. На курсі немає посиленої роботи з математичними модулями, але своїх студентів я і в цьому натренував. Працюючи у сфері Data Science, я бачу, що пайтоністи потребують поглиблених знань в окремих темах».
У Python код перевіряю лінійно і виправляю помилки у процесі написання. У більшості мов програмування код збирається докупи і намагається запуститися. Якщо виникне помилка, не спрацює вся програма. Поспішаючи, можеш не переглянути окремий шматок коду, і на перший погляд усе буде нормально. Але варто користувачеві натиснути на злощасну частину коду, важлива функція заглючить. В інших мовах код не запустився б.
Ольга Прокопчук, Educational Manager у Beetroot Academy: «На одному із занять спостерігала класний метод: викладач кодить і навмисно припускається помилки, щоб у кінці програма не спрацювала. Студенти повинні розібратися, що пішло не так. Тут вмикається критичне мислення. Наш мозок звикає до певного темпу роботи, йому стає комфортно, і у певний момент він розслабляється. Студентів треба тримати у тонусі, і такі завдання в цьому допомагають».
Сергій Довгополюк: «Для пояснення Python на прикладах, долучаю спеціалістів із галузі. Нещодавно до нас підключався програміст із EPAM Systems. Розповідав про необхідність тестування. Студенти активно брали участь в обговоренні, наприкінці онлайн-дзвінка розпитували нас із гостем і просили частіше запрошувати фахівців».
А далі, що?
Створити бекенд сайту на Python можна за допомогою безлічі фреймворків. Найпопулярніші — Django і Flask, які ми розбираємо на курсі. Однак для повноцінного графічного оформлення знадобиться HTML/CSS.
Заморочуватися над сайтом не хочу, тому для фінального проєкту обрала Telegram-бот. Ідея така: користувач запитує про якесь поняття або подію, а бот відповідає зведеною інформацією з «Вікіпедії» з посиланням на джерело. Не потрібно довго гуглити, все коротко і по суті. Планую зробити програму українською та англійською мовами.
Python застосовують у специфічній роботі з текстовими й цифровими матеріалами, машинному навчанні, Data Science, DevOps і системному адмініструванні. Тому тепер без роботи не залишуся.
Дякуємо студенткам Олені Рольській та Ользі Бойчук, студентам Олександру Бутенко і Сергію Шостаку, а також викладачеві курсу Python Сергію Довгополюку та Educational Manager Ользі Прокопчук за допомогу у підготовці матеріалу.
Розпочни кар'єру Python розробника
Python — інтерпретована мова програмування. Ти пишеш програму як текст, запускаєш її та бачиш результат. Ми навчимо тебе основ програмування, розповімо, як користуватись фреймворками.
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.
Що вже є в embedded-розробника
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:
C/C++ і звичка рахувати, скільки пам'яті та часу займає кожна операція
розуміння latency і реального часу: кадр має бути оброблений до приходу наступного
робота з периферією та камерами на рівні інтерфейсів
Linux на одноплатних комп'ютерах
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.
Що вже є в backend-розробника
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:
Python, якщо ти пишеш на ньому, або будь-яка мова з досвідом від року
логування й моніторинг, які в CV перетворюються на моніторинг якості моделі
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.
Яка математика потрібна для computer vision
Менше, ніж здається. Щоб працювати з детекторами на практиці, вистачить:
масиви й матриці: форма, індексація, множення
згортка: що робить фільтр 3×3, проходячи по зображенню
градієнтний спуск на рівні ідеї: модель потроху змінює ваги, щоб зменшити помилку
базова статистика: середнє, розподіл, precision і recall
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.
Маршрут переходу: від пікселя до детектора на пристрої
Зображення як дані. NumPy, колірні простори, гістограми. Для embedded-розробника це день роботи, для бекендера тиждень.
Класичний CV в OpenCV. Фільтри, Canny, морфологія, контури. Розв'яжи одну задачу без нейромереж, наприклад підрахунок однакових деталей на фото.
Нейромережі й transfer learning. Візьми готову модель, донавчи на кількох сотнях власних фото, подивись на криві train і validation.
Детекція з YOLO. Спочатку готова модель, потім навчання на власних даних з розміткою і метриками.
Друга ітерація. Знайди, де модель помиляється, дозбери дані, перетренуй. Саме тут видно, хто розуміє модель, а хто запускав туторіал.
Запуск на пристрої. Експорт в ONNX, квантизація, вимір швидкості на Raspberry Pi або Jetson.
Для embedded-розробника крок 6 буде найпростішим, а кроки 3–5 найновішими. У бекендера навпаки.
Перший проєкт для портфоліо
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:
Проєкти для портфоліо та що кожен із них покаже роботодавцю
Проєкт
Що покаже роботодавцю
Детектор дефектів на деталях (подряпини, відколи)
роботу з малими об'єктами й незбалансованими класами
Підрахунок людей на вході через лінію
детекцію плюс трекінг
Розпізнавання хвороб рослин за фото листя
збір і розмітку власних даних
Читання показників лічильника
поєднання детекції й OCR
Будь-яка модель на Raspberry Pi з виміром FPS
розуміння edge-обмежень
Опиши проєкт у README так, як описав би технічне рішення колезі: задача, дані, що не спрацювало, що змінив, які цифри отримав.
Що просять у вакансіях Computer Vision Engineer
У вакансіях українських defence-компаній за 2026 рік повторюється приблизно однаковий набір:
Python впевнено, C++ як перевага
PyTorch і OpenCV
детекція, трекінг, сегментація
оптимізація під Jetson, ONNX, TensorRT
розуміння latency, FPS і пам'яті
Linux, Git, Docker
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.
З чого почати
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.
Що робить CV-інженер
Тренування моделі займає меншу частину роботи, ніж здається. Типовий цикл виглядає так:
Розібратися в задачі. Що саме треба знаходити, з якою точністю, на якій камері, з якою швидкістю.
Зібрати й розмітити дані. Узгодити правила розмітки, перевірити якість, поділити вибірки.
Обрати й навчити модель. Найчастіше це fine-tuning готового детектора; власну архітектуру з нуля пишуть рідко.
Проаналізувати помилки. Подивитися, де модель помиляється, і зрозуміти чому.
Оптимізувати й розгорнути. Експорт, квантизація, інтеграція у відеопайплайн чи сервіс.
Супроводжувати. Стежити, як модель працює на нових даних, дозбирувати приклади й перетреновувати.
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.
Стек Computer Vision Engineer: що просять у вакансіях
Ми переглянули вакансії CV Engineer українських компаній за 2026 рік, зокрема Frontline Robotics і «Атлон Авіа». Повторюється такий набір:
Навички та інструменти у вимогах до спеціалістів з комп'ютерного зору і те, як часто вони трапляються
Що
Як часто трапляється
Python
обов'язково майже завжди
C++
обов'язково або як перевага
PyTorch
обов'язково
OpenCV
обов'язково або як перевага
Детекція, трекінг, сегментація
у задачах і вимогах
ONNX, TensorRT, OpenVINO
як перевага
NVIDIA Jetson та інші embedded-платформи
як перевага або в задачах
Linux, Git, Docker
обов'язково
GStreamer, DeepStream, робота з відеопотоком
як перевага
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.
Скільки заробляє Computer Vision Engineer в Україні
Окремої медіани для CV-інженерів у публічних дослідженнях немає. Найближчі дані дає зимове опитування дата-фахівців DOU 2026:
Медіана та її зміна за пів року для ролей ML/DL Engineer, AI Engineer і Data Scientist
Роль
Медіана
Зміна за пів року
ML/DL Engineer
$2350
−$775
AI Engineer
$2375
−$325
Data Scientist
$2700
−$300
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.
Де працюють CV-інженери
Продуктові компанії зі споживчими застосунками: фільтри, редактори фото, розумні камери
Промисловість і логістика: контроль якості, підрахунок, сортування, складські роботи
Агротех: моніторинг посівів, сортування врожаю
Медтех: аналіз медичних знімків як допомога лікарю
Defence і dual-use: робототехніка, автономні системи, аналіз аерофото
Аутсорс і R&D-центри: проєкти для іноземних клієнтів у будь-якій із цих сфер
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.
Junior, Middle, Senior: як виглядає зростання
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.
Як стати Computer Vision Engineer
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:
Python, NumPy, OpenCV
PyTorch на рівні fine-tuning готових моделей
один детектор, навчений на власних даних, з двома ітераціями
метрики mAP, precision, recall і вміння пояснити їх щодо задачі
досвід запуску моделі на пристрої або хоча б експорту в ONNX із виміром швидкості
З чого почати
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.
Як комп'ютер «бачить» зображення
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.
Які задачі розв'язує комп'ютерний зір
Основні задачі комп'ютерного зору: яке питання вирішує модель і приклад застосування
Задача
Питання, на яке відповідає модель
Приклад
Класифікація
Що на зображенні?
здоровий листок чи уражений
Детекція об'єктів
Що на кадрі і де саме?
рамки навколо людей на вході до магазину
Сегментація
Які саме пікселі належать об'єкту?
точний контур пухлини на знімку
Трекінг
Куди рухається об'єкт між кадрами?
підрахунок машин, що перетнули лінію
Оцінка пози
Як розташовані точки тіла?
аналіз техніки вправи в фітнес-застосунку
OCR
Який текст на зображенні?
читання номерів накладних на складі
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.
Де використовують computer vision
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.
Комп'ютерний зір, машинне навчання і AI: у чому різниця
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.
Інструменти: OpenCV, PyTorch, YOLO, ONNX
Базовий набір, з яким працюють у більшості команд:
Python як основна мова для експериментів і тренування
OpenCV і NumPy для класичної обробки зображень
PyTorch для нейромереж
YOLO від Ultralytics для детекції, сегментації та трекінгу
Roboflow або CVAT для розмітки даних
ONNX, TensorRT, OpenVINO для запуску моделей на конкретному залізі
C++ там, де важлива швидкість на пристрої
Для старту достатньо Python і Google Colab: GPU для тренування Google надає безкоштовно, тож власна відеокарта на першому етапі не потрібна.
Що потрібно, щоб почати вивчати комп'ютерний зір
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:
Зображення як масив: канали, типи даних, колірні простори
Класичні операції в OpenCV: фільтри, краї, контури
Основи нейромереж і transfer learning
Детекція з YOLO на готових моделях, потім на власних даних
Метрики, аналіз помилок, друга ітерація тренування
Після навчання ми попросили його назвати, що змінилось у роботі. Ось що він розповів.
Кодифікація: від норм до алгоритмів
Кодифікація – одна з тих тем, з якими фахівець із закупівель стикається постійно. До навчання Костянтин розумів її лише в межах нормативного регулювання: які документи потрібні, які вимоги треба виконати.
Тепер він розуміє алгоритми, за якими кодифікацію отримують. Це змінило кут зору. Раніше він дивився на процес як замовник, тепер бачить його ще й зі сторони постачальника, який проходить цей шлях зі своїм виробом.
Процеси: як вироби працюють разом
У закупівлях легко звикнути до окремих процесів: одна позиція, одна специфікація, один договір. Так і було в Костянтина до програми. Він знав окремі процеси, але не знав, як вони пов'язані між собою.
Після навчання він розуміє, як різні вироби взаємодіють в одному напрямку. А звідси й розуміння, чому закупівлі мають бути комплексними: техніка працює в зв'язці, і закуповувати її теж варто з урахуванням цієї зв'язки.
Рішення і розмови з колегами
Рішення в роботі Костянтина й надалі чітко регламентовані, тут нічого не змінилось. Змінилось інше. Раніше він бачив своє рішення окремо. Тепер видно його значення в комплексі з іншими рішеннями, інколи навіть тими, які ухвалює не він.
Це відчутно і в щоденній роботі. У розмовах із колегами він став обізнанішим з технічного боку, тож обговорення стали предметнішими.
Звідки це взялося
Костянтин пов'язує ці зміни з комплексними груповими вправами з планування операцій. На них учасники працювали з операцією як з цілим: розбирали, як окремі елементи поєднуються в одну систему і впливають один на одного.
Для людини, яка щодня працює з однією ділянкою, такий формат дає рідкісну можливість побачити всю картину. І саме ця картина потім допомагає краще робити свою частину роботи.
Спільнота
Окрім знань, після навчання в Костянтина залишились корисні контакти для нетворкінгу. Програма і її учасники стали для нього важливим надбанням.
У Defence Tech це має особливу вагу. Сфера тісна, багато питань вирішується через людей, і знайомства з колегами з інших компаній та ролей часто корисні не менше за саму програму.
Порада колегам
На запитання, чи радить він програму колегам по галузі, Костянтин відповів коротко: однозначно йти. Як мінімум заради цікавих людей усередині Defence Tech сфери.
