Ի՞նչ ենք սովորեցնում ԱԲ դարաշրջանում. կրթությունը, աշխատաշուկան և ԱԲ գործարանը Հայաստանում

Ամեն տարի սեպտեմբերի 1-ը Հայաստանում ունի իր հստակ ձևաչափը՝ սպիտակ շապիկ, ծաղկեփունջ, առաջին զանգ։ Բայց այս տարի այդ նույն ծեսի հետևում կանգնած է մի հարց, որը մինչև վերջերս դպրոցական օրակարգում չէր. ի՞նչ ենք սովորեցնում մի աշխարհում, որտեղ մեքենան արդեն կարող է գրել, հաշվարկել, ծրագրավորել և վերլուծել ավելի արագ, քան մենք սովորեցնում ենք դա անել։

Սա այլևս ոչ միայն կրթության, այլև ազգային մրցունակության հարց է. հատկապես Հայաստանի համար, որի տնտեսության մեջ տեխնոլոգիական ոլորտը վերջին տասնամյակում դարձել է աճի հիմնական շարժիչներից մեկը։

Շուկայի պահանջարկն ու առաջարկի խզումը

Համաշխարհային տվյալները ցույց են տալիս մի հստակ օրինաչափություն. ԱԲ-ի հետ կապված հմտությունների պահանջարկն ավելանում է շատ ավելի արագ, քան շուկան կարողանում է կոմպետենտ կադրեր պատրաստել։

• ManpowerGroup-ի 2026թ. գլոբալ հետազոտության համաձայն՝ ԱԲ հմտություններն առաջին անգամ դարձել են գործատուների համար ամենադժվար գտնվող կարողությունը՝ գերազանցելով ավանդական ինժեներական և ՏՏ մասնագիտություններին։
• Արտարժույթի միջազգային հիմնադրամի (ԱՄՀ) 2026թ. վերլուծության համաձայն՝ զարգացող տնտեսություններում թափուր աշխատատեղերի մոտավորապես կեսը պահանջում է առնվազն մեկ նոր, թվային կամ տեխնոլոգիական հմտություն (զարգացած երկրներում այս ցուցանիշը շուրջ 10% է)։

Այսինքն՝ զարգացող տնտեսությունների աշխատաշուկան ավելի արագ է փոխակերպվում, քան կրթական համակարգերը հասցնում են հարմարվել։

Այս գլոբալ միտումն ուղղակիորեն արտացոլվում է նաև տեղական շուկայում։ Ինչպես ցույց է տալիս Eleveight AI ընկերության փորձը, նման ենթակառուցվածքային նախագծերը թելադրում են բարձր որակավորում ունեցող մասնագետների նոր պահանջարկ։ Մասնավորապես, այժմ ԱԲ տվյալների մշակման կենտրոններն ու սերվերային հարթակներն արդեն ներգրավում են լայն մասնագիտական շրջանակ՝ ցանցային ճարտարապետներից և սերվերային ենթակառուցվածքների ավագ ինժեներներից մինչև հովացման, օդափոխության և էլեկտրական համակարգերի ինժեներներ՝ ինչպես Երևանից, այնպես էլ Հրազդանից, Դիլիջանից, Սևանից և հենց Գագարինից, որտեղ գտնվում է ընկերության ԱԲ գործարանը։

Eleveight AI-ի տվյալներով՝ թիմում ավագ մասնագետները (senior) կազմում են հիմնական կորիզի մեծ մասը, իսկ կրտսեր (junior) կադրերին հատկացված է աշխատակազմի մոտ 20%-ը։ Սա ստեղծում է մենթորության միջավայր, որտեղ նորավարտ կամ ուսմանը զուգահեռ աշխատող երիտասարդ ինժեներները հնարավորություն են ստանում աշխատել աշխարհում այս պահին առաջադեմ տեխնոլոգիաների հետ։

Միաժամանակ, կադրերի շարունակական զարգացումն ապահովելու նպատակով Eleveight AI-ի մասնագետները պարբերաբար վերապատրաստվում և մասնակցում են սեմինարների ու տեխնիկական աշխատաժողովների եվրոպական մի շարք երկրներում (այդ թվում՝ Ամստերդամում, Գերմանիայում և Իտալիայում)՝ գլոբալ չափանիշները բերելով Հայաստան։

5 նոր մասնագիտացում, որոնք անհրաժեշտ է ինտեգրել կրթական ծրագրերում

Հիմնվելով ինչպես գլոբալ միտումների, այնպես էլ Հայաստանի ներկա իրավիճակի վրա՝ կարելի է առանձնացնել 5 ուղղություն, որոնց կարիքը ոլորտում գնալով կաճի.

1. ԱԲ ենթակառուցվածքի և MLOps ինժեներ. Մասնագետներ, ովքեր տիրապետում են GPU կլաստերների կառավարմանը, օպտիմալացմանը և մոդելների training/inference pipeline-ների մասշտաբավորմանը։ Հենց Երևանի Պետական Համալսարանի (ԵՊՀ) սուպերհամակարգչի և AI Factory-ի նման ենթակառուցվածքների գործարկումը ինքնաբերաբար կստեղծի այս ուղղության առաջնային պահանջարկը։
2. Կիրառական (ուղղահայաց) ԱԲ ինժեներ. Ոչ թե բազային մոդելների ստեղծող, այլ մասնագետ, ով կարողանում է ինտեգրել առկա ԱԲ գործիքները կոնկրետ ոլորտում՝ գյուղատնտեսության, բժշկության, ֆինանսների կամ արտադրության մեջ։ Հայաստանում արդեն կան առաջին օրինակները (օրինակ՝ ագրոտեխնոլոգիական ստարտափները, որոնք կիրառում են ԱԲ-ն մեղվանոցների կամ ճշգրիտ ցողման համար), բայց դրանք զարգանում են ինքնուս մասնագետների ուժերով, ոչ թե կրթական համակարգի աջակցությամբ։
3. ԱԲ անվտանգության, ռիսկերի և կանոնակարգման մասնագետ (AI Governance). Ինչպես ցույց են տալիս գլոբալ միտումները, ընկերությունների աճող մասն արգելափակում է ԱԲ ծրագրերը հենց կառավարման, թափանցիկության և համապատասխանության (compliance) մասնագետների բացակայության պատճառով։ Սա ուղղություն է, որտեղ Հայաստանը կարող է կառուցել ուշադրության արժանի մրցակցային առավելություն՝ նույնիսկ փոքր, բայց լավ պատրաստված մասնագետների խմբով։
4. Հայալեզու տվյալների և լեզվական մոդելների մասնագետ. Այնպիսի օրինակը, ինչպիսին Async-ի (նախկինում՝ Podcastle) մշակած հայերեն տեքստից խոսք (Text-to-Speech) ԱԲ մոդելն է, ցույց է տալիս, որ որակյալ ԱԲ գործիքների ստեղծումը պահանջում է հատուկ մասնագիտացում՝ լեզվաբանության, տվյալների մշակման (data curation) և մեքենայական ուսուցման խաչմերուկում։ Սա ուղղություն է, որտեղ Հայաստանն ունի բնական առավելություն, բայց գործնականում գրեթե ոչ մի բուհական ծրագիր դեռ չի պատրաստում այս պրոֆիլի մասնագետներ։
5. Մարդ-ԱԲ փոխազդեցության և արտադրանքի մասնագետ (AI Product/UX). Ինչքան ավելի հզոր են դառնում մոդելները, այնքան ավելի կարևոր է դառնում, թե ինչպես են դրանք ինտեգրվում իրական աշխատանքային գործընթացների մեջ։ Գտնվելով տեխնոլոգիայի, արտադրանքի կառավարման և օգտագործողի փորձառության (UX) խաչմերուկում՝ այս ուղղությունը կարող է դառնալ ամենապահանջվածներից մեկը հատկապես նրանց համար, ովքեր ունեն խորը վերլուծական միտք և խնդրի հստակ պատկերացում։

AI Factory-ի դերը. տեղական հաշվողական հզորությունը որպես կրթության խթանիչ

Այս ամենի հետևում կանգնած է մի հարց, որը հաճախ մնում է ստվերում. ո՞վ է ապահովելու հաշվողական հզորությունը, երբ բուհերն ու հետազոտողները վերջապես ունենան մասնագետներ, բայց ոչ բավարար ենթակառուցվածք։

Այստեղ է, որ ի հայտ է գալիս AI Factory-ի դերը որպես գործընկեր։ 2025-ի օգոստոսին ՀՀ և ԱՄՆ կառավարությունների միջև ԱԲ և կիսահաղորդիչների ոլորտում նորարարական գործընկերության մասին փոխըմբռման հուշագրից հետո երկրում սկսվել է ԱԲ ենթակառուցվածքի արագացված ընդլայնում։ Eleveight AI ընկերության՝ NVIDIA-ի Blackwell B300 GPU-ները գործարկելով՝ Հայաստանն ունի ուղիղ հասանելիություն աշխարհում ամենահզոր տեխնոլոգիաներից մեկին։

Բայց ներդրումների ծավալից ոչ պակաս կարևոր է այն, թե ինչպես է այս հզորությունը ծառայելու տեղական էկոհամակարգին։ Հենց սա է այն կապող օղակը, որը կարող է «ԱԲ գործարան ունեցող երկիր» կարգավիճակը վերածել իրական, նյութական օգուտի Հայաստանի գիտահետազոտական և կրթական համակարգի համար՝ դառնալով գործիք, որին կարող են դիմել ուսանողն ու երիտասարդ հետազոտողը Հայաստանում։

Տեղական հաշվարկային հզորությունն ունենալու իրական, չափելի ազդեցություն մասնագետի արտադրողականության վրա դրսևորվում է երեք կոնկրետ ուղղություններով.

• Արագություն. Մեկ փորձարկումը տևում է ժամեր՝ օրերի փոխարեն. մասնագետը կարող է անցկացնել շատ ավելի շատ փորձեր, ինչը արագացնում է թե՛ ուսուցումը, թե՛ իրական արդյունքի հասունացումը։
• Խնդիրների մասշտաբի ընդլայնում. Խոշոր մոդելների fine-tuning-ը, բազմաշերտ սիմուլյացիաները, մեծածավալ տվյալների վերլուծությունը դառնում են իրագործելի, ինչը բացում է հետազոտության նոր ուղղություններ։
• Մասնագետների պահպանում երկրում. Երբ որակյալ հաշվողական հզորությունը հասանելի է Հայաստանում, նվազում է այն հիմնական պատճառներից մեկը, որով երիտասարդ ինժեներներն ու հետազոտողները տեղափոխվում են արտասահման։