Curs machine learning sau AI engineering? Ghid de decizie 2026

„Vreau să fac un curs de machine learning" era, până acum câțiva ani, o propoziție cu un singur sens: matematică, statistică, Python, antrenezi modele pe date proprii. În 2026 aceeași propoziție ascunde două meserii diferite, cu prerechizite diferite, unelte diferite și joburi diferite, iar majoritatea oamenilor care caută un curs de machine learning nu știu încă pe care dintre ele o vor. Articolul acesta face exact o singură treabă: îți arată bifurcația, ce conține realist fiecare tip de curs, cât se transferă între ele și cum decizi în funcție de unde pornești, ca să nu plătești un program de un an pentru o competență de care nu ai nevoie.

Bifurcația din 2026: două meserii care împart același cuvânt

Confuzia are o cauză precisă. Până la apariția modelelor de fundație, singura cale de a pune „inteligență" într-un produs software era să antrenezi tu un model: colectai date, le curățai, alegeai un algoritm, îl antrenai, îl evaluai, îl puneai în producție. Machine learning-ul era, prin definiție, construirea de modele.

Modelele mari de limbaj au rupt această echivalență. Astăzi poți construi un asistent care răspunde din documentele firmei, un agent care execută sarcini în mai mulți pași sau un clasificator de tichete de suport fără să antrenezi nimic: folosești un model deja antrenat de altcineva, prin API sau rulat local, și îți pui energia în ce trimiți modelului, cum îi dai acces la date și unelte, cum îi măsori calitatea și cât te costă. Aceasta e a doua meserie, numită de piață AI engineering.

Cele două se suprapun pe un fundament comun (Python, noțiuni de evaluare, înțelegerea a ce este un model și cum eșuează), dar diverg rapid dincolo de el:

• ML/Data Science clasic răspunde la întrebarea „cum construiesc și validez un model care învață din datele mele?"
• AI Engineering răspunde la întrebarea „cum construiesc un produs fiabil peste un model pe care nu l-am antrenat eu?"

Ce este rolul de AI engineer și cât se plătește nu e subiectul acestui articol: descrierea rolului e în ce este un AI engineer, iar discuția despre bani în salariul de AI engineer în România. Aici vorbim strict despre ce înveți și cum alegi.

Ce înveți la un curs de machine learning clasic

Un curs de machine learning serios, indiferent că se numește „data science", „deep learning" sau „ML applied", are un miez care nu s-a schimbat fundamental și nu se va schimba, pentru că e matematică aplicată.

Prerechizite reale, nu cele din broșură

• Matematică la nivel funcțional: algebră liniară (vectori, matrice, produse, descompuneri), calcul diferențial (gradienți, de ce coborâm pe gradient), probabilități și statistică (distribuții, estimare, testare de ipoteze, ce înseamnă „semnificativ"). Nu ai nevoie de demonstrații; ai nevoie să înțelegi ce se întâmplă când modelul „învață".
• Python solid: nu sintaxa, ci lucrul cu NumPy și pandas, vectorizare, gestionarea unui set de date care nu încape confortabil în memorie.
• Disciplină experimentală: capacitatea de a ține un jurnal de experimente și de a nu te păcăli singur. E prerechizitul cel mai puțin predat și cel mai important.

Ce construiești

• Pipeline-uri de date: curățare, tratarea valorilor lipsă, encodare, scalare, feature engineering, adică transformarea datelor brute în variabile din care modelul poate învăța ceva.
• Modele supervizate (clasificare, regresie) și nesupervizate (clustering, reducerea dimensionalității), de la regresie logistică și arbori până la gradient boosting.
• Rețele neurale, dacă programul intră în deep learning: perceptron multistrat, convoluții pentru imagini, recurențe sau atenție pentru secvențe, antrenare cu backpropagation.
• Evaluare corectă: împărțire train/validation/test, validare încrucișată, metrici potrivite problemei (nu doar acuratețe), diagnosticarea overfitting-ului, detectarea scurgerii de informație din test în train.

Unelte

scikit-learn pentru ML clasic, PyTorch pentru deep learning, pandas și NumPy pentru date, un tracker de experimente când proiectele cresc. Uneltele sunt stabile de ani de zile; ce se schimbă e ce le pui deasupra.

Output și profil de job

La final ai modele antrenate de tine, pe care le poți explica și apăra: de ce acest algoritm, de ce aceste features, de ce această metrică, ce se întâmplă când distribuția datelor se schimbă. Joburile vizate: data scientist, ML engineer, roluri de cercetare aplicată, poziții în care problema e specifică datelor unei organizații (scoring de risc, detecție de fraudă, prognoză de cerere, mentenanță predictivă).

Ce înveți la un curs de AI engineering

Un curs de AI engineering pornește de la premisa că modelul există deja și e mai bun decât orice ai putea antrena tu în timp rezonabil. Munca se mută la stratul de deasupra.

Prerechizite

• Programare de producție, nu doar scripturi: API-uri, gestionarea erorilor, asincronie, testare, deployment. Python rămâne limbajul dominant, dar TypeScript e la fel de prezent în această zonă.
• Înțelegere conceptuală a modelelor: ce e un token, ce e o fereastră de context, de ce răspunsurile variază, ce e un embedding și de ce funcționează căutarea semantică. Fără matematică grea, dar cu intuiții corecte.
• Gândire de produs: ce înseamnă „răspuns bun" pentru utilizatorul tău, când e acceptabilă o eroare, cât costă o interacțiune.

Ce construiești

• Prompting structurat și integrare prin API: apeluri, streaming, function calling, output structurat.
• RAG (retrieval-augmented generation): indexarea documentelor, embeddings, baze vectoriale, strategii de chunking și de căutare, ca modelul să răspundă din datele tale, nu din memorie.
• Agenți: sisteme în care modelul decide ce unelte să apeleze și în ce ordine, cu bucle de control, limite de siguranță și protocoale de conectare la unelte.
• Evals: seturi de test pentru comportament, judecători automatizați, regresii la fiecare schimbare de prompt sau de model. E echivalentul test set-ului din ML clasic și e la fel de des ignorat de începători.
• Securitate și cost: prompt injection, scurgeri de date, controlul consumului de tokeni, caching, alegerea modelului potrivit sarcinii.

Toată această listă, de la fundamentele ML până la agenți, evaluare, securitate și cost control în producție, e tratată pe larg, cu proiecte practice, în Introducere în AI Engineering, care are inclusiv un modul de machine learning essentials (supervizat, nesupervizat, rețele neurale) tocmai pentru că un AI engineer fără aceste noțiuni nu poate evalua ce construiește.

Unelte

SDK-urile furnizorilor de modele (OpenAI, Anthropic, Google), ecosistemul Hugging Face pentru modele deschise și embeddings, biblioteci de orchestrare precum LangChain sau LlamaIndex, baze vectoriale, unelte de evaluare și observabilitate. Aici uneltele se schimbă des; conceptele (retrieval, evaluare, control al costului) rămân.

Output și profil de job

La final ai aplicații funcționale peste modele de fundație, cu evaluări măsurabile și un buget de cost pe care îl înțelegi. Joburile vizate: AI engineer, software engineer cu specializare AI, roluri de integrare LLM în produse existente. Parcursul concret de la developer la acest rol e descris separat în de la developer la AI engineer, iar planul lună cu lună până la primul job în roadmap-ul de AI engineer.

Machine learning vs AI engineering: comparația pe scurt

Cât din cunoștințe se transferă între ele

Aici e vestea bună și, în același timp, capcana. Se transferă mult, dar nu în ambele direcții la fel.

Dinspre ML clasic spre AI engineering se transferă aproape tot ce contează: înțelegerea a ce este un model, disciplina evaluării, reflexul de a separa datele de test, intuiția că un model bun pe un benchmark poate fi prost pe datele tale. Un data scientist care învață API-uri, RAG și agenți devine un AI engineer foarte bun, pentru că are exact partea greu de învățat rapid: judecata asupra calității.

Dinspre AI engineering spre ML clasic se transferă mai puțin: programarea de producție și gândirea de sistem ajută, dar nu înlocuiesc matematica și statistica. Cine a construit doar peste API-uri și vrea să antreneze un model de prognoză descoperă că trebuie să înceapă fundamentele de la capăt.

Concluzia practică: dacă ai timp și răbdare pentru un singur traseu complet și nu știi încă exact ce vrei, fundamentele de ML sunt investiția care nu se devalorizează. Dacă ai un obiectiv concret de produs sau de job în următoarele luni, AI engineering te duce mai repede la ceva funcțional, cu condiția să nu sari peste noțiunile de evaluare.

Când ai nevoie de ambele și când nu

Există o zonă de mijloc în care cele două meserii se întâlnesc obligatoriu. Dacă traseul tău trece pe aici, planifică ambele seturi de competențe:

• Fine-tuning: adaptezi un model de fundație pe datele tale. Ai nevoie să știi ce e un dataset de antrenare curat, cum eviți supraînvățarea, cum evaluezi înainte și după (ML clasic) și cum servești și monitorizezi modelul rezultat (AI engineering). Decizia dacă merită deloc e tratată separat în când merită fine-tuning; tehnica în sine, de la designul dataset-urilor și LoRA/QLoRA până la evaluare, serving și operare continuă, e acoperită în Fine-Tuning și Adaptarea Modelelor AI.
• MLOps: indiferent dacă modelul e antrenat de tine sau adaptat, ducerea lui în producție cere versionarea datelor, registre de modele, CI/CD pentru ML, monitorizare de drift și reantrenare controlată. E o disciplină de inginerie construită peste ML, tratată de la arhitectură la governance în MLOps: de la prototip la producție.
• Sisteme de recomandare: modelele de fundație ajută la înțelegerea conținutului, dar ierarhizarea la scară, feedback-ul implicit și evaluarea offline/online sunt ML clasic pur.
• Forecasting (prognoză): cerere, stocuri, trafic, consum. Aproape integral ML clasic și statistică de serii de timp; un LLM nu îți va prognoza vânzările pe trimestrul viitor.

Și când NU ai nevoie de ambele:

• Construiești un asistent peste documente, un agent de suport, un flux de extragere de informații din text, un copilot intern: AI engineering e suficient, iar matematica ML-ului ar fi timp cheltuit fără randament imediat.
• Lucrezi cu date tabelare, ai etichete și o problemă de predicție bine definită: ML clasic e suficient și mai ieftin de operat; un model de fundație ar fi o soluție scumpă pentru o problemă pe care gradient boosting-ul o rezolvă de ani de zile.

Ghid de decizie pe 5 profiluri

Cine ești când pornești schimbă răspunsul mai mult decât orice tendință de piață. Cele cinci profiluri de mai jos acoperă marea majoritate a celor care ajung să caute un curs de machine learning.

1. Student la o facultate tehnică

Ai matematica proaspătă și timp: e singurul moment din viață când fundamentele ML se învață aproape gratis ca efort. Fă-le acum, în paralel cu cursurile de facultate, pe cât posibil pe proiecte cu date reale (nu doar seturi de date clasice de exercițiu). Adaugă AI engineering în ultimul an sau când începi să cauți stagii, pentru că acolo sunt majoritatea pozițiilor de intrare care cer „ceva cu AI". Ordinea contează: cine face întâi fundamentele și apoi stratul aplicativ ajunge să înțeleagă ambele; invers e mai greu.

2. Backend developer

Ai deja jumătatea grea a AI engineering-ului: producție, API-uri, sisteme. Drumul cel mai scurt spre valoare e să adaugi stratul de modele peste ce știi: prompting structurat, RAG, agenți, evals, cost. Nu te apuca de un curs de deep learning cu derivate ca prim pas; îl vei abandona la a treia săptămână, pentru că nu se leagă de nimic din munca ta. Revino la fundamentele ML doar dacă proiectele te împing spre fine-tuning sau spre probleme de predicție pe date tabelare. Dacă te întrebi în primul rând dacă mai merită să investești în programare, răspunsul e în mai merită să înveți programare în 2026.

3. Data analyst

Ești cel mai bine plasat profil pentru ML clasic: lucrezi deja cu date, cunoști SQL, ai intuiție statistică, chiar dacă neformalizată. Un curs de machine learning te transformă din cineva care descrie trecutul în cineva care prezice viitorul, pe aceleași date. AI engineering-ul e un al doilea pas util, mai ales pentru automatizarea analizelor și pentru interfețe în limbaj natural peste date, dar nu e primul pas. Atenție la un detaliu: „analyst care a făcut un curs de LLM" nu e un profil clar pe piață; „analyst care poate construi și valida un model de predicție" este.

4. Cercetător sau doctorand

Dacă domeniul tău are date și întrebări de predicție (biologie, economie, inginerie, științe sociale), ML clasic e limbajul metodei; ai nevoie de rigoarea evaluării mai mult decât de orice unealtă nouă. Dacă cercetarea ta e despre modelele de limbaj în sine sau despre aplicarea lor în domeniu, ai nevoie de ambele: fundamente pentru a înțelege ce faci și AI engineering pentru a construi reproductibil. Prerechizitul de matematică nu e o barieră pentru tine; barierele reale sunt ingineria software și disciplina de producție, care nu se predau la doctorat.

5. Profesionist non-IT care vrea partea tehnică

Fii onest cu obiectivul. Dacă vrei să construiești unelte pentru munca ta (automatizări, asistenți pe documentele tale, extragere de informații), AI engineering la nivel introductiv e ținta corectă, și Python-ul necesar se învață pe parcurs. Dacă vrei să devii data scientist, drumul e mai lung și trece obligatoriu prin matematică și statistică; nu există scurtătură, și un curs care îți promite contrariul te păcălește. Pentru majoritatea oamenilor din acest profil, primul pas bun e un curs de AI engineering aplicat, iar decizia despre ML clasic se ia după ce ai construit trei lucruri funcționale și știi ce te atrage.

Întrebări de pus înainte de a plăti orice curs de machine learning

Criteriile generale pentru alegerea unui curs AI (red flags, structura, suport) sunt tratate în cum alegi un curs AI online. Lista de mai jos e specifică bifurcației din acest articol; pune-le vânzătorului sau caută răspunsul în programă înainte de a plăti.

1. Antrenez eu modele sau folosesc modele existente? Dacă răspunsul e ambiguu, cursul nu și-a definit publicul.
2. Ce prerechizite de matematică sunt presupuse, concret? „Nu ai nevoie de matematică" la un curs de deep learning e un semnal de alarmă; „algebră liniară și probabilități la nivel de an I" e un răspuns onest.
3. Cum se evaluează modelele în curs? Dacă nu apar cuvintele test set, validare, overfitting (pentru ML) sau evals, regresii, judecător (pentru AI engineering), evaluarea lipsește, și cu ea partea de meserie.
4. Ce construiesc la final, pe ce date? Un proiect pe date curate de exercițiu învață mai puțin decât unul pe date murdare, reale, cu decizii de făcut.
5. Cât din curs e despre unelte și cât despre concepte? La AI engineering, uneltele se schimbă la câteva luni; un curs care e 80% tutorial de bibliotecă expiră repede.
6. Ce se întâmplă cu costul și cu producția? Un curs de AI engineering care nu discută tokeni, latență, caching și monitorizare te învață să faci demo-uri, nu produse.
7. Cine a scris materialul și când a fost actualizat? Nu pentru autoritate, ci pentru că în AI engineering un material de acum doi ani descrie unelte și modele care nu mai există în forma aceea.
8. Ce NU acoperă cursul? Un răspuns clar („nu facem fine-tuning, nu facem serii de timp") e semn de program gândit; „acoperim tot" e semn de program superficial.

Greșeli frecvente în alegerea unui curs de ML sau AI

• Începi cu competiții de tip Kaggle și te miri că nu ai job. Competițiile învață optimizarea unei metrici pe un set de date curat; joburile cer definirea problemei, curățarea datelor, comunicarea rezultatului și producția. Sunt un exercițiu excelent de tehnică și un portofoliu slab de angajare, dacă rămân singurul lucru din el.
• Înveți LLM-uri fără să știi ce e un test set. Rezultatul e un sistem RAG „care merge" în demo și pe care nu-l poți îmbunătăți, pentru că nu ai cum să măsori dacă o schimbare l-a făcut mai bun sau mai rău.
• Faci un curs de deep learning cu derivate când voiai să construiești un asistent pe documente. Abandon la săptămâna trei, concluzia greșită că „nu e pentru mine", când de fapt ai ales traseul greșit.
• Colecționezi cursuri în loc să termini proiecte. Trei cursuri introductive terminate nu bat un singur proiect dus în fața unor utilizatori, cu evaluări și cost măsurate.
• Alegi după numele cursului, nu după programă. „Data science" poate însemna Excel avansat sau rețele neurale; „AI" poate însemna orice. Citește lista de lecții și caută cuvintele din întrebările de mai sus.
• Ignori transferul asimetric. Sari direct la stratul aplicativ, apoi te blochezi la prima problemă care cere fundamente, și dai vina pe unealtă.
• Aștepți să „se stabilizeze" domeniul. ML clasic e stabil de ani; AI engineering nu se va stabiliza în orizontul în care iei decizia. Alege pe baza a ce vrei să construiești, nu pe baza a ce se va liniști.

Întrebări frecvente

Î: Am nevoie de matematică pentru un curs de machine learning?

R: Pentru ML clasic, da: algebră liniară, calcul diferențial de bază și probabilități/statistică, la nivel de înțelegere, nu de demonstrații. Fără ele poți rula cod, dar nu poți diagnostica de ce un model nu funcționează. Pentru AI engineering, matematica grea nu e un prerechizit; ai nevoie de intuiții corecte despre modele și de programare de producție.

Î: Este AI engineering doar „machine learning mai ușor"?

R: Nu. E o meserie diferită, cu dificultăți proprii: evaluarea comportamentului nedeterminist, securitatea (prompt injection), controlul costului, fiabilitatea agenților. E mai accesibilă la intrare pentru un developer, dar nu e o versiune simplificată a ML-ului; e un alt strat al aceluiași sistem.

Î: Ce înveți la un curs de data science față de unul de machine learning?

R: În practică termenii se suprapun mult. „Data science" tinde să includă mai multă analiză exploratorie, vizualizare, statistică și comunicare a rezultatelor; „machine learning" pune accentul pe construirea și evaluarea modelelor predictive. Verifică programa, nu titlul: unele cursuri de „data science" nu depășesc analiza descriptivă.

Î: Pot trece de la AI engineering la data science mai târziu?

R: Da, dar transferul e asimetric: vei păstra programarea de producție și disciplina evaluării, însă fundamentele matematice și statistice trebuie învățate de la zero. Drumul invers, de la ML clasic spre AI engineering, e mai scurt, pentru că partea greu de învățat (judecata asupra modelelor) e deja acolo.

Î: Un curs de deep learning e același lucru cu un curs de AI engineering?

R: Nu. Deep learning e o ramură a ML clasic: antrenezi rețele neurale (convoluții, transformere) pe datele tale, cu PyTorch sau echivalente, și ai nevoie de matematică și de resurse de calcul. AI engineering folosește rețele deja antrenate de alții; nu antrenezi nimic în cazul tipic. Ele se întâlnesc în fine-tuning, unde adaptezi un model existent.

Î: Cât durează realist până construiesc ceva funcțional pe fiecare traseu?

R: Depinde de punctul de plecare, nu de curs. Un developer cu experiență poate avea o aplicație RAG evaluată corect în câteva săptămâni de lucru constant; același developer are nevoie de luni pentru a antrena și valida corect un model de prognoză, pentru că trebuie să acopere fundamentele. Un data analyst are proporția inversată. Planifică după profilul tău, nu după promisiunile din descrierea cursului.

Concluzie

„Curs de machine learning" înseamnă în 2026 două trasee distincte: construirea de modele din datele tale, cu matematică, statistică, scikit-learn și PyTorch, sau construirea de produse peste modele de fundație, cu API-uri, RAG, agenți, evals și control al costului. Se transferă mult între ele, dar asimetric: fundamentele ML se duc spre AI engineering aproape integral, drumul invers cere să iei matematica de la capăt. Alegerea corectă depinde de profilul de la care pornești și de ce vrei să construiești în următoarele luni, iar cursul potrivit e cel a cărui programă răspunde clar la întrebările de mai sus, nu cel cu numele cel mai atrăgător.

Articol redactat la 3 septembrie 2026, pe baza surselor oficiale citate. Verifică actualizările înainte de a lua decizii.