Студент AI/ML с проектами, но слабыми основами из-за интенсивного использования LLM — как мне реально совершенствоваться ⇐ Python

[Anonymous]

Я учусь на 6-м курсе бакалавриата по технологиям искусственного интеллекта и машинного обучения и собираюсь пройти стажировку в сфере искусственного интеллекта и машинного обучения в индийских стартапах.
Текущая ситуация:

• создал многоагентную систему клинического рассуждения
• создал рекомендатель фильмов с использованием встраивания + векторные базы данных
• финалист Meta x Scaler OpenEnv
• достойный CGPA (~8,2)

GitHub: github.com/alok943
Но, честно говоря, большинство этих проектов были созданы при активной поддержке LLM.
Я могу:

• понимать архитектуру и рабочие процессы
• код отладки
• интегрировать API/инструменты
• развертывать проекты
• итеративно улучшать результаты

Но мне все еще трудно:

• кодировать более крупные вещи полностью с нуля
• уверенно реализовывать основные алгоритмы
• последовательно решать проблемы DSA
• строить системы, не полагаясь сильно на инструменты искусственного интеллекта

После экзаменов мой план:

• ежедневный DSA в Python
• закончить Эндрю Нг специализацию ML + DL
• укрепить основы ML математически
• углубиться в RAG/LLM инженерия
• улучшить коммуникативные навыки и навыки решения проблем

О чем я хочу реалистичных советов от людей, уже работающих в сфере AI/ML:

• Для стажировок в области AI/ML насколько важно DSA по сравнению с инженерными навыками ML?
• Проекты, поддерживаемые LLM, по-прежнему пользуются уважением, если кандидат глубоко понимает систему?
• Следует ли мне больше сосредоточиться на основах или продолжать создавать продвинутые проекты?
• Каких навыков стартапы на самом деле ожидают от новичков в 2026 году?
• Если бы вы были на этой должности, что бы вы сделали расставить приоритеты на ближайшие 6–8 месяцев?

Ищете практический совет, а не мотивацию.