Управление файлами cookie
Настройки файлов cookie
Файлы cookie, необходимые для корректной работы сайта, всегда включены.
Другие файлы cookie можно настроить.
Другие файлы cookie можно настроить.
Кто такой ML-инженер? Обсуждаем одну из самых востребованных профессий
Примерное время чтения: 17 минут
Хотите всегда быть в курсе событий на рынке ИТ? Подписывайтесь на наш Telegram-канал!
Искусственный интеллект уже давно не технология из фантастических хроник. Это повседневный инструмент, который ежедневно применяют больше половины разработчиков. По прогнозам Gartner, 500 крупнейших корпораций мира к 2028 году будут задействовать 15 тысяч ИИ-агентов — в тысячу раз больше, чем в 2025 году. А 45% директоров в ИТ станут руководителями целых систем ИИ-агентов, которые будут использованы везде, не только в ИТ-командах.
Все это делает специалистов, работающих с ИИ, более востребованными. Они определяют, какие сервисы и для чего использовать, как оптимизировать трату токенов, обучить модель, выбрать датасет, достичь стабильного результата и не скомпрометировать данные. Еще запустить все в прод — и проследить, чтобы при добавлении данных или с наплывом пользователей ничего не упало.
В статье расскажем, кто такой ML-инженер, что он должен знать, где учиться и набираться опыта.
В статье расскажем, кто такой ML-инженер, что он должен знать, где учиться и набираться опыта.
Содержание:
Кто такой ML-инженер, и почему это не то же самое, что Data Scientist
- Инженер по ML — человек, который внедряет ИИ-модель в продукт. Для этого специалист ее обучает, настраивает веса и пайплайны, выводит в продакшен, следит за качеством ответов и вносит улучшения после запуска.
Среди задач, для которых инженер внедряет нейронки, есть множество вариантов: рекомендации на маркетплейсах, стримингах или в соцсетях, поиск мошеннических операций по заданным паттернам, распознавание документов, лиц, космических объектов или новообразований на снимках МРТ.
В чем отличие от Data Scientist?
В чем отличие от Data Scientist?
- ML-инженер чаще отвечает за инженерную часть: как встроить модель в продукт, автоматизировать обучение ИИ-модели, настроить деплой, мониторинг и поддержку.
- Data Scientist в ответе за данные. Он ищет закономерности, проверяет гипотезы, строит модели и помогает бизнесу принимать решения. Например, специалист работает с большими данными, предиктивной аналитикой, ИИ и ML-моделями, NLP и глубоким обучением, чтобы извлекать из данных полезные выводы.
В маленькой команде один человек может закрывать сразу несколько зон, а в большой компании роли чаще разделяют. Вполне возможно, что инженер по машинному обучению будет мониторить данные, а Data Scientist следить за перекосами в работе модели.
Погружаемся в детали: чем занят ML-инженер на реальных проектах
Специалист ведет модель по всему пути: от определения целей до запуска, мониторинга и доработок. Сначала он переводит запрос бизнеса на язык машинного обучения: что модель должна делать, какие данные ей нужны, какой результат считать хорошим и где ошибка будет стоить слишком дорого.
Дальше специалист работает с данными. Их нужно собрать, очистить, привести к нужному формату, проверить пропуски, дубли, выбросы и перекосы. Еще нужно подготовить признаки — подсказки, по которым модель ищет закономерности. Для рекомендательной системы это могут быть просмотры, покупки и категории товаров. А для антифрода — нетипичная для конкретного человека сумма платежа, страна, устройство и отличие от обычного поведения пользователя.
Задачи, для которых компании из разных областей внедряют ИИ-модели
Потом инженер обучает модель, сравнивает несколько вариантов и проверяет качество по метрикам. Для одной задачи важнее точность, для другой — полнота, для третьей — скорость ответа.
Затем начинается инженерная часть: модель нужно встроить в продукт, завернуть в сервис, подключить API, настроить окружение, нагрузку, логи, права доступа и откат на прошлую версию — если с текущей что-то произойдет.
После запуска работа не заканчивается. Модель нужно мониторить: смотреть на качество и скорость ответов, данные на входе, отлавливать ошибки. ML-система может стареть даже без багов в коде: пользователи меняют поведение, рынок меняется, появляются новые товары, новые схемы мошенничества и новые форматы документов.
Сколько получает инженер по ML в 2026 году. Цифры по грейдам и тенденции
Зарплата в ML сильно зависит от грейда, города, компании и специализации. NLP, computer vision, рекомендательные системы, MLOps и LLM-разработка могут стоить по-разному, потому что задачи и требования к продакшену отличаются. По калькулятору Хабр Карьеры, средняя зарплата ML-разработчика — 229 тыс. ₽ на основании 585 анкет.
В текстах вакансий должности ML-инженер и ML-разработчик часто используются как синонимы. Ориентируйтесь не только на название вакансии, но и на пул обязанностей и требований.
Чтобы получить более точные данные, посмотрим не только на средний доход, но и на зарплаты по грейдам. Информация актуальна на май 2026 года, сведения взяли с Хабр Карьеры и hh.ru.
По сравнению с другими вакансиями в ИТ, некоторые профессии в связке с ИИ выглядят «подороже». Например, в 2026 году зарплаты всех ИТ-специалистов сократились в среднем на 4%. При этом ML-инженеры в первом квартале 2026 получали одни из самых дорогих офферов с медианой 500−800 тыс. ₽. За год предложения для них выросли примерно на 20−25%.
Исследование: ИТ-офферы просели на 4%, но доход питонистов вырос на 40%
Что надо уметь: рассказываем о софтах и хардах
Специалист должен владеть набором инструментов, чтобы добыть данные, обучить на них модель, проверить качество ответов, встроить ИИ в продукт и проследить за его работой после запуска. А еще пригодится хороший английский, умение работать в команде и коммуникабельность.
Hard skills, или «жесткие навыки»:
Hard skills, или «жесткие навыки»:
- Основной язык ML, на котором пишут код для обработки данных, обучения моделей, экспериментов, API и пайплайнов.
- Линейная алгебра, основы вероятности, матстатистика и понимание метрик. Без этого трудно понять, почему модель ошибается, чем precision отличается от recall и почему высокая accuracy иногда ничего не доказывает.
- Или классическое машинное обучение. Нужно понимать классификацию, регрессию, кластеризацию, оценку качества, переобучение, кросс-валидацию и подбор признаков.
- Или глубокое обучение. PyTorch или TensorFlow, нейросетевые архитектуры, обучение на GPU, работа с изображениями, текстами, аудио- и мультимодальными моделями.
- Важно уметь с их помощью разрабатывать приложения на базе LLM. Из наиболее популярных — LangChain, LlamaIndex, Semantic Kernel или Haystack. Это требуют не везде, но крайне желательно их изучить.
- SQL, Pandas, NumPy, базовое понимание хранилищ, очередей и распределенной обработки данных.
- Это все, что превращает модель в нормальный сервис: воспроизводимые пайплайны, версионирование, деплой, мониторинг и переобучение.
- Нужно понимать Git, Docker, API, CI/CD, Kubernetes или хотя бы принципы контейнеров и оркестрации.
- Не просто писать промпты, а работать с RAG, эмбеддингами, векторными базами, безопасностью данных. А еще уметь оценивать ответы, ограничения контекста и оптимизировать траты на токены.
- Читать документацию или искать решения проблем без него будет сложно. Главное — знать терминологию и базовую лексику, чтобы понимать документацию и форумы, задавать правильные вопросы нейронке или поисковику.
Soft skills, или «мягкие навыки». Нужно уметь задавать вопросы бизнесу, объяснять ограничения модели, договариваться с разработчиками, аналитиками и продуктовой командой.
Еще важны аккуратность и здоровый скепсис. Модель может показать хорошую метрику на тесте, но плохо вести себя на новых данных. Или выучить не тот признак, переобучиться или дать результат, который выглядит убедительно, но ломает бизнес-логику.
Как войти в профессию: дорожная карта, чтобы вы не потерялись
Для новичка без опыта примерный срок до первых собеседований — 9−12 месяцев при регулярной учебе 10−15 часов в неделю. Для разработчика, аналитика или QA путь будет короче: часть базы уже есть. Разработчик быстрее разберется с кодом, API и деплоем. Аналитик — с метриками, SQL и бизнес-задачами.
Еще одна важная деталь: лучше подтянуть несколько областей, нежели пытаться стать экспертом в одной. По ходу роста грейда нужно достигать высот везде, но на старте лучше развивать все параллельно и не закапываться. Это ускорит получение оффера.
Пошагово расскажем, какие навыки развивать и сколько времени это займет:
Математическая база, 1–2 недели
Векторы, матрицы, производная, градиент, вероятность, выборка, распределения, метод максимального правдоподобия. Если нет крепкой базы хотя бы из школьной математики, понадобится больше времени.
Python, 4–6 недель
Основное, что нужно на первых порах: функции, классы, структуры данных, работа с файлами, виртуальные окружения.
Вы должны научиться без подсказок решать medium-задачи на LeetCode. А начать стоит с уровня easy. Если что-то не понимаете, скопируйте решение с форума и спросите у нейросети, почему именно так. Одна задачка даст вам два-три новых понятия, которые стоит разбирать по цепочке — и постепенно переходить к более сложному.
SQL, 1–2 недели
SQL, JOIN, агрегации, оконные функции, Pandas, NumPy, пропуски, выбросы.
Классическое машинное обучение (Classic ML), 4–6 недель
Тут больше всего тем, тут копают глубже всего, об этом больше всего спрашивают на собеседованиях.
Темы: линейная и логистическая регрессия, метрики классификации, деревья решений, Random Forest, градиентный бустинг, CatBoost, XGBoost, LightGBM, Bias-Variance Tradeoff и EDA.
Темы: линейная и логистическая регрессия, метрики классификации, деревья решений, Random Forest, градиентный бустинг, CatBoost, XGBoost, LightGBM, Bias-Variance Tradeoff и EDA.
Глубокое обучение (Deep learning) и специализация
Здесь трек разделяется на классическое машинное обучение или NLP и LLM. Все учат базовый deep learning и понимание трансформеров: attention, self-attention и квадратичная сложность. Для NLP и LLM-трека добавляются fine-tuning, RAG, векторные базы, агенты, tool calling, LangChain и LangGraph.
ML System Design
Научиться объяснять бизнес-задачу, метрики, данные, baseline, архитектуру, A/B-тест и путь модели в продакшен.
Деплой
До первых собеседований надо задеплоить самостоятельно хотя бы один проект, который запускается в Docker и принимает запросы через API, например, через FastAPI.
Новичок и свитчер из аналитики или разработки будут учиться в разном темпе — у свитчеров срок сокращается в разы. Время обучения дополнительно растянется, если выбрать NLP и LLM-трек, учить там нужно больше. Зато он самый востребованный.
Где и как учиться
Основных сценариев обучения три: расти внутри компании, пойти в университет или на курсы, учиться самостоятельно. Расскажем подробнее о каждом:
Рост внутри компании:
Вариант для разработчиков, аналитиков, QA и data-инженеров, которые уже работают рядом с данными или продуктовой разработкой. Можно начать с небольших ML-задач внутри команды: подготовить данные, написать скрипт для эксперимента, помочь с метриками, завернуть модель в API или подключиться к MLOps-процессу.
Университет и курсы
Подойдут тем, кому нужна системная база: математика, алгоритмы, статистика, ML, deep learning и инженерные практики. А курсы и программы переподготовки дадут готовую траекторию и практические проекты. Курсы лучше выбирать тем, у кого уже есть база в Python, данных или разработке: тогда курс не превратится в гонку за терминами, а поможет собрать портфолио и закрыть пробелы. Сильные духом и хардами могут испытать удачу при поступлении в ШАД— там есть несколько треков с ИИ и ML.
Самообучение
Подойдет дисциплинированным людям, которые умеют сами строить план и регулярно делать проекты. Начать можно с бесплатных материалов: например, Google Machine Learning Crash Course дает практическое введение в базовые ML-концепции.
Вариант для разработчиков, аналитиков, QA и data-инженеров, которые уже работают рядом с данными или продуктовой разработкой. Можно начать с небольших ML-задач внутри команды: подготовить данные, написать скрипт для эксперимента, помочь с метриками, завернуть модель в API или подключиться к MLOps-процессу.
Университет и курсы
Подойдут тем, кому нужна системная база: математика, алгоритмы, статистика, ML, deep learning и инженерные практики. А курсы и программы переподготовки дадут готовую траекторию и практические проекты. Курсы лучше выбирать тем, у кого уже есть база в Python, данных или разработке: тогда курс не превратится в гонку за терминами, а поможет собрать портфолио и закрыть пробелы. Сильные духом и хардами могут испытать удачу при поступлении в ШАД— там есть несколько треков с ИИ и ML.
Самообучение
Подойдет дисциплинированным людям, которые умеют сами строить план и регулярно делать проекты. Начать можно с бесплатных материалов: например, Google Machine Learning Crash Course дает практическое введение в базовые ML-концепции.
Приведем несколько примеров курсов от топовых университетов, где можно изучить ML и вкатиться в профессию. Эти же университеты — и не только их — можно рассматривать для поступления в бакалавриат или магистратуру на профильную специальность.
МФТИ, программа профессиональной переподготовки. Обучение на 12−18 месяцев, предназначено для подготовленных слушателей. Нужно знать базовую математику, основы линейной алгебры, математическую статистику, основы машинного обучения, Spark, Hadoop и Docker.
МФТИ
Чтобы проверить, готовы ли вы к поступлению, можно пройти бесплатный тест на сайте программы.
Один из 14 вопросов, на которые предлагает ответить МФТИ. Тест подскажет, готов ли человек учиться — или ему нужно подтянуть какие-то навыки.
- МГТУ им. Н. Э. Баумана, курс повышения квалификации. Подойдет начинающим специалистам с базой в анализе данных, которые хотят глубже разобраться в машинном обучении. В программе — Python, sklearn, подготовка датасетов, кластеризация, регрессия, деревья решений, случайный лес, ансамбли, метрики качества и кросс-валидация.
- ИТМО x Karpov. Courses, курс ML Engineering. Подойдет новичкам, аналитикам, разработчикам и специалистам из Data Science, которые хотят получить базу для работы с ML. Курс длится семь месяцев, в портфолио идут два проекта. В программе — классические алгоритмы, нейросети, A/B-тесты, работа с данными и продуктовый подход к ML-задачам.
Как получить первый опыт
Первый опыт в ML — это не обязательно первая работа. Для старта нужны проекты, где видно, что вы можете обучить модель и довести задачу до понятного результата: описать данные, выбрать метрику, сравнить модели, объяснить ошибки и показать код.
Пет-проекты
Начните с двух-трех небольших кейсов: прогноз оттока клиентов, классификация обращений, рекомендательная система, детекция объектов на изображениях или RAG-бот по базе знаний.
Стажировки
Это самый прямой путь к боевым задачам. Во многие крупные компании нужно пройти тестовое задание — например по алгоритмам, ML и математике. Перед ним можно порешить тренировочный контест с заданиями прошлых лет.
Хакатоны и соревнования.
Там вы поработаете с датасетами, метриками, дедлайами и ограничениями — почти как на настоящем проекте. Если победили или заняли призовое место, обязательно укажите это в резюме.
Нетворкинг
Подписывайтесь на ML-профи, читайте разборы проектов, задавайте вопросы в профессиональных чатах, ходите на митапы и пишите людям из команд, где вам интересны задачи. Далеко не всегда цель — просто «попросить работу». Через нетворкинг можно понять, что реально спрашивают на собеседованиях. После таких разговоров проще выбрать проект для портфолио и не учить все подряд.
Подведем итоги: становиться ли ML-инженером в 2026
- Если кратко — становиться. Несмотря на то что вакансий в ИТ стало меньше, профессия не превратилась в закрытый клуб для людей с ученой степенью. Инструменты стали доступнее: есть готовые библиотеки, курсы, открытые датасеты, туториалы, LLM-помощники и фреймворки. Это поможет быстрее перейти от теории к практике. Главное — усидчивость, дисциплина и истинное желание.
Если вы ищете работу в ИТ, посмотрите открытые вакансии Selecty. Возможно, среди них есть проект, где ваши навыки здорово пригодятся.