MLOps: mercato

Posizione

un'offerta aperta che ha superato il controllo di qualità e indica almeno due tecnologie

Candidato osservato

un candidato il cui stack contiene questa tecnologia; un dato aggregato: nessun singolo record esce dal perimetro

Candidato abbinabile

non ancora conteggiato

Finestra

offerte aperte nel momento in cui è stato creato lo snapshot

Junior MLOps: l'ingresso tipico è: 1) DevOps / SRE Middle + interesse per il ML, 2) ML Engineer Middle + interesse per l'infrastruttura, 3) Backend Senior + conoscenze di ML (tramite corsi). Il salto Junior → Middle: dopo il primo deployment end-to-end di una piattaforma ML (Feature Store + Model Registry + stack di serving + monitoraggio). Middle → Senior: responsabilità della piattaforma multi-team + ottimizzazione dei costi (mandato tipico: riduzione del 30-50% dei costi di calcolo tramite quantizzazione + caching + istanze spot). Senior → Staff / Principal: architettura della piattaforma ML per un'organizzazione multi-prodotto + strategia di integrazione con i team DevOps / SRE / Data Platform. Percorso di carriera: DevOps Middle / ML Engineer Middle → Junior MLOps (1-2 anni) → Middle (2-3 anni) → Senior → oppure Staff / Principal MLOps (in profondità), MLOps Tech Lead (management), o Founder in una startup di piattaforme ML.

I principali nel 5: mlops, ci/cd, aws, cloud, docker. Python (principale: per l'infrastruttura personalizzata), Go come bonus (per i componenti infrastrutturali critici per le prestazioni, per esempio i proxy di serving). Padronanza di Docker (build multi-stage per immagini ML ottimizzate, container GPU). Padronanza di Kubernetes (standard di produzione per il serving ML: Deployment / StatefulSet / DaemonSet / Job / CronJob, RBAC, Network Policies, Resource Quotas, HPA / VPA / Cluster Autoscaler). GPU operator (NVIDIA GPU Operator per lo scheduling delle GPU in K8s). Operator K8s per il ML: Kubeflow Training Operator + Spark Operator + Argo Workflows. Helm + Kustomize + ArgoCD / FluxCD: lo standard GitOps. Terraform / Pulumi / CloudFormation (IaC per il ML gestito nel cloud: risorse AWS / GCP / Azure). Padronanza di MLflow (standard open source per model registry + tracciamento: il Senior gestisce la personalizzazione dei plugin MLflow). Kubeflow + Kubeflow Pipelines (orchestrazione ML nativa K8s: spesso richiesta dalle grandi aziende). Orchestratori di workflow: Airflow + Prefect + Dagster (uno a fondo: Dagster in crescita nel 2026). Feature store: Feast (open source) o Tecton (gestito): indispensabili per un Senior MLOps. Serving dei modelli: Triton Inference Server (NVIDIA: multi-framework + batching dinamico) + BentoML (adatto a Python) + TorchServe + KServe (serving nativo K8s). Serving specifico per LLM: vLLM (PagedAttention: record per il serving di LLM ad alto throughput), Text Generation Inference (TGI) di Hugging Face, SGLang (modello di programmazione per il serving di LLM + caching), Ollama (serving locale di LLM). Osservabilità: Prometheus + Grafana + Loki + OpenTelemetry. Monitoraggio ML + rilevamento del drift: Evidently AI + WhyLabs + Arize AI + Fiddler (uno a fondo). Versionamento dei dati: DVC + LakeFS. ML gestito nel cloud: uno tra AWS SageMaker / GCP Vertex AI / Azure ML / Databricks a fondo. Piattaforme di calcolo distribuito: padronanza di Spark + Ray. Ottimizzazione dei costi: strategia delle istanze spot, condivisione delle GPU (NVIDIA MIG), integrazione della quantizzazione, strategie di caching (Redis per i risultati dell'inferenza), analisi dei costi dell'inferenza batch vs in tempo reale.

DevOps Engineer: focus sull'infrastruttura applicativa generale (CI/CD + monitoraggio + cloud + Kubernetes + IaC). Stack: Docker / K8s / Terraform / Prometheus / Grafana / Ansible / Jenkins / GitHub Actions / cloud (AWS / GCP / Azure). Vedi DevOps Engineer (generale) (quando la pagina sarà pubblicata). Platform Engineer: DevOps + focus sugli strumenti interni. Costruisce una piattaforma per gli ingegneri (gestione dei cluster K8s + ArgoCD + IDP: Internal Developer Platform: Backstage / Port / Cortex). MLOps Engineer (questa pagina): DevOps + focus specifico sul ML. Costruisce una piattaforma ML per i team DS / ML Engineer / Research. Sopra lo stack DevOps: MLflow / Kubeflow / Feature Store / Model Serving (Triton / vLLM) / monitoraggio ML (Evidently / WhyLabs) / ML gestito nel cloud (SageMaker / Vertex AI). ML Platform Engineer: Senior MLOps con focus su una piattaforma riutilizzabile come prodotto (per l'intera organizzazione, non per un solo team). Sovrapposizione di carriera: da DevOps Middle a MLOps Junior: 6-12 mesi (impara lo stack ML + Kubeflow / MLflow + ML gestito nel cloud). MLOps Senior ↔ Platform Engineer Senior: passaggio laterale facile (molto stack condiviso). Da ML Engineer Middle a MLOps Junior: 4-8 mesi (conosce già lo stack ML, deve approfondire Kubernetes + Terraform + osservabilità). DevOps → MLOps: più distante del passaggio a Platform Engineer (lacuna di conoscenze ML).

Albero decisionale per la scelta della piattaforma ML 2026: 1) MLflow (open source, indipendente dai fornitori): il migliore per tracciamento degli esperimenti + model registry + deployment semplice. Leggero. Self-hosted o gestito (Databricks). Caso d'uso: la base della piattaforma ML per la maggior parte delle organizzazioni. Scelta predefinita 2026 per il tracciamento del ML a livello di team. 2) Kubeflow + Kubeflow Pipelines (open source, nativo Kubernetes): il migliore per le organizzazioni enterprise K8s-first che vogliono uno stack di piattaforma ML completo senza vincolo a un fornitore. Configurazione più pesante. Include: Pipelines (workflow) + Training Operator (addestramento distribuito) + Serving (KFServing → KServe) + Notebooks. Caso d'uso: grande enterprise + team maturo su Kubernetes + requisito multi-cloud / on-prem. 3) AWS SageMaker (gestito): il migliore per le organizzazioni native AWS. Completo: SageMaker Studio (IDE) + Training Jobs + Hyperparameter Tuning + Pipelines + Endpoints (in tempo reale + batch) + Model Registry + Feature Store + Clarify (rilevamento dei bias). Vincolo ad AWS. Caso d'uso: organizzazione AWS-first + piccolo team ML: conviene grazie al numero di funzionalità in un'unica piattaforma. Costoso su larga scala. 4) GCP Vertex AI (gestito): l'equivalente Google di SageMaker. Forte su: Vertex AI Workbench (Jupyter nel cloud), Pipelines (basate su Kubeflow: portabili), AutoML, accesso alle TPU (per la ricerca / addestramenti di grandi dimensioni), Model Garden (modelli pre-addestrati). Caso d'uso: organizzazione GCP-first + importanza della portabilità di Kubeflow. 5) Azure ML (gestito): l'equivalente Azure. Forte su: Designer (costruttore visuale di pipeline ML), AutoML, capacità MLOps, integrazione nativa con Azure. Caso d'uso: organizzazione Azure / Microsoft-first. 6) Databricks (gestito multi-cloud): il migliore per carichi ML Spark-first + Lakehouse. Creatori di MLflow. Prezzi premium. Caso d'uso: organizzazioni con molti dati e pattern Spark / Lakehouse. 7) Piattaforme specializzate: Weights & Biases (la migliore UX per il tracciamento degli esperimenti: la preferita della ricerca), Comet (alternativa a W&B), Neptune, Determined AI (piattaforma di addestramento distribuito), Run:AI (orchestrazione delle GPU: acquisita da NVIDIA), Truefoundry + Bento (serving moderno dei modelli). Predefinito 2026 per un nuovo team ML: MLflow self-hosted (o Databricks gestito se l'uso di Spark è intenso) + serving su Kubernetes (Triton / vLLM) + Feast (feature store) + Prometheus + Grafana + Evidently AI. Predefinito per un'enterprise nativa AWS: SageMaker (se i costi sono accettabili + team piccolo) o MLflow su EKS + servizi personalizzati (più economico su larga scala). Predefinito per un'enterprise matura su Kubernetes: Kubeflow + MLflow.

Sì, il 28% delle offerte MLOps è completamente da remoto o ibrido. Il lavoro MLOps è nel cloud (tutta l'infrastruttura in K8s cloud / servizi gestiti). Le aziende di outsourcing (EPAM AI Platform / Luxoft / Andersen): quasi sempre da remoto su progetti AI statunitensi. Aziende di prodotto russe: ibrido o da remoto dopo il periodo di prova. Banche russe (Sber AI banking / VTB): ibrido/in sede per la compliance di sicurezza. Aziende internazionali di piattaforme ML (Truefoundry / Bento / Weights & Biases / Comet / Domino Data Lab / Determined AI / Run:AI): completamente da remoto come standard. ML Platform nelle Big Tech: ibrido come standard, in parte da remoto. Hub per chi si trasferisce nell'MLOps: Polonia (Varsavia / Cracovia: favorevole alle AI Platform), Germania (Berlino / Monaco), Canada (Toronto), Serbia, Georgia, Emirati Arabi Uniti. Inglese per il lavoro MLOps internazionale da remoto: indispensabile (premio +30-50%, e l'MLOps comporta un'intensa collaborazione tra team in inglese).

MLOps Engineer (general) — can work in any ML team (product team / research lab / AI consultancy). Stack: universal MLOps. ML Platform Engineer — Senior MLOps with focus on reusable platform-as-product for the whole organisation (not for a single team). On top of that: internal API design (for other ML Engineers / DS), self-service tools (templates / scaffolding / CLI tools — like generate-new-model-project), SLA management for platform components (uptime / latency / throughput targets), cost-chargeback systems (per-team compute usage tracking + billing), onboarding documentation + training programmes for other ML team members, backwards-compatibility management for shared platform components, open-source contribution to platform components (e.g. Feast / Kubeflow contributions). Staff / Principal MLOps — even higher, typically managing an ML platform team (3-7 MLOps engineers + integrations with DevOps / SRE / Data Platform leads). Career choice: MLOps Engineer if you like being hands-on with a new problem every day, ML Platform Engineer if you like building reusable systems and working with multiple consumer teams. All three are legitimate Senior+ paths.

Roadmap: 1) Base DevOps solida: padronanza di Linux + networking + bash, padronanza di Docker (build multi-stage + ottimizzazione dei layer + scansione di sicurezza), padronanza approfondita di Kubernetes (Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA + basi dei CRD custom). Libri: "Kubernetes in Action" di Lukša, "The Kubernetes Book" di Poulton. 2) Padronanza dell'IaC: Terraform a fondo (moduli / gestione dello state / workspace) + comprensione dei pattern specifici di ogni provider cloud. Corso HashiCorp Learn (gratuito). Pattern GitOps con ArgoCD / FluxCD. 4) Piattaforma cloud a fondo: scegli tra AWS / GCP / Azure e supera la certificazione Solutions Architect Associate / Professional. 5) Basi di ML: minimo: Python + pandas + scikit-learn + PyTorch (basi) + capire i cicli di training / inferenza. Corso fast.ai "Practical Deep Learning" Part 1. "Designing Machine Learning Systems" di Chip Huyen: lettura obbligatoria MLOps 2026 (per capire il flusso ML dal training al deployment). 6) Experiment tracking + model registry: padronanza approfondita di MLflow (Tracking + Registry + Projects + Models). Configura MLflow self-hosted su EKS / GKE / AKS. 7) Stack di serving ML: Triton Inference Server (multi-framework + dynamic batching) + BentoML + KServe. Serving di LLM: padronanza di vLLM (PagedAttention + continuous batching) + TGI + SGLang. 8) Feature Store: Feast (open source): configuralo end-to-end su un progetto di test (offline + online + retrieval). 9) Orchestrazione: uno tra Airflow / Prefect / Dagster + basi di Kubeflow Pipelines. 10) Monitoraggio ML: Evidently AI (rilevamento del drift + qualità dei dati) + WhyLabs o Arize AI o Fiddler: uno a fondo. 11) Progetto personale: deploy di una piattaforma ML completa (cluster K8s + MLflow + Feast + Triton + Prometheus + Grafana + Evidently AI) con un semplice ciclo di vita del modello (train → register → deploy → monitor → retrain). Documentalo nel README su GitHub. 12) Contributo all'open source: Feast / Kubeflow / MLflow / vLLM / Triton: aumenta nettamente il valore del CV MLOps. Corsi russi: Karpov.Courses "MLOps", Otus "MLOps", percorso MLOps di SkillFactory, intensivo MLOps di Slurm. Internazionale (EN): corso MLOps "Made with ML" di Goku Mohandas (gratuito, completo), corso MLOps di Hugging Face, Coursera "MLOps Specialization" di DeepLearning.AI, Databricks Academy MLOps. Libri da leggere assolutamente: "Designing Machine Learning Systems" di Chip Huyen, "Machine Learning Design Patterns" di Lakshmanan, "Reliable Machine Learning" di Cathy Chen. DevOps Middle / ML Engineer Middle → Junior MLOps: 4-10 mesi. Backend Senior → Junior MLOps: 8-14 mesi (serve imparare lo stack ML).

207 active open MLOps positions — growing ML-infrastructure niche. Geography: the US, Poland, the UK. The real market is broader thanks to the international remote segment (ML-platform companies — Truefoundry / Bento / W&B / Comet / Determined AI / Domino Data Lab + AI-startup MLOps teams — full-remote standard). Time to close a Senior MLOps role — 5-10 weeks (faster than Research, slower than DevOps general due to rare ML-skill combination). MLOps — the most "recession-resistant" AI/ML niche (companies cut research first, MLOps continuously needed for production).

Un Senior MLOps gestisce l'intero ciclo di ingegneria della piattaforma ML + leadership tecnica. Padronanza della programmazione: Python a fondo + Go come bonus per l'infrastruttura critica per le prestazioni. Padronanza di Docker: build multi-stage, ottimizzazione dei layer, container GPU, scansione di sicurezza (Trivy / Snyk). Padronanza approfondita di Kubernetes: Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA / VPA / Cluster Autoscaler, basi dei CRD personalizzati, GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows. Padronanza dell'IaC: Terraform a fondo (moduli / state / workspace), uno tra Pulumi / CloudFormation come bonus. Padronanza del GitOps: ArgoCD / FluxCD + pattern Kustomize / Helm. Piattaforma cloud a fondo: una tra AWS / GCP / Azure a livello Solutions Architect Professional. Padronanza di MLflow: personalizzazione profonda + plugin + pattern di multi-tenancy. Kubeflow Pipelines: deploy su scala enterprise + componenti personalizzati + multi-tenancy. Padronanza dei Feature Store: Feast a fondo (offline + online + retrieval + monitoraggio + multi-tenancy) o Tecton (gestito). Padronanza del model serving: Triton Inference Server a fondo (ensemble + dynamic batching + repository dei modelli) + BentoML + KServe. Padronanza del serving degli LLM (nel 2026 obbligatoria): vLLM a fondo (PagedAttention + continuous batching + speculative decoding + ottimizzazione della KV cache) + TGI + SGLang + Ollama. Piattaforme di calcolo distribuito: padronanza di Spark + Ray (Spark Operator su K8s, Ray Train + Ray Serve). Osservabilità a fondo: Prometheus + Grafana + Loki + OpenTelemetry + metriche personalizzate + strategie di alerting. Monitoraggio ML: pattern di integrazione di Evidently AI + WhyLabs / Arize AI / Fiddler. Padronanza dell'ottimizzazione dei costi: strategia delle istanze spot + condivisione delle GPU (NVIDIA MIG) + integrazione della quantizzazione (INT8 / FP16 / FP4) + strategie di caching (Redis per i risultati dell'inferenza) + analisi dei costi dell'inferenza batch vs in tempo reale + pianificazione delle reserved instance. Mandato tipico di un Senior MLOps: riduzione del 30-50% dei costi di calcolo combinando queste tecniche. Padronanza della sicurezza: gestione dei segreti (Vault / KMS del cloud), network policy, sicurezza della supply chain (immagini firmate), privacy dei dati (gestione dei PII nelle pipeline ML). System design per le piattaforme ML: progettare alla lavagna piattaforme ML su scala di 100M+ previsioni al giorno + multi-tenant + multi-regione. Soft skill: scrittura di ADR per le decisioni sulla piattaforma, scrittura tecnica (documentazione della piattaforma + materiali di onboarding), revisione del codice per più team, mentoring degli MLOps Middle, collaborazione tra team (DevOps / SRE / Data Platform / ML Engineer / DS / Research). Inglese OBBLIGATORIO per Senior+: l'MLOps comporta un lavoro intenso tra team in inglese. Bonus facoltativi: contributi open source a Feast / Kubeflow / MLflow / vLLM / Triton: aumentano nettamente il valore di mercato per i laboratori di frontier AI + le aziende di piattaforme ML.