ML Engineer: рынок

Вакансия

открытая вакансия, прошедшая гейт качества и содержащая не менее двух технологий

Наблюдаемый кандидат

кандидат, чей стек содержит эту технологию; агрегат, без единой записи наружу

Подходящий кандидат

пока не считается

Окно

открытые вакансии на момент сборки снимка

Топ-5: python, cloud, pytorch, llm, aws. Python — монополист (R почти не встречается в production ML 2026). Deep Learning frameworks: PyTorch доминирует 2026 (70%+ production), TensorFlow legacy + still big в enterprise, JAX для research-edge cases. Classical ML: scikit-learn + XGBoost + LightGBM + CatBoost — base, must для tabular data. Data manipulation: pandas + NumPy + Polars (modern, rising 2026 — 10-100× faster), PyArrow для cross-framework data. Computer Vision: OpenCV, torchvision, Detectron2, MMDetection, Ultralytics YOLO. Experiment tracking: MLflow (open-source standard) или Weights & Biases (premium UI) или Neptune. Data version control: DVC. Orchestration: Airflow + Prefect + Dagster (один deeply). Deployment: Docker + Kubernetes mastery, FastAPI + Triton Inference Server + BentoML + TorchServe (один deeply). Cross-framework inference: ONNX. Feature stores: Feast (open-source) или Tecton (managed). Distributed compute: Spark + Ray + Dask. Cloud-managed ML: AWS SageMaker / GCP Vertex AI / Azure ML (один deeply). Дополнительно для Senior: quantization (PyTorch quantization, bitsandbytes), distillation, LoRA/QLoRA fine-tuning, vLLM/TGI/SGLang для LLM-serving, Optuna для hyperparameter tuning.

Data Scientist — фокус на business problem framing + statistical modeling + A/B testing + insights communication. Стек: pandas + sklearn + Jupyter + SQL + Tableau/Looker. Менее infrastructure-heavy. См. Data Scientist. ML Engineer (эта страница) — фокус на production ML pipelines + deployment + scaling. Стек как у DS + Docker/K8s + MLflow + Airflow + cloud-managed ML. Research Engineer / Scientist — фокус на новых моделях, papers, novel architectures. Часто PhD-track. Стек: PyTorch deep + JAX + experiment-heavy infrastructure. См. Research Engineer / Scientist. MLOps Engineer — фокус на ML platform infrastructure (feature stores, model registry, monitoring, observability, cost optimization). Стек: K8s + Terraform + MLflow/Kubeflow + Prometheus/Grafana + cloud. См. MLOps Engineer. Career-switch ML Engineer ↔ DS — за 1-3 месяца. ML Engineer ↔ MLOps — за 2-4 месяца (если есть K8s base). Research path требует PhD или 3+ years deep specialization.

Reference-stack для production ML 2026: 1) Data ingestion — Airflow/Prefect/Dagster pulls raw data из source systems (DB/Kafka/S3). 2) Feature engineering — Spark/Pandas/Polars transforms → Feature Store (Feast или Tecton — централизованное хранение, point-in-time correctness, online+offline serving). 3) Experimentation — Jupyter + W&B/MLflow tracking + DVC для data version control + Optuna для hyperparameter search. 4) Training — Ray Train или PyTorch Lightning + distributed (multi-GPU/multi-node), checkpointing в S3/GCS, quantization (INT8/FP16) для inference cost. 5) Model registry — MLflow Model Registry или SageMaker Model Registry (versioning + stages: staging/production/archived). 6) Validation — automated tests (data drift, prediction quality), shadow deployment, A/B test setup. 7) Serving — Triton Inference Server (NVIDIA, multi-framework + dynamic batching) или BentoML или TorchServe или vLLM (для LLM). FastAPI wrapper для API contract. 8) Deployment — Kubernetes (production standard) + Helm + ArgoCD для GitOps. 9) Monitoring — Prometheus + Grafana (latency/throughput/error rate) + custom drift detection (Evidently AI/WhyLabs) + cost dashboards. 10) Feedback loop — log predictions + ground truth → retraining trigger. ML platform для всей organization — Kubeflow или Metaflow или SageMaker Pipelines. LLM-specific stack: vLLM/TGI/SGLang для serving + prompt engineering (LangChain/LlamaIndex) + RAG (vector DBs Pinecone/Weaviate/Qdrant) + fine-tuning через LoRA/QLoRA + evaluation (RAGAS, DeepEval, custom benchmarks).

Да, 28% ML Engineer-вакансий — full-remote или гибрид. Production ML — cloud-based work (training в cloud GPUs, serving в Kubernetes, data в data warehouse). Аутсорсеры (EPAM AI Practice / Luxoft AI) — почти всегда remote на US-AI-projects. Российские продуктовые — гибрид или remote после probation, исключения для security-sensitive ML (Сбер AI banking). Банки (Сбер AI / ВТБ) — гибрид/офис из-за compliance. Международные AI-companies — full-remote standard, премиум-вилки. Релокант-хабы: Польша (Варшава/Краков — AI-friendly), Германия (Berlin AI-cluster), Канада (Toronto — Vector Institute), Израиль (Tel Aviv AI-cluster), Сербия, Грузия, ОАЭ (Dubai — AI tax-friendly). Английский для international AI-remote — must (премия +30-50%).

ML Engineer (general) — может работать в любом ML-домене (recsys, NLP, CV, fraud detection, ranking). Стек универсален. Applied ML Engineer — фокус на конкретной продуктовой ML-задаче + business metrics ownership (CTR, conversion, revenue lift). Стек тот же, но добавляется product-thinking + A/B testing mastery + stakeholder communication. Зарплаты сопоставимы (медиана), но в продуктовых компаниях Applied ML обычно несколько выше Senior за счёт business impact ownership. ML Platform Engineer (отдельная subniche — ближе к MLOps) — строит инфраструктуру для других ML Engineers (Feature Store, MLflow infrastructure, training platform). Career-выбор: ML Engineer если универсальность и portability важнее, Applied ML Engineer если product-impact интересен, ML Platform Engineer если infrastructure и tooling. Все три legitimate Senior+ paths, не лучше/хуже.

Roadmap: 1) Python deep до Backend Middle уровня (clean code, design patterns, async). Книги: «Fluent Python» Ramalho, «Effective Python» Slatkin. 2) Математика — линейная алгебра + матанализ + теорвер/статистика на уровне «понимать что под капотом backprop». MIT 18.06 Linear Algebra (Strang), 3Blue1Brown «Essence of Linear Algebra». 3) Classical ML — scikit-learn + XGBoost + LightGBM mastery. Курс Andrew Ng «Machine Learning Specialization» (Coursera). Книга «Hands-On Machine Learning» Géron (must-read 2026). 4) Deep Learning — PyTorch deep (forward/backward/optimizers/training loops from scratch). Курс «Deep Learning Specialization» Andrew Ng. Книга «Deep Learning with PyTorch» Stevens. 5) NLP/LLM track: Hugging Face course (free) → fine-tuning small LLMs (Mistral 7B/Llama 3 8B) с LoRA/QLoRA → строить RAG-приложение с LangChain + Qdrant. 6) Computer Vision track (alternative): torchvision + Detectron2 + Ultralytics YOLO + custom dataset training. 7) MLOps basics: MLflow + DVC + Airflow + Docker + Kubernetes для ML serving. «Designing Machine Learning Systems» Chip Huyen — must-read для production ML. 8) Cloud ML: один из AWS SageMaker / GCP Vertex AI / Azure ML — пройти один e2e tutorial. 9) Distributed training: Ray Train + PyTorch DDP. 10) Pet-проект: full e2e ML system (data pipeline + feature store + training + MLflow tracking + Kubernetes deployment + monitoring) на open dataset (Kaggle). International (eng): fast.ai «Practical Deep Learning», Hugging Face NLP Course, DeepLearning.AI (Andrew Ng). Книги-классика: «Pattern Recognition and Machine Learning» Bishop, «The Hundred-Page Machine Learning Book» Burkov. Конференции: NeurIPS, ICML, ICLR (papers — must reading для Senior). Data Analyst или Backend Middle → ML Engineer Junior — 8-14 месяцев.

1937 активных открытых ML Engineer-вакансий — самый ёмкий ML/AI-сегмент. География: 🇷🇺 Россия / 🇵🇱 Польша / remote. Источники: hh.ru, Habr Career, getmatch, Djinni, LinkedIn (огромный международный AI-сегмент), NoFluffJobs/JustJoin.it (Польша — AI-friendly), Telegram, карьерные сайты EPAM AI / Luxoft AI / Andersen AI, специализированные борды (aijobs.net, ai-jobs.net, builtin.com/jobs/ai, jobs.lever.co для AI-startups), Y Combinator Work at a Startup. Реальный рынок шире за счёт огромного международного remote-сегмента. Время закрытия Senior ML Engineer — 6-12 недель (longer чем Backend за счёт rare-skill combination).

Senior ML Engineer владеет полным циклом production ML + technical leadership. Programming mastery: Python Backend Senior-уровень (clean code, async, profiling, memory optimization). Math foundations: линейная алгебра + матанализ + теорвер на уровне «читать papers без блоков». Classical ML mastery: feature engineering deep, model selection rationale, calibration, evaluation metrics tradeoffs, business-aligned model design. Deep Learning mastery: PyTorch deep (custom Layers/Modules/Optimizers), distributed training (DDP, FSDP), mixed-precision, quantization (INT8/FP16), distillation, ONNX export. LLM mastery (2026 must для Senior): fine-tuning через LoRA/QLoRA, prompt engineering, RAG architecture (vector DBs Pinecone/Weaviate/Qdrant), evaluation (RAGAS, DeepEval), vLLM/TGI/SGLang для serving. MLOps: MLflow / W&B mastery, DVC, Airflow / Prefect / Dagster, Feature Stores (Feast / Tecton), Docker + Kubernetes mastery для ML serving, Helm + ArgoCD. Cloud ML: один из AWS SageMaker / GCP Vertex AI / Azure ML deeply. Distributed compute: Ray + Spark mastery. Monitoring: Prometheus + Grafana + Evidently AI (drift detection) integration. Cost optimization: GPU utilization, batch sizing, model quantization, caching strategies. System design для ML: дизайнить ML systems на whiteboard под scale 100M+ users (recsys / fraud / ranking / chatbot). Soft: papers reading (NeurIPS / ICML / ICLR), technical writing (ADRs, design docs), code-review для multiple teams, mentoring Middle ML Engineers, общение с product/data/backend teams, A/B test design + statistical analysis. Английский для Senior+ MUST — ML/AI-сообщество и papers на английском. Бонус: contributions в open-source (PyTorch / Hugging Face / LangChain) — резко повышают market value.