Wir verwenden technische Cookies und das anonymisierte Besuchsprotokoll von Zorky. Yandex Metrica (Daten werden auf Servern in Russland gespeichert) läuft nur mit Ihrer Einwilligung. Wir verkaufen keine Daten. Mehr zu Cookies und Statistik.
Zorky läuft im Testmodus — alles ist kostenlos. Stellen und Unternehmensseiten sind für alle offen; Links zu den Anzeigen und Ihre persönliche Stellenauswahl gibt es nach der Registrierung. Registrieren →

ML-Ingenieur: Markt

Stand 19. November 2026: offene Stellen ML-Ingenieur — 2.291, 32% remote unter den Stellen mit Angabe des Arbeitsmodells; Mediangehalt in Stellenanzeigen $13.666/Monat (aus 309 Anzeigen mit Gehaltsangabe). Quelle: Zorky, täglich aktualisiert.

ML Engineer — die größte Rolle innerhalb der Richtung KI/ML/DS (der größte Pool unter den ML-Teilnischen). ML in Produktion — nimmt ein Modell (ein eigenes oder von einem Data Scientist) und bringt es zu einem Produktionsservice mit stabilem SLA. Rollenfamilie: ML Engineer (allgemein — Feature Engineering + Training + Deployment), Senior ML Engineer (End-to-End-ML-Pipelines + Skalierung), Staff ML Engineer/Principal ML Engineer (Architektur der ML-Plattform für die gesamte Organisation), ML Tech Lead (Teamführung + Entscheidungen zur ML-Infrastruktur), Applied ML Engineer (Produkt-ML mit Fokus auf Geschäftskennzahlen). Stack: Python (Monopol), PyTorch/TensorFlow/JAX (Deep Learning — PyTorch dominiert 2026), scikit-learn+XGBoost+LightGBM+CatBoost (klassisches ML — Pflicht), pandas+NumPy+Polars (Datenmanipulation), Hugging Face Transformers+LangChain+LlamaIndex (LLM/NLP), MLflow+Weights & Biases+Neptune (Experiment-Tracking), DVC (Versionskontrolle für Daten), Airflow/Prefect/Dagster (Orchestrierung), Docker+Kubernetes (Deployment), FastAPI+Triton Inference Server+BentoML+TorchServe (Model Serving), ONNX (frameworkübergreifende Inferenz), Feast/Tecton (Feature Stores), Spark+Ray+Dask (verteiltes Rechnen), AWS SageMaker/GCP Vertex AI/Azure ML (verwaltet in der Cloud). Top-Stack: python, cloud, pytorch, llm, aws. Unter den Stellen mit angegebenem Arbeitsmodell sind 32% vollständig remote.

Datenstand:

Die wichtigsten Zahlen des ML-Ingenieur-Markts: offene Jobs, Mediangehalt, beobachteter Fachkräftepool und Remote-Anteil.

2.291
offene Stellen — nach Jobtitel, Reposts zusammengeführt
$13.666
Median $/Monat
32%
ortsunabhängig

Der Markt für ML-Ingenieur hat derzeit 2.291 offene Rollen, davon 2.024 frisch beobachtet. Median salary $13.666/mo.

Unter den Stellen mit angegebenem Arbeitsmodell sind 32% vollständig remote. ML-Arbeit ist cloudbasiert (Training auf Cloud-GPUs, Serving in K8s). Outsourcer (EPAM AI / Luxoft AI) — fast immer remote. Russische Banken (Banking-ML von Sber AI) — hybrid/Büro wegen Compliance. Internationale KI-Unternehmen — vollständig remote als Standard.

⚠ Gehalt bekannt bei 309 von 2291 Stellen; Remote-Anteil aus 1926 mit angegebenem Arbeitsformat; 2024 als frische Beobachtungen gezählt; Trend und Besetzungsschwierigkeit werden nicht gezeigt

Zeitachse: Ausschreibungen und Quellen

Wie viele ML-Ingenieur-Ausschreibungen jede Woche seit 1. Juni erschienen sind und aus wie vielen Quellen. Das untere Diagramm trennt Marktwachstum von Abdeckungswachstum: Ein Sprung in der Woche, in der neue Quellen angebunden wurden, bedeutet, dass wir mehr sehen — nicht, dass der Markt gewachsen ist.

Neue Ausschreibungen pro Woche

Diagrammdaten
Neue Ausschreibungen pro Woche. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumNeue Ausschreibungen pro Woche
2026-06-01104
2026-06-08142
2026-06-1577
2026-06-22175
2026-06-29332
2026-07-06286
2026-07-13353
2026-07-20283
2026-07-27170
2026-08-03215
2026-08-10128
2026-08-17115
2026-08-24132
2026-08-31115
2026-09-07127
2026-09-14186
2026-09-21612
2026-09-28370
2026-10-05373
2026-10-12794
2026-10-19492
2026-10-26519
2026-11-02406
2026-11-09463

Aktive Quellen pro Woche

Quellen im Zeitraum: 217. ▲ — Woche, in der viele neue Quellen angebunden wurden.

Diagrammdaten
Aktive Quellen pro Woche. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumAktive Quellen
2026-06-0117
2026-06-0823
2026-06-1515
2026-06-2232
2026-06-2953
2026-07-0644
2026-07-1354
2026-07-2057
2026-07-2746
2026-08-0346
2026-08-1031
2026-08-1729
2026-08-2435
2026-08-3140
2026-09-0741
2026-09-1435
2026-09-2156
2026-09-2852
2026-10-0561
2026-10-1263
2026-10-1966
2026-10-2666
2026-11-0263
2026-11-0976
Neue Quellen angebunden: 29. Juni +30 · 6. Juli +18 · 13. Juli +18 · alle Wochen (23) in der Tabelle
WocheNeue QuellenNeue Ausschreibungen
8. Juni+11142
15. Juni+277
22. Juni+15175
29. Juni+30332
6. Juli+18286
13. Juli+18353
20. Juli+11283
27. Juli+8170
3. Aug.+2215
10. Aug.+7128
17. Aug.+2115
24. Aug.+5132
31. Aug.+9115
7. Sept.+4127
14. Sept.+4186
21. Sept.+10612
28. Sept.+3370
5. Okt.+10373
12. Okt.+3794
19. Okt.+9492
26. Okt.+4519
2. Nov.+5406
9. Nov.+10463

Die aktuelle Woche ist noch nicht vorbei und wird nicht gezeigt: Eine unvollständige Woche sähe wie ein Rückgang aus.

Woche = Datum der ersten Erfassung der Ausschreibung, alle Status; Ausschreibungen werden nach derselben Regel ausgewählt wie der Zähler dieser Seite. Quellen sind unterschiedliche Erfassungskanäle; ihre Namen werden nicht veröffentlicht.

Diagrammdaten
Zeitachse: Ausschreibungen und Quellen — ML-Ingenieur. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WocheNeue Ausschreibungen pro WocheAktive Quellen
2026-06-0110417
2026-06-0814223
2026-06-157715
2026-06-2217532
2026-06-2933253
2026-07-0628644
2026-07-1335354
2026-07-2028357
2026-07-2717046
2026-08-0321546
2026-08-1012831
2026-08-1711529
2026-08-2413235
2026-08-3111540
2026-09-0712741
2026-09-1418635
2026-09-2161256
2026-09-2837052
2026-10-0537361
2026-10-1279463
2026-10-1949266
2026-10-2651966
2026-11-0240663
2026-11-0946376

Gehälter im Zeitverlauf

Mediangehalt ML-Ingenieur pro Woche, USD pro Monat.

Mediangehalt, USD pro Monat

Diagrammdaten
Mediangehalt, USD pro Monat. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumMedianStellen mit Gehalt pro Woche (n)
2026-09-2112.54516
2026-09-2810.23828
2026-10-059.45739
2026-10-129.80556
2026-10-1913.91992
2026-10-2613.13493
2026-11-0213.75085
2026-11-0912.929110

Die Reihe beginnt am 21. Sept.: davor gibt es keine Daten.

Stellen mit Gehalt pro Woche (n)

Nur Ausschreibungen mit Gehalt in USD und bekanntem Zeitraum (Monat oder Jahr), 500–50.000 $ pro Monat. Wochen mit weniger als 10 solchen Ausschreibungen bleiben leer — das heißt keine Daten, nicht null.

Diagrammdaten
Gehälter im Zeitverlauf — ML-Ingenieur. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WocheMedian
2026-06-01—
2026-06-08—
2026-06-15—
2026-06-22—
2026-06-29—
2026-07-06—
2026-07-13—
2026-07-20—
2026-07-27—
2026-08-03—
2026-08-10—
2026-08-17—
2026-08-24—
2026-08-31—
2026-09-07—
2026-09-14—
2026-09-2112.545
2026-09-2810.238
2026-10-059.457
2026-10-129.805
2026-10-1913.919
2026-10-2613.134
2026-11-0213.750
2026-11-0912.929

Remote-Arbeit im Zeitverlauf

Anteil der ML-Ingenieur-Ausschreibungen mit vollständig remoter Arbeit, pro Woche.

Remote-Ausschreibungen, %

Diagrammdaten
Remote-Ausschreibungen, %. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumOrtsunabhängig
2026-06-0144,4
2026-06-0819,1
2026-06-1511,5
2026-06-2222
2026-06-2925,5
2026-07-0634,2
2026-07-1328,4
2026-07-2047,3
2026-07-2736,5
2026-08-0331,2
2026-08-1034,3
2026-08-1741,8
2026-08-2441,7
2026-08-3134,6
2026-09-0728,4
2026-09-1425
2026-09-2128
2026-09-2835,7
2026-10-0537,6
2026-10-1238,8
2026-10-1937,8
2026-10-2646,9
2026-11-0235,1
2026-11-0935,3

Der Anteil bezieht sich auf Ausschreibungen mit Angabe des Arbeitsmodells (remote, hybrid, Büro). Wochen mit weniger als 10 solchen Ausschreibungen bleiben leer.

Diagrammdaten
Remote-Arbeit im Zeitverlauf — ML-Ingenieur. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WocheOrtsunabhängig
2026-06-0144,4
2026-06-0819,1
2026-06-1511,5
2026-06-2222
2026-06-2925,5
2026-07-0634,2
2026-07-1328,4
2026-07-2047,3
2026-07-2736,5
2026-08-0331,2
2026-08-1034,3
2026-08-1741,8
2026-08-2441,7
2026-08-3134,6
2026-09-0728,4
2026-09-1425
2026-09-2128
2026-09-2835,7
2026-10-0537,6
2026-10-1238,8
2026-10-1937,8
2026-10-2646,9
2026-11-0235,1
2026-11-0935,3

Technologien im Zeitverlauf

Wie sich der Anteil der ML-Ingenieur-Stellen verändert hat, die jede der Top-Technologien nennen.

Ausschreibungen mit der Technologie, %

Diagrammdaten
Ausschreibungen mit der Technologie, %. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumPythoncloudllm
2026-08-10402017,8
2026-08-1737,726,430,2
2026-08-24322025,3
2026-08-3148,123,126,9
2026-09-0734,513,829,3
2026-09-1437,226,921,8
2026-09-2155,536,132,3
2026-09-2859,933,728,2
2026-10-0563,139,735,9
2026-10-1255,635,428,6
2026-10-196341,244,3
2026-10-2666,637,935,1
2026-11-026529,135,6
2026-11-0968,937,736,6
Bis zu 5 im Diagramm:

Anteil unter Ausschreibungen mit getaggtem Stack; die Reihe beginnt am 10. Aug.: davor wurden Stack-Tags anders vergeben. Wochen mit weniger als 20 getaggten Ausschreibungen bleiben leer.

Diagrammdaten
Technologien im Zeitverlauf — ML-Ingenieur. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WochePythoncloudllmpytorchAWS
2026-08-10402017,88,98,9
2026-08-1737,726,430,2179,4
2026-08-24322025,318,76,7
2026-08-3148,123,126,917,311,5
2026-09-0734,513,829,320,713,8
2026-09-1437,226,921,819,26,4
2026-09-2155,536,132,332,916
2026-09-2859,933,728,236,922,6
2026-10-0563,139,735,933,827,5
2026-10-1255,635,428,632,220,2
2026-10-196341,244,334,326,7
2026-10-2666,637,935,132,927,2
2026-11-026529,135,637,416,3
2026-11-0968,937,736,636,329,5

Länder im Zeitverlauf

Wie sich der Anteil der ML-Ingenieur-Stellen in jedem der Top-Länder pro Woche verändert hat.

Ausschreibungen im Land, %

Diagrammdaten
Ausschreibungen im Land, %. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumUSAVereinigtes KönigreichSingapur
2026-06-0164,620
2026-06-0868,90,83,8
2026-06-1565,85,51,4
2026-06-2233,11,218,4
2026-06-2918,20,747,9
2026-07-0652,26,56,1
2026-07-1345,63,311,8
2026-07-2038,88,615,5
2026-07-2750,7311,9
2026-08-0340,215,66,1
2026-08-1038,214,72,9
2026-08-173814,10
2026-08-2433,624,30
2026-08-3121,1301,1
2026-09-0730,928,72,1
2026-09-143827,22,5
2026-09-2143,6147,5
2026-09-2830,219,96,9
2026-10-0531,818,24,5
2026-10-1232,111,22
2026-10-1929,114,34,4
2026-10-2629,2123,9
2026-11-0235,9148,6
2026-11-0944,9112,2
Bis zu 5 im Diagramm:

Anteil unter Ausschreibungen mit bekanntem Land; das Diagramm zeigt die fünf Länder mit den meisten Ausschreibungen über sechs Monate. Wochen mit weniger als 20 Ausschreibungen mit bekanntem Land bleiben leer. Ein steigender Anteil kann eine neu angebundene Quelle in diesem Land bedeuten statt Marktwachstum.

Diagrammdaten
Länder im Zeitverlauf — ML-Ingenieur. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WocheUSAVereinigtes KönigreichSingapurPolenIndien
2026-06-0164,62016,26,1
2026-06-0868,90,83,86,86,8
2026-06-1565,85,51,46,82,7
2026-06-2233,11,218,421,53,7
2026-06-2918,20,747,94,35,9
2026-07-0652,26,56,14,94,9
2026-07-1345,63,311,83,69,2
2026-07-2038,88,615,513,55,7
2026-07-2750,7311,910,44,5
2026-08-0340,215,66,14,55,6
2026-08-1038,214,72,929,8
2026-08-173814,1004,3
2026-08-2433,624,303,78,4
2026-08-3121,1301,11,18,9
2026-09-0730,928,72,12,19,6
2026-09-143827,22,53,85,7
2026-09-2143,6147,52,24,9
2026-09-2830,219,96,98,56,9
2026-10-0531,818,24,59,96,4
2026-10-1232,111,228,28
2026-10-1929,114,34,49,96,2
2026-10-2629,2123,95,67,2
2026-11-0235,9148,646
2026-11-0944,9112,26,84,9

Bereinigter Markt: Einstellungsindex

Dieselben 7.505 Karriereseiten von Arbeitgebern; die Zahl der Ausschreibungen stammt direkt von der Seite. Neue Quellen bewegen diesen Index nicht — er zeigt den Markt, nicht unsere Abdeckung. Das ist der gesamte Panelmarkt, nicht nur ML-Ingenieur.

Einstellungsindex, 16. Okt. = 100

Diagrammdaten
Einstellungsindex, 16. Okt. = 100. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumEinstellungsindex
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Kettenindex: Jeder Tag vergleicht nur Seiten, die an diesem und am vorherigen Tag abgefragt wurden; Ausreißer und plattformweite Abfrageausfälle sind ausgeschlossen. Tage ohne vergleichbare Paare bleiben leer.

Diagrammdaten
Bereinigter Markt: Einstellungsindex — ML-Ingenieur. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
TagEinstellungsindex
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Wie viele offene ML-Ingenieur-Jobs es gibt und wie viele passende Fachkräfte Zorky sieht.

Nachfrage und beobachtetes Angebot

Diagrammdaten
Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
KennzahlWert
Offene Nachfrage2.291
Offene Nachfrage2.291
Beobachtetes Angebot— nicht veröffentlicht

ML Engineer — die größte KI/ML-Rolle, Nachfragewachstum 2026 getrieben durch den LLM-/Generative-AI-Boom: Einsatz von Foundation Models, RAG-Anwendungen, KI-Agenten, Sprach-/multimodale Produkte. Russische Produktunternehmen — ein stetiger Strom. EPAM/Luxoft AI Practice — der größte Outsourcing-Kanal für US-KI-Projekte.

⚠ zu einer Stelle passende Kandidaten werden noch nicht gezählt: gezeigt werden Nachfrage und der beobachtete Pool

Wie sich die Gehälter in ML-Ingenieur-Jobs verteilen, in US-Dollar pro Monat.

Gehaltsverteilung

P25 $9.600 · P50 $13.666 · P75 $17.416
Diagrammdaten
Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
KennzahlWert
<$1k4
$1–2k2
$2–3k7
$3–4k7
$4–5k9
$5–6k14
$6–7k11
$7–8k4
$8–9k9
$9–10k16
$10–12k31
$12–15k68
$15–20k83
$20k+44
Gehalt in Stellenanzeigen: Basis 2.291
  • für die Berechnung nutzbar: 309 (13,5%)
  • angegeben, aber nicht in USD/Monat umgerechnet: 372 (16,2%)
  • nicht angegeben: 1.610 (70,3%)

Jede zehnte Stellenanzeige bietet unter $5.027, jede zehnte über $20.916. Die Hälfte der Anzeigen bietet zwischen $9.600 und $17.416. Stichprobe: 309.

Diagrammdaten
Gehaltsverteilung — ML-Ingenieur. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
KennzahlUntergrenzeObergrenzeAnzahl
<$1k01.0004
$1–2k1.0002.0002
$2–3k2.0003.0007
$3–4k3.0004.0007
$4–5k4.0005.0009
$5–6k5.0006.00014
$6–7k6.0007.00011
$7–8k7.0008.0004
$8–9k8.0009.0009
$9–10k9.00010.00016
$10–12k10.00012.00031
$12–15k12.00015.00068
$15–20k15.00020.00083
$20k+20.000—44

In welchen Ländern es die meisten offenen ML-Ingenieur-Jobs gibt.

Geografie der Nachfrage

LandStellenAnteil
Vereinigte Staaten88245,9%
Vereinigtes Königreich1608,3%
Indien1206,2%
Polen1176,1%
Singapur864,5%
Kanada633,3%
Deutschland583%
Frankreich382%
Russland341,8%
Niederlande261,4%
Übrige Länder33817,6%

Führend bei der Zahl der Stellen für ML Engineer: die USA (882 Stellen). Polen — KI-freundlicher EU-Hub (Warschau/Krakau). Deutschland — Berliner Cluster von KI-Startups.

⚠ nur Stellenzahlen: Gehalt nach Land wird nicht veröffentlicht

Diagrammdaten
Geografie der Nachfrage — ML-Ingenieur. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
LandStellen
US882
GB160
IN120
PL117
SG86
CA63
DE58
FR38
RU34
NL26

Welche Technologien am häufigsten im selben Job wie ML-Ingenieur verlangt werden.

Wird zusammen verwendet mit

python
93540,8%
cloud
57225%
llm
52122,7%
pytorch
51422,4%
aws
38416,8%
mlops
31313,7%
tensorflow
25911,3%
docker
25811,3%
azure
25010,9%
fine-tuning
2259,8%

Anteil — wie viele der 2.291 Stellen im Markt ML-Ingenieur diese Technologie nennen. Sortiert nach Stellenzahl, nicht nach „Stärke des Zusammenhangs“. Oberbegriffe wie cloud sind keine bestimmte Cloud (AWS, Azure).

Top-ML-Engineer-Stack 2026: Python (Monopol), PyTorch / TensorFlow / JAX (PyTorch dominiert), scikit-learn + XGBoost + LightGBM + CatBoost (klassisch), pandas + NumPy + Polars (Daten), Hugging Face + LangChain + LlamaIndex (LLM/NLP), sentence-transformers + Pinecone / Weaviate / Qdrant / Milvus (Vektor-DBs / RAG), MLflow + W&B + Neptune (Experiment-Tracking), DVC, Airflow / Prefect / Dagster, Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe + vLLM / TGI / SGLang (LLM-Serving), ONNX, Feast / Tecton (Feature Stores), Ray + Spark + Dask, AWS SageMaker / GCP Vertex AI / Azure ML, Optuna, Evidently AI (Drift). Senior-Ergänzungen: Fine-Tuning mit LoRA / QLoRA, Quantisierung, Distillation.

Häufige Paare: Python + PyTorch + Hugging Face, Python + scikit-learn + XGBoost + LightGBM, MLflow + DVC + Airflow, Docker + Kubernetes + Triton Inference Server, FastAPI + Triton + ONNX, LangChain + Pinecone + OpenAI API, Ray + PyTorch DDP (verteiltes Training), Feast + Spark + Snowflake. Lern-Roadmap: Python + Mathematik → klassisches ML (sklearn / XGBoost) → Deep Learning (PyTorch) → MLOps (MLflow + Docker + K8s) → Spezialisierung auf LLM (Hugging Face + LangChain + RAG) → verteiltes Training (Ray) → verwaltetes ML in der Cloud (SageMaker / Vertex AI).

Diagrammdaten
Wird zusammen verwendet mit — ML-Ingenieur. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
NameAnzahl
python935
cloud572
llm521
pytorch514
aws384
mlops313
tensorflow259
docker258
azure250
fine-tuning225
kubernetes225
gcp181

Wie viele ML-Ingenieur-Jobs es auf jeder Stufe gibt — von Junior bis Principal.

Nachfrage nach Level

LevelStellen
senior794
Principal341
junior102
lead90
middle87

Junior — selten, typischer Einstieg über Data Analyst → ML Junior oder Backend Middle → ML Junior. Karriereweg: Junior (1-2 Jahre) → Middle (2-3 Jahre) → Senior → entweder Staff / Principal ML Engineer (technische Tiefe), ML Tech Lead / Engineering Manager, Wechsel in die Forschung (mit PhD) oder ML-CTO/Gründer in einem KI-Startup.

⚠ nur die Nachfrageseite: das Level des beobachteten Pools ist größtenteils unbekannt

Diagrammdaten
Nachfrage nach Level — ML-Ingenieur. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
StufeAnzahl
senior794
Principal341
junior102
lead90
middle87

Wer im Bereich ML-Ingenieur am meisten einstellt und wie stark sich die Nachfrage auf die größten Unternehmen konzentriert.

Arbeitgeber

Die Nachfrage verteilt sich auf 1.312 Arbeitgeber. Der größte steht für 1.7 %, die Top Ten für 8.6 %; die übrigen 91.4 % sind Long Tail.

größter 1,7%2.–3. 2,2%4.–10. 4,7%übrige 91,4%
AnteilWert
Top-11.7%
Top-33.9%
Top-108.6%
Long Tail91.4%

⚠ Namen werden nicht angezeigt: Personalvermittler und Endarbeitgeber werden vom Klassifikator noch nicht unterschieden

Von welchen Unternehmensseiten und Jobbörsen Zorky ML-Ingenieur-Jobs sammelt.

Wo Zorky diesen Markt sieht

Beobachtet in 109 Quellen; die größte steht für 20.7 % — dieser Markt hängt nicht an einem einzigen Kanal.

Stellen als ML Engineer: hh.ru, Habr Career, getmatch, Djinni, LinkedIn (riesiges internationales KI-Segment), NoFluffJobs / JustJoin.it (Polen ist KI-freundlich), Telegram, Karriereseiten von EPAM AI / Luxoft AI / Andersen AI, spezialisierte Jobbörsen aijobs.net + ai-jobs.net + builtin.com/jobs/ai, Y Combinator Work at a Startup, Karriereseiten von KI-Startups.

Diagrammdaten
Wo Zorky diesen Markt sieht — ML-Ingenieur. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
KlasseNameEnglischer NameAnzahlAnteil
atsATS и карьерные сайтыATS & Karriereseiten1.5460,6748
boardджоб-борды и агрегаторыJobbörsen & Aggregatoren6160,2689
telegramTelegramTelegram1150,0502
Communityсообщества и публичные профилиCommunity & öffentliche Profile140,0061

Die neuesten ML-Ingenieur-Jobs von Karriereseiten der Unternehmen.

Neueste Ausschreibungen

Alle Stellen →

Die neuesten offenen Stellen für ML Engineer — die 10 jüngsten Positionen mit ausreichender Beschreibungsqualität. Die vollständige Liste finden Sie in unserem CRM oder über den Link „Alle ansehen“ unten.

So wird gemessen
Stelle
eine offene Stelle, die das Qualitäts-Gate passiert hat und mindestens zwei Technologien nennt
Beobachteter Kandidat
ein Kandidat, dessen Stack diese Technologie enthält; ein Aggregat — kein einziger Datensatz verlässt den Perimeter
Matchbarer Kandidat
noch nicht gezählt
Fenster
Stellen, die zum Zeitpunkt der Erstellung des Snapshots offen waren

Über die Daten

  • Einige Aufschlüsselungen sind ausgeblendet: Die Datenabdeckung reicht noch nicht aus.
  • Statistiken erscheinen nur, wo die Stichprobe eine Qualitätsschwelle passiert.
  • Ein fehlender Block bedeutet nicht den Wert null.

Derzeit ausgeblendete Aufschlüsselungen: 8.

Richtung: KI / ML / Datenwissenschaft

Verwandte Spezialisierungen

Innerhalb von ML Engineer: allgemeiner ML Engineer (universell, Recsys/NLP/CV/Betrugserkennung), Applied ML Engineer (Produktfokus + Geschäftskennzahlen), Senior ML Engineer (End-to-End-Pipelines + Skalierung), Staff / Principal ML Engineer (ML-Plattformarchitektur für die Organisation), ML Tech Lead (Teamführung), ML Platform Engineer (Infrastruktur für andere ML-Teams). Vergleich mit data-scientist/research/mlops — im Balken unten.

KI- / LLM-IngenieurComputervisionDatenwissenschaftlerMLOpsNLP-IngenieurForschungsingenieur

Häufig gestellte Fragen

Die häufigsten Fragen zu ML Engineer: Bezahlung, ML Engineer vs. DS vs. Research vs. MLOps, Stack für produktive ML-Pipelines (10 Komponenten), Unterschied zu Applied ML, Remote, Einstieg (8-14 Monate ab Data Analyst / Backend Middle), Senior-Fähigkeiten (LLM-Meisterschaft + MLOps + verteilte Systeme). Die Antworten werden automatisch neu berechnet.

Was verdient ein ML Engineer als Junior, Middle, Senior oder Lead?

Junior ML Engineer — selten (der Markt beginnt mit Data Analyst oder Backend → ML). Der Sprung Junior → Middle — nach Beherrschung der ersten produktiven ML-Pipeline von Ende zu Ende (Feature Engineering → Training → Deployment → Monitoring). Middle → Senior — Verantwortung für mehrere Pipelines + Erfahrung mit LLM/RAG + Skalierung verteilten Trainings + Kostenoptimierung. Senior → Staff/Principal — ML-Plattformarchitektur, teamübergreifende ML-Strategie. Karriereweg: Data Analyst (1-2 Jahre) → Junior ML Engineer (1-2 Jahre) → Middle (2-3 Jahre) → Senior → entweder Staff ML Engineer (technische Tiefe), ML Tech Lead (Führung), Wechsel in die Forschung (PhD-Pfad) oder ML-Gründer/CTO in einem Startup.

Welchen Stack braucht an ML Engineer am häufigsten?

Top 5: python, cloud, pytorch, llm, aws. Python ist das Monopol (R sieht man in Produktions-ML 2026 kaum). Klassisches ML: scikit-learn + XGBoost + LightGBM + CatBoost — Basis, Pflicht für tabellarische Daten. Datenmanipulation: pandas + NumPy + Polars (modern, auf dem Vormarsch 2026 — 10-100× schneller), PyArrow für frameworkübergreifende Daten. Computer Vision: OpenCV, torchvision, Detectron2, MMDetection, Ultralytics YOLO. Experiment-Tracking: MLflow (Open-Source-Standard) oder Weights & Biases (Premium-UI) oder Neptune. Versionskontrolle für Daten: DVC. Orchestrierung: Airflow + Prefect + Dagster (einen in der Tiefe). Deployment: souveränes Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe (eines in der Tiefe). Frameworkübergreifende Inferenz: ONNX. Feature Stores: Feast (Open Source) oder Tecton (verwaltet). Verteiltes Rechnen: Spark + Ray + Dask. Cloud-Managed ML: AWS SageMaker / GCP Vertex AI / Azure ML (eines in der Tiefe). Senior-Extras: Quantisierung (PyTorch Quantization, bitsandbytes), Distillation, Fine-Tuning mit LoRA/QLoRA, vLLM/TGI/SGLang für LLM-Serving, Optuna für Hyperparameter-Tuning.

ML Engineer vs. Data Scientist vs. Research vs. MLOps — was ist der Unterschied?

Data Scientist — Fokus auf Problemformulierung im Business + statistische Modellierung + A/B-Tests + Kommunikation von Erkenntnissen. Stack: pandas + sklearn + Jupyter + SQL + Tableau/Looker. Weniger infrastrukturlastig. Siehe Data Scientist. ML Engineer (diese Seite) — Fokus auf ML-Pipelines in Produktion + Deployment + Skalierung. Stack wie DS + Docker/K8s + MLflow + Airflow + Cloud-managed ML. Research Engineer / Scientist — Fokus auf neue Modelle, Paper, neuartige Architekturen. Oft PhD-Track. Stack: PyTorch in der Tiefe + JAX + experimentlastige Infrastruktur. Siehe Research Engineer / Scientist. MLOps Engineer — Fokus auf die Infrastruktur der ML-Plattform (Feature Stores, Model Registry, Monitoring, Observability, Kostenoptimierung). Stack: K8s + Terraform + MLflow/Kubeflow + Prometheus/Grafana + Cloud. Siehe MLOps Engineer. Karrierewechsel ML Engineer ↔ DS — 1-3 Monate. ML Engineer ↔ MLOps — 2-4 Monate (wenn K8s-Grundlagen vorhanden sind). Der Research-Weg erfordert einen PhD oder 3+ Jahre tiefe Spezialisierung.

Wie sieht der Stack einer produktiven ML-Pipeline 2026 aus?

Referenz-Stack für ML in Produktion 2026: 1) Datenaufnahme — Airflow/Prefect/Dagster holt Rohdaten aus Quellsystemen (DB/Kafka/S3). 2) Feature Engineering — Transformationen mit Spark/Pandas/Polars → Feature Store (Feast oder Tecton — zentrale Speicherung, Point-in-Time-Korrektheit, Online- und Offline-Bereitstellung). 3) Experimente — Jupyter + Tracking mit W&B/MLflow + DVC zur Versionierung von Daten + Optuna für die Hyperparametersuche. 4) Training — Ray Train oder PyTorch Lightning + verteilt (Multi-GPU/Multi-Node), Checkpointing in S3/GCS, Quantisierung (INT8/FP16) für geringere Inference-Kosten. 5) Model Registry — MLflow Model Registry oder SageMaker Model Registry (Versionierung + Stufen: staging/production/archived). 6) Validierung — automatisierte Tests (Data Drift, Vorhersagequalität), Shadow Deployment, Aufsetzen von A/B-Tests. 7) Serving — Triton Inference Server (NVIDIA, mehrere Frameworks + dynamisches Batching) oder BentoML oder TorchServe oder vLLM (für LLM). FastAPI-Wrapper für den API-Vertrag. 8) Deployment — Kubernetes (Produktionsstandard) + Helm + ArgoCD für GitOps. 9) Monitoring — Prometheus + Grafana (Latenz/Durchsatz/Fehlerrate) + eigene Drift-Erkennung (Evidently AI/WhyLabs) + Kosten-Dashboards. 10) Feedback-Schleife — Vorhersagen + Ground Truth protokollieren → Auslöser für erneutes Training. ML-Plattform für die gesamte Organisation — Kubeflow oder Metaflow oder SageMaker Pipelines. LLM-spezifischer Stack: vLLM/TGI/SGLang für das Serving + Prompt Engineering (LangChain/LlamaIndex) + RAG (Vektordatenbanken Pinecone/Weaviate/Qdrant) + Fine-Tuning über LoRA/QLoRA + Evaluierung (RAGAS, DeepEval, eigene Benchmarks).

Welcher Anteil der Stellen ist vollständig remote?

Unter den Stellen mit angegebenem Arbeitsmodell sind 32% vollständig remote. Stellen ohne Angabe des Arbeitsmodells sind vom Nenner ausgeschlossen; hybride Arbeit wird nicht als vollständig remote gezählt.

Worin unterscheidet sich ML Engineer von Applied ML Engineer?

ML Engineer (allgemein) — kann in jeder ML-Domäne arbeiten (Recsys, NLP, CV, Betrugserkennung, Ranking). Der Stack ist universell. Applied ML Engineer — Fokus auf eine konkrete Produkt-ML-Aufgabe + Verantwortung für Geschäftskennzahlen (CTR, Konversion, Umsatzsteigerung). Der Stack ist derselbe, dazu kommen Produktdenken + Meisterschaft bei A/B-Tests + Kommunikation mit Stakeholdern. Gehalt vergleichbar (Median), aber in Produktunternehmen liegt Applied ML auf Senior-Niveau meist etwas höher — dank der Verantwortung für die Geschäftswirkung. ML Platform Engineer (eine eigene Teilnische — näher an MLOps) — baut Infrastruktur für andere ML Engineers (Feature Store, MLflow-Infrastruktur, Trainingsplattform). Karrierewahl: ML Engineer, wenn Universalität und Übertragbarkeit am wichtigsten sind, Applied ML Engineer, wenn Sie die Produktwirkung reizt, ML Platform Engineer, wenn Infrastruktur und Tools. Alle drei sind legitime Wege ab Senior, keiner ist besser/schlechter.

Wie fängt man 2026 mit ML Engineering an?

Roadmap: 1) Python in der Tiefe bis zum Backend-Middle-Niveau (Clean Code, Entwurfsmuster, async). Bücher: „Fluent Python“ von Ramalho, „Effective Python“ von Slatkin. 2) Mathematik — lineare Algebra + Analysis + Wahrscheinlichkeit/Statistik auf dem Niveau „verstehen, was unter der Haube von Backprop steckt“. MIT 18.06 Linear Algebra (Strang), 3Blue1Brown „Essence of Linear Algebra“. 3) Klassisches ML — scikit-learn + XGBoost + LightGBM beherrschen. Andrew Ng „Machine Learning Specialization“ (Coursera). Buch „Hands-On Machine Learning“ von Géron (Pflichtlektüre 2026). 4) Deep Learning — PyTorch in der Tiefe (Forward/Backward/Optimierer/Trainingsschleifen von Grund auf). „Deep Learning Specialization“ von Andrew Ng. „Deep Learning with PyTorch“ von Stevens. 5) Weg NLP/LLM: Hugging-Face-Kurs (kostenlos) → Fine-Tuning kleiner LLMs (Mistral 7B/Llama 3 8B) mit LoRA/QLoRA → eine RAG-Anwendung mit LangChain + Qdrant bauen. 6) Weg Computer Vision (Alternative): torchvision + Detectron2 + Ultralytics YOLO + Training auf eigenem Datensatz. 7) MLOps-Grundlagen: MLflow + DVC + Airflow + Docker + Kubernetes für das ML-Serving. „Designing Machine Learning Systems“ von Chip Huyen — Pflichtlektüre für ML in Produktion. 8) Cloud-ML: eines von AWS SageMaker / GCP Vertex AI / Azure ML — ein e2e-Tutorial durcharbeiten. 9) Verteiltes Training: Ray Train + PyTorch DDP. 10) Pet-Projekt: vollständiges e2e-ML-System (Datenpipeline + Feature Store + Training + Tracking mit MLflow + Deployment in Kubernetes + Monitoring) auf einem offenen Datensatz (Kaggle). International (EN): fast.ai „Practical Deep Learning“, Hugging Face NLP Course, DeepLearning.AI (Andrew Ng). Klassische Bücher: „Pattern Recognition and Machine Learning“ von Bishop, „The Hundred-Page Machine Learning Book“ von Burkov. Konferenzen: NeurIPS, ICML, ICLR (Paper — Pflichtlektüre für Senior). Data Analyst oder Backend Middle → ML Engineer Junior — 8-14 Monate.

Wie viele offene Stellen enthält diese Stichprobe?

Die veröffentlichte Stichprobe enthält 2291 offene Stellen nach Zusammenführung erneuter Veröffentlichungen. Dies entspricht dem Wert der Hauptkennzahl. Der geografische Abschnitt beschreibt die Abdeckung der Stichprobe; dies ist keine Schätzung des gesamten Marktes.

Welche Fähigkeiten braucht ein Senior ML Engineer?

Ein Senior ML Engineer verantwortet den gesamten Zyklus des produktiven ML + technische Führung. Beherrschung der Programmierung: Python auf Backend-Senior-Niveau (Clean Code, async, Profiling, Speicheroptimierung). Mathematische Grundlagen: lineare Algebra + Analysis + Wahrscheinlichkeitsrechnung auf dem Niveau „Papers ohne Hürden lesen“. Beherrschung des klassischen ML: Feature Engineering in der Tiefe, Begründung der Modellauswahl, Kalibrierung, Abwägungen bei Evaluierungsmetriken, am Geschäft ausgerichteter Modellentwurf. Beherrschung von Deep Learning: PyTorch in der Tiefe (eigene Layers/Modules/Optimizer), verteiltes Training (DDP, FSDP), Mixed Precision, Quantisierung (INT8/FP16), Distillation, ONNX-Export. Beherrschung von LLMs (2026 Pflicht für Senior): Fine-Tuning über LoRA/QLoRA, Prompt Engineering, RAG-Architektur (Vektordatenbanken Pinecone/Weaviate/Qdrant), Evaluierung (RAGAS, DeepEval), vLLM/TGI/SGLang für das Serving. MLOps: Beherrschung von MLflow / W&B, DVC, Airflow / Prefect / Dagster, Feature Stores (Feast / Tecton), Beherrschung von Docker + Kubernetes für ML-Serving, Helm + ArgoCD. Cloud-ML: eines von AWS SageMaker / GCP Vertex AI / Azure ML in der Tiefe. Verteiltes Rechnen: Beherrschung von Ray + Spark. Monitoring: Integration von Prometheus + Grafana + Evidently AI (Drift-Erkennung). Kostenoptimierung: GPU-Auslastung, Batch-Größen, Quantisierung von Modellen, Caching-Strategien. Systementwurf für ML: ML-Systeme für 100M+ Nutzer am Whiteboard entwerfen (Recsys / Betrugserkennung / Ranking / Chatbot). Soft Skills: Lesen von Papers (NeurIPS / ICML / ICLR), technisches Schreiben (ADRs, Design-Dokumente), Code Review für mehrere Teams, Mentoring von Middle ML Engineers, Kommunikation mit Produkt-/Daten-/Backend-Teams, Design von A/B-Tests + statistische Analyse. Englisch ab Senior+ PFLICHT — die ML/KI-Community und die Papers sind auf Englisch. Bonus: Open-Source-Beiträge (PyTorch / Hugging Face / LangChain) — steigern den Marktwert deutlich.

Anfrage hinterlassen

Beschreiben Sie die Aufgabe und hinterlassen Sie einen Kontakt — die Anfrage geht in unser CRM, und wir antworten über den angegebenen Kontakt.

Mit dem Absenden stimmen Sie zu: Datenschutzerklärung.