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.
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
| Zeitraum | Neue Ausschreibungen pro Woche |
|---|---|
| 2026-06-01 | 104 |
| 2026-06-08 | 142 |
| 2026-06-15 | 77 |
| 2026-06-22 | 175 |
| 2026-06-29 | 332 |
| 2026-07-06 | 286 |
| 2026-07-13 | 353 |
| 2026-07-20 | 283 |
| 2026-07-27 | 170 |
| 2026-08-03 | 215 |
| 2026-08-10 | 128 |
| 2026-08-17 | 115 |
| 2026-08-24 | 132 |
| 2026-08-31 | 115 |
| 2026-09-07 | 127 |
| 2026-09-14 | 186 |
| 2026-09-21 | 612 |
| 2026-09-28 | 370 |
| 2026-10-05 | 373 |
| 2026-10-12 | 794 |
| 2026-10-19 | 492 |
| 2026-10-26 | 519 |
| 2026-11-02 | 406 |
| 2026-11-09 | 463 |
Aktive Quellen pro Woche
Quellen im Zeitraum: 217. ▲ — Woche, in der viele neue Quellen angebunden wurden.
Diagrammdaten
| Zeitraum | Aktive Quellen |
|---|---|
| 2026-06-01 | 17 |
| 2026-06-08 | 23 |
| 2026-06-15 | 15 |
| 2026-06-22 | 32 |
| 2026-06-29 | 53 |
| 2026-07-06 | 44 |
| 2026-07-13 | 54 |
| 2026-07-20 | 57 |
| 2026-07-27 | 46 |
| 2026-08-03 | 46 |
| 2026-08-10 | 31 |
| 2026-08-17 | 29 |
| 2026-08-24 | 35 |
| 2026-08-31 | 40 |
| 2026-09-07 | 41 |
| 2026-09-14 | 35 |
| 2026-09-21 | 56 |
| 2026-09-28 | 52 |
| 2026-10-05 | 61 |
| 2026-10-12 | 63 |
| 2026-10-19 | 66 |
| 2026-10-26 | 66 |
| 2026-11-02 | 63 |
| 2026-11-09 | 76 |
Neue Quellen angebunden: 29. Juni +30 · 6. Juli +18 · 13. Juli +18 · alle Wochen (23) in der Tabelle
| Woche | Neue Quellen | Neue Ausschreibungen |
|---|---|---|
| 8. Juni | +11 | 142 |
| 15. Juni | +2 | 77 |
| 22. Juni | +15 | 175 |
| 29. Juni | +30 | 332 |
| 6. Juli | +18 | 286 |
| 13. Juli | +18 | 353 |
| 20. Juli | +11 | 283 |
| 27. Juli | +8 | 170 |
| 3. Aug. | +2 | 215 |
| 10. Aug. | +7 | 128 |
| 17. Aug. | +2 | 115 |
| 24. Aug. | +5 | 132 |
| 31. Aug. | +9 | 115 |
| 7. Sept. | +4 | 127 |
| 14. Sept. | +4 | 186 |
| 21. Sept. | +10 | 612 |
| 28. Sept. | +3 | 370 |
| 5. Okt. | +10 | 373 |
| 12. Okt. | +3 | 794 |
| 19. Okt. | +9 | 492 |
| 26. Okt. | +4 | 519 |
| 2. Nov. | +5 | 406 |
| 9. Nov. | +10 | 463 |
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
| Woche | Neue Ausschreibungen pro Woche | Aktive Quellen |
|---|---|---|
| 2026-06-01 | 104 | 17 |
| 2026-06-08 | 142 | 23 |
| 2026-06-15 | 77 | 15 |
| 2026-06-22 | 175 | 32 |
| 2026-06-29 | 332 | 53 |
| 2026-07-06 | 286 | 44 |
| 2026-07-13 | 353 | 54 |
| 2026-07-20 | 283 | 57 |
| 2026-07-27 | 170 | 46 |
| 2026-08-03 | 215 | 46 |
| 2026-08-10 | 128 | 31 |
| 2026-08-17 | 115 | 29 |
| 2026-08-24 | 132 | 35 |
| 2026-08-31 | 115 | 40 |
| 2026-09-07 | 127 | 41 |
| 2026-09-14 | 186 | 35 |
| 2026-09-21 | 612 | 56 |
| 2026-09-28 | 370 | 52 |
| 2026-10-05 | 373 | 61 |
| 2026-10-12 | 794 | 63 |
| 2026-10-19 | 492 | 66 |
| 2026-10-26 | 519 | 66 |
| 2026-11-02 | 406 | 63 |
| 2026-11-09 | 463 | 76 |
Gehälter im Zeitverlauf
Mediangehalt ML-Ingenieur pro Woche, USD pro Monat.
Mediangehalt, USD pro Monat
Diagrammdaten
| Zeitraum | Median | Stellen mit Gehalt pro Woche (n) |
|---|---|---|
| 2026-09-21 | 12.545 | 16 |
| 2026-09-28 | 10.238 | 28 |
| 2026-10-05 | 9.457 | 39 |
| 2026-10-12 | 9.805 | 56 |
| 2026-10-19 | 13.919 | 92 |
| 2026-10-26 | 13.134 | 93 |
| 2026-11-02 | 13.750 | 85 |
| 2026-11-09 | 12.929 | 110 |
Die Reihe beginnt am 21. Sept.: davor gibt es keine Daten.
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
| Woche | Median |
|---|---|
| 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 | — |
| 2026-09-21 | 12.545 |
| 2026-09-28 | 10.238 |
| 2026-10-05 | 9.457 |
| 2026-10-12 | 9.805 |
| 2026-10-19 | 13.919 |
| 2026-10-26 | 13.134 |
| 2026-11-02 | 13.750 |
| 2026-11-09 | 12.929 |
Remote-Arbeit im Zeitverlauf
Anteil der ML-Ingenieur-Ausschreibungen mit vollständig remoter Arbeit, pro Woche.
Remote-Ausschreibungen, %
Diagrammdaten
| Zeitraum | Ortsunabhängig |
|---|---|
| 2026-06-01 | 44,4 |
| 2026-06-08 | 19,1 |
| 2026-06-15 | 11,5 |
| 2026-06-22 | 22 |
| 2026-06-29 | 25,5 |
| 2026-07-06 | 34,2 |
| 2026-07-13 | 28,4 |
| 2026-07-20 | 47,3 |
| 2026-07-27 | 36,5 |
| 2026-08-03 | 31,2 |
| 2026-08-10 | 34,3 |
| 2026-08-17 | 41,8 |
| 2026-08-24 | 41,7 |
| 2026-08-31 | 34,6 |
| 2026-09-07 | 28,4 |
| 2026-09-14 | 25 |
| 2026-09-21 | 28 |
| 2026-09-28 | 35,7 |
| 2026-10-05 | 37,6 |
| 2026-10-12 | 38,8 |
| 2026-10-19 | 37,8 |
| 2026-10-26 | 46,9 |
| 2026-11-02 | 35,1 |
| 2026-11-09 | 35,3 |
Der Anteil bezieht sich auf Ausschreibungen mit Angabe des Arbeitsmodells (remote, hybrid, Büro). Wochen mit weniger als 10 solchen Ausschreibungen bleiben leer.
Diagrammdaten
| Woche | Ortsunabhängig |
|---|---|
| 2026-06-01 | 44,4 |
| 2026-06-08 | 19,1 |
| 2026-06-15 | 11,5 |
| 2026-06-22 | 22 |
| 2026-06-29 | 25,5 |
| 2026-07-06 | 34,2 |
| 2026-07-13 | 28,4 |
| 2026-07-20 | 47,3 |
| 2026-07-27 | 36,5 |
| 2026-08-03 | 31,2 |
| 2026-08-10 | 34,3 |
| 2026-08-17 | 41,8 |
| 2026-08-24 | 41,7 |
| 2026-08-31 | 34,6 |
| 2026-09-07 | 28,4 |
| 2026-09-14 | 25 |
| 2026-09-21 | 28 |
| 2026-09-28 | 35,7 |
| 2026-10-05 | 37,6 |
| 2026-10-12 | 38,8 |
| 2026-10-19 | 37,8 |
| 2026-10-26 | 46,9 |
| 2026-11-02 | 35,1 |
| 2026-11-09 | 35,3 |
Technologien im Zeitverlauf
Wie sich der Anteil der ML-Ingenieur-Stellen verändert hat, die jede der Top-Technologien nennen.
Ausschreibungen mit der Technologie, %
Diagrammdaten
| Zeitraum | Python | cloud | llm |
|---|---|---|---|
| 2026-08-10 | 40 | 20 | 17,8 |
| 2026-08-17 | 37,7 | 26,4 | 30,2 |
| 2026-08-24 | 32 | 20 | 25,3 |
| 2026-08-31 | 48,1 | 23,1 | 26,9 |
| 2026-09-07 | 34,5 | 13,8 | 29,3 |
| 2026-09-14 | 37,2 | 26,9 | 21,8 |
| 2026-09-21 | 55,5 | 36,1 | 32,3 |
| 2026-09-28 | 59,9 | 33,7 | 28,2 |
| 2026-10-05 | 63,1 | 39,7 | 35,9 |
| 2026-10-12 | 55,6 | 35,4 | 28,6 |
| 2026-10-19 | 63 | 41,2 | 44,3 |
| 2026-10-26 | 66,6 | 37,9 | 35,1 |
| 2026-11-02 | 65 | 29,1 | 35,6 |
| 2026-11-09 | 68,9 | 37,7 | 36,6 |
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
| Woche | Python | cloud | llm | pytorch | AWS |
|---|---|---|---|---|---|
| 2026-08-10 | 40 | 20 | 17,8 | 8,9 | 8,9 |
| 2026-08-17 | 37,7 | 26,4 | 30,2 | 17 | 9,4 |
| 2026-08-24 | 32 | 20 | 25,3 | 18,7 | 6,7 |
| 2026-08-31 | 48,1 | 23,1 | 26,9 | 17,3 | 11,5 |
| 2026-09-07 | 34,5 | 13,8 | 29,3 | 20,7 | 13,8 |
| 2026-09-14 | 37,2 | 26,9 | 21,8 | 19,2 | 6,4 |
| 2026-09-21 | 55,5 | 36,1 | 32,3 | 32,9 | 16 |
| 2026-09-28 | 59,9 | 33,7 | 28,2 | 36,9 | 22,6 |
| 2026-10-05 | 63,1 | 39,7 | 35,9 | 33,8 | 27,5 |
| 2026-10-12 | 55,6 | 35,4 | 28,6 | 32,2 | 20,2 |
| 2026-10-19 | 63 | 41,2 | 44,3 | 34,3 | 26,7 |
| 2026-10-26 | 66,6 | 37,9 | 35,1 | 32,9 | 27,2 |
| 2026-11-02 | 65 | 29,1 | 35,6 | 37,4 | 16,3 |
| 2026-11-09 | 68,9 | 37,7 | 36,6 | 36,3 | 29,5 |
Länder im Zeitverlauf
Wie sich der Anteil der ML-Ingenieur-Stellen in jedem der Top-Länder pro Woche verändert hat.
Ausschreibungen im Land, %
Diagrammdaten
| Zeitraum | USA | Vereinigtes Königreich | Singapur |
|---|---|---|---|
| 2026-06-01 | 64,6 | 2 | 0 |
| 2026-06-08 | 68,9 | 0,8 | 3,8 |
| 2026-06-15 | 65,8 | 5,5 | 1,4 |
| 2026-06-22 | 33,1 | 1,2 | 18,4 |
| 2026-06-29 | 18,2 | 0,7 | 47,9 |
| 2026-07-06 | 52,2 | 6,5 | 6,1 |
| 2026-07-13 | 45,6 | 3,3 | 11,8 |
| 2026-07-20 | 38,8 | 8,6 | 15,5 |
| 2026-07-27 | 50,7 | 3 | 11,9 |
| 2026-08-03 | 40,2 | 15,6 | 6,1 |
| 2026-08-10 | 38,2 | 14,7 | 2,9 |
| 2026-08-17 | 38 | 14,1 | 0 |
| 2026-08-24 | 33,6 | 24,3 | 0 |
| 2026-08-31 | 21,1 | 30 | 1,1 |
| 2026-09-07 | 30,9 | 28,7 | 2,1 |
| 2026-09-14 | 38 | 27,2 | 2,5 |
| 2026-09-21 | 43,6 | 14 | 7,5 |
| 2026-09-28 | 30,2 | 19,9 | 6,9 |
| 2026-10-05 | 31,8 | 18,2 | 4,5 |
| 2026-10-12 | 32,1 | 11,2 | 2 |
| 2026-10-19 | 29,1 | 14,3 | 4,4 |
| 2026-10-26 | 29,2 | 12 | 3,9 |
| 2026-11-02 | 35,9 | 14 | 8,6 |
| 2026-11-09 | 44,9 | 11 | 2,2 |
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
| Woche | USA | Vereinigtes Königreich | Singapur | Polen | Indien |
|---|---|---|---|---|---|
| 2026-06-01 | 64,6 | 2 | 0 | 16,2 | 6,1 |
| 2026-06-08 | 68,9 | 0,8 | 3,8 | 6,8 | 6,8 |
| 2026-06-15 | 65,8 | 5,5 | 1,4 | 6,8 | 2,7 |
| 2026-06-22 | 33,1 | 1,2 | 18,4 | 21,5 | 3,7 |
| 2026-06-29 | 18,2 | 0,7 | 47,9 | 4,3 | 5,9 |
| 2026-07-06 | 52,2 | 6,5 | 6,1 | 4,9 | 4,9 |
| 2026-07-13 | 45,6 | 3,3 | 11,8 | 3,6 | 9,2 |
| 2026-07-20 | 38,8 | 8,6 | 15,5 | 13,5 | 5,7 |
| 2026-07-27 | 50,7 | 3 | 11,9 | 10,4 | 4,5 |
| 2026-08-03 | 40,2 | 15,6 | 6,1 | 4,5 | 5,6 |
| 2026-08-10 | 38,2 | 14,7 | 2,9 | 2 | 9,8 |
| 2026-08-17 | 38 | 14,1 | 0 | 0 | 4,3 |
| 2026-08-24 | 33,6 | 24,3 | 0 | 3,7 | 8,4 |
| 2026-08-31 | 21,1 | 30 | 1,1 | 1,1 | 8,9 |
| 2026-09-07 | 30,9 | 28,7 | 2,1 | 2,1 | 9,6 |
| 2026-09-14 | 38 | 27,2 | 2,5 | 3,8 | 5,7 |
| 2026-09-21 | 43,6 | 14 | 7,5 | 2,2 | 4,9 |
| 2026-09-28 | 30,2 | 19,9 | 6,9 | 8,5 | 6,9 |
| 2026-10-05 | 31,8 | 18,2 | 4,5 | 9,9 | 6,4 |
| 2026-10-12 | 32,1 | 11,2 | 2 | 8,2 | 8 |
| 2026-10-19 | 29,1 | 14,3 | 4,4 | 9,9 | 6,2 |
| 2026-10-26 | 29,2 | 12 | 3,9 | 5,6 | 7,2 |
| 2026-11-02 | 35,9 | 14 | 8,6 | 4 | 6 |
| 2026-11-09 | 44,9 | 11 | 2,2 | 6,8 | 4,9 |
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
| Zeitraum | Einstellungsindex |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
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
| Tag | Einstellungsindex |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Wie viele offene ML-Ingenieur-Jobs es gibt und wie viele passende Fachkräfte Zorky sieht.
Nachfrage und beobachtetes Angebot
Diagrammdaten
| Kennzahl | Wert |
|---|---|
| Offene Nachfrage | 2.291 |
| Offene Nachfrage | 2.291 |
| 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
Diagrammdaten
| Kennzahl | Wert |
|---|---|
| <$1k | 4 |
| $1–2k | 2 |
| $2–3k | 7 |
| $3–4k | 7 |
| $4–5k | 9 |
| $5–6k | 14 |
| $6–7k | 11 |
| $7–8k | 4 |
| $8–9k | 9 |
| $9–10k | 16 |
| $10–12k | 31 |
| $12–15k | 68 |
| $15–20k | 83 |
| $20k+ | 44 |
- 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
| Kennzahl | Untergrenze | Obergrenze | Anzahl |
|---|---|---|---|
| <$1k | 0 | 1.000 | 4 |
| $1–2k | 1.000 | 2.000 | 2 |
| $2–3k | 2.000 | 3.000 | 7 |
| $3–4k | 3.000 | 4.000 | 7 |
| $4–5k | 4.000 | 5.000 | 9 |
| $5–6k | 5.000 | 6.000 | 14 |
| $6–7k | 6.000 | 7.000 | 11 |
| $7–8k | 7.000 | 8.000 | 4 |
| $8–9k | 8.000 | 9.000 | 9 |
| $9–10k | 9.000 | 10.000 | 16 |
| $10–12k | 10.000 | 12.000 | 31 |
| $12–15k | 12.000 | 15.000 | 68 |
| $15–20k | 15.000 | 20.000 | 83 |
| $20k+ | 20.000 | — | 44 |
In welchen Ländern es die meisten offenen ML-Ingenieur-Jobs gibt.
Geografie der Nachfrage
| Land | Stellen | Anteil |
|---|---|---|
| Vereinigte Staaten | 882 | 45,9% |
| Vereinigtes Königreich | 160 | 8,3% |
| Indien | 120 | 6,2% |
| Polen | 117 | 6,1% |
| Singapur | 86 | 4,5% |
| Kanada | 63 | 3,3% |
| Deutschland | 58 | 3% |
| Frankreich | 38 | 2% |
| Russland | 34 | 1,8% |
| Niederlande | 26 | 1,4% |
| Übrige Länder | 338 | 17,6% |
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
| Land | Stellen |
|---|---|
| US | 882 |
| GB | 160 |
| IN | 120 |
| PL | 117 |
| SG | 86 |
| CA | 63 |
| DE | 58 |
| FR | 38 |
| RU | 34 |
| NL | 26 |
Welche Technologien am häufigsten im selben Job wie ML-Ingenieur verlangt werden.
Wird zusammen verwendet mit
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
| Name | Anzahl |
|---|---|
| python | 935 |
| cloud | 572 |
| llm | 521 |
| pytorch | 514 |
| aws | 384 |
| mlops | 313 |
| tensorflow | 259 |
| docker | 258 |
| azure | 250 |
| fine-tuning | 225 |
| kubernetes | 225 |
| gcp | 181 |
Wie viele ML-Ingenieur-Jobs es auf jeder Stufe gibt — von Junior bis Principal.
Nachfrage nach Level
| Level | Stellen |
|---|---|
| senior | 794 |
| Principal | 341 |
| junior | 102 |
| lead | 90 |
| middle | 87 |
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
| Stufe | Anzahl |
|---|---|
| senior | 794 |
| Principal | 341 |
| junior | 102 |
| lead | 90 |
| middle | 87 |
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.
| Anteil | Wert |
|---|---|
| Top-1 | 1.7% |
| Top-3 | 3.9% |
| Top-10 | 8.6% |
| Long Tail | 91.4% |
⚠ 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
| Klasse | Name | Englischer Name | Anzahl | Anteil |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS & Karriereseiten | 1.546 | 0,6748 |
| board | джоб-борды и агрегаторы | Jobbörsen & Aggregatoren | 616 | 0,2689 |
| telegram | Telegram | Telegram | 115 | 0,0502 |
| Community | сообщества и публичные профили | Community & öffentliche Profile | 14 | 0,0061 |
Die neuesten ML-Ingenieur-Jobs von Karriereseiten der Unternehmen.
Neueste Ausschreibungen
- Junior LLM / ML Engineer в Москве · RU
- Senior Machine Learning Engineer · GB
- Machine Learning Engineer · ZA
- Senior Machine Learning Engineer, Content Intelligence · GB
- Senior / Staff ML Engineer (Routing & Optimisation) · GB
- Proxify AB: Senior Machine Learning Engineer
- AI/ML Engineer
- ML Engineer · UA
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.
Benachbarte Märkte
ML Engineer überschneidet sich mit Data Scientist (statistische Modellierung + geschäftliche Einordnung), Research Engineer (neuartige Architekturen + Paper), MLOps Engineer (ML-Plattforminfrastruktur), Backend Engineer (Produktionsdisziplin + Systemdesign). Vergleich mit data-scientist/research/mlops — im SiblingSubnichesChart oben.
⚠ angrenzende Märkte zum Vergleich sind noch nicht definiert
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.
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.