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 →

MLOps: Markt

Stand 19. November 2026: offene Stellen MLOps — 354, 31% remote unter den Stellen mit Angabe des Arbeitsmodells; Mediangehalt in Stellenanzeigen $8.315/Monat (aus 41 Anzeigen mit Gehaltsangabe). Quelle: Zorky, täglich aktualisiert.

MLOps Engineer — Infrastruktur für ML/KI-Teams. An der Schnittstelle von DevOps + ML Engineering + Platform Engineering. Baut und betreibt die ML-Plattform für andere DS- / ML-Engineer- / Research-Teams: Feature Stores, Model Registry, Trainingsinfrastruktur, Serving-Stack, Monitoring, Kostenoptimierung. Rollenfamilie: MLOps Engineer (Mid — Infrastruktur für ein einzelnes Produktteam), Senior MLOps Engineer (Plattform für mehrere Teams + Kostenoptimierung + Skalierung), ML Platform Engineer (baut eine wiederverwendbare Plattform für die gesamte Organisation — Feature Store / Model Registry / Trainingsplattform), Staff / Principal MLOps (Architektur der ML-Plattform für eine Organisation mit mehreren Produkten), MLOps Tech Lead (Teamführung + Plattformstrategie + Integration mit DevOps / SRE). Stack: Python (Hauptsprache), Meisterschaft in Docker+Kubernetes (ML-Serving in Produktion), Helm+Kustomize+ArgoCD (GitOps), Terraform/Pulumi/CloudFormation (Infrastructure as Code für verwaltete ML-Ressourcen in der Cloud), MLflow (Model Registry + Tracking — Open-Source-Standard), Kubeflow+Kubeflow Pipelines (K8s-native ML-Orchestrierung), Airflow/Prefect/Dagster (Daten- + ML-Pipelines), Feast/Tecton (Feature Stores), Triton Inference Server+BentoML+TorchServe+vLLM/TGI/SGLang (Model Serving — LLM-spezifisch), Prometheus+Grafana+Loki (Observability), Evidently AI/WhyLabs/Arize AI/Fiddler (ML-Monitoring + Drift-Erkennung), DVC+LakeFS (Versionskontrolle für Daten), AWS SageMaker/GCP Vertex AI/Azure ML/Databricks/Domino Data Lab (verwaltetes ML in der Cloud), Spark+Ray (Plattformen für verteiltes Rechnen), FluxCD+Tekton (CI/CD für ML-Pipelines), OpenTelemetry (Tracing). Top-Stack: mlops, ci/cd, cloud, aws, python. Unter den Stellen mit angegebenem Arbeitsmodell sind 31% vollständig remote.

Datenstand:

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

354
offene Stellen — nach Jobtitel, Reposts zusammengeführt
$8.315
Median $/Monat
31%
ortsunabhängig

Der Markt für MLOps hat derzeit 354 offene Rollen, davon 304 frisch beobachtet. Median salary $8.315/mo.

Unter den Stellen mit angegebenem Arbeitsmodell sind 31% vollständig remote. MLOps-Arbeit ist standardmäßig cloudbasiert. Outsourcing-Firmen (EPAM AI Platform / Luxoft AI) — fast immer remote. Russische Banken (Sber AI Banking / VTB) — hybrid/Büro wegen Sicherheits-Compliance. Internationale ML-Plattform-Unternehmen — vollständig remote als Standard. ML-Plattformen in Big Tech — hybrid als Standard.

⚠ Gehalt bekannt bei 41 von 354 Stellen; Remote-Anteil aus 290 mit angegebenem Arbeitsformat; 304 als frische Beobachtungen gezählt; Trend und Besetzungsschwierigkeit werden nicht gezeigt

Zeitachse: Ausschreibungen und Quellen

Wie viele MLOps-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
2026-06-0125
2026-06-0818
2026-06-1512
2026-06-2256
2026-06-2938
2026-07-0644
2026-07-1367
2026-07-2044
2026-07-2724
2026-08-0325
2026-08-1029
2026-08-1720
2026-08-2424
2026-08-3130
2026-09-0724
2026-09-1434
2026-09-2153
2026-09-2859
2026-10-0556
2026-10-12151
2026-10-1954
2026-10-2670
2026-11-0285
2026-11-0973

Aktive Quellen pro Woche

Quellen im Zeitraum: 124. ▲ — 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
2026-06-0111
2026-06-088
2026-06-155
2026-06-2211
2026-06-2923
2026-07-0619
2026-07-1328
2026-07-2014
2026-07-2714
2026-08-0319
2026-08-1018
2026-08-1715
2026-08-2412
2026-08-3120
2026-09-0714
2026-09-1418
2026-09-2124
2026-09-2823
2026-10-0522
2026-10-1232
2026-10-1927
2026-10-2629
2026-11-0236
2026-11-0941
Neue Quellen angebunden: 29. Juni +14 · 6. Juli +8 · 13. Juli +15 · 9. Nov. +14 · alle Wochen (23) in der Tabelle
WocheNeue QuellenNeue Ausschreibungen
8. Juni+318
15. Juni+112
22. Juni+556
29. Juni+1438
6. Juli+844
13. Juli+1567
20. Juli+544
27. Juli+324
3. Aug.+325
10. Aug.+429
17. Aug.+620
24. Aug.+124
31. Aug.+430
7. Sept.+224
14. Sept.+334
21. Sept.+553
28. Sept.+159
5. Okt.+256
12. Okt.+5151
19. Okt.+254
26. Okt.+370
2. Nov.+485
9. Nov.+1473

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 — MLOps. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WocheNeue Ausschreibungen pro WocheAktive Quellen
2026-06-012511
2026-06-08188
2026-06-15125
2026-06-225611
2026-06-293823
2026-07-064419
2026-07-136728
2026-07-204414
2026-07-272414
2026-08-032519
2026-08-102918
2026-08-172015
2026-08-242412
2026-08-313020
2026-09-072414
2026-09-143418
2026-09-215324
2026-09-285923
2026-10-055622
2026-10-1215132
2026-10-195427
2026-10-267029
2026-11-028536
2026-11-097341

Gehälter im Zeitverlauf

Mediangehalt MLOps 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)
2026-10-199.55012
2026-10-269.45716
2026-11-027.75013
2026-11-09—7

Die Reihe beginnt am 19. Okt.: 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 — MLOps. 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—
2026-09-21—
2026-09-28—
2026-10-05—
2026-10-12—
2026-10-199.550
2026-10-269.457
2026-11-027.750
2026-11-09—

Remote-Arbeit im Zeitverlauf

Anteil der MLOps-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
2026-06-0164,7
2026-06-0850
2026-06-15—
2026-06-2246,9
2026-06-2954,5
2026-07-0648,3
2026-07-1342,9
2026-07-2063,4
2026-07-2776,5
2026-08-039,5
2026-08-1045
2026-08-1716,7
2026-08-2425
2026-08-3152,2
2026-09-0723,8
2026-09-1426,1
2026-09-2135,7
2026-09-2849
2026-10-0528
2026-10-1232,7
2026-10-1915,4
2026-10-2629,7
2026-11-0230,6
2026-11-0943,9

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 — MLOps. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WocheOrtsunabhängig
2026-06-0164,7
2026-06-0850
2026-06-15—
2026-06-2246,9
2026-06-2954,5
2026-07-0648,3
2026-07-1342,9
2026-07-2063,4
2026-07-2776,5
2026-08-039,5
2026-08-1045
2026-08-1716,7
2026-08-2425
2026-08-3152,2
2026-09-0723,8
2026-09-1426,1
2026-09-2135,7
2026-09-2849
2026-10-0528
2026-10-1232,7
2026-10-1915,4
2026-10-2629,7
2026-11-0230,6
2026-11-0943,9

Technologien im Zeitverlauf

Wie sich der Anteil der MLOps-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.
ZeitraumMLOpscloudPython
2026-08-10961616
2026-08-171002520
2026-08-248717,430,4
2026-08-3196,27,738,5
2026-09-0791,326,18,7
2026-09-14976,13
2026-09-2195,930,636,7
2026-09-2894,944,150,8
2026-10-0594,431,553,7
2026-10-1289,345,630,9
2026-10-1994,360,456,6
2026-10-2686,230,853,8
2026-11-0285,938,546,2
2026-11-0991,849,338,4
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 — MLOps. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WocheMLOpscloudAWSPythonDocker
2026-08-10961641612
2026-08-1710025252025
2026-08-248717,48,730,421,7
2026-08-3196,27,7038,534,6
2026-09-0791,326,18,78,78,7
2026-09-14976,10312,1
2026-09-2195,930,618,436,720,4
2026-09-2894,944,137,350,832,2
2026-10-0594,431,522,253,718,5
2026-10-1289,345,631,530,930,2
2026-10-1994,360,432,156,628,3
2026-10-2686,230,827,753,829,2
2026-11-0285,938,532,146,221,8
2026-11-0991,849,332,938,427,4

Länder im Zeitverlauf

Wie sich der Anteil der MLOps-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.
ZeitraumPolenVereinigtes KönigreichRussland
2026-06-0124816
2026-06-08———
2026-06-15———
2026-06-2277,81,91,9
2026-06-2930,62,822,2
2026-07-0613,210,523,7
2026-07-1332,75,51,8
2026-07-2063,42,419,5
2026-07-27504,518,2
2026-08-034,823,84,8
2026-08-10022,225,9
2026-08-17———
2026-08-24043,517,4
2026-08-31011,550
2026-09-07———
2026-09-1415,47,723,1
2026-09-2114,921,314,9
2026-09-2835,315,72
2026-10-0532,722,44,1
2026-10-1222,57,82,3
2026-10-1913,324,46,7
2026-10-2613,817,210,3
2026-11-0213,417,91,5
2026-11-0911,16,312,7
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 — MLOps. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WochePolenVereinigtes KönigreichUSARusslandIndien
2026-06-01248281616
2026-06-08—————
2026-06-15—————
2026-06-2277,81,93,71,93,7
2026-06-2930,62,811,122,25,6
2026-07-0613,210,510,523,710,5
2026-07-1332,75,5201,814,5
2026-07-2063,42,4019,54,9
2026-07-27504,54,518,20
2026-08-034,823,8194,89,5
2026-08-10022,23,725,911,1
2026-08-17—————
2026-08-24043,58,717,44,3
2026-08-31011,53,8503,8
2026-09-07—————
2026-09-1415,47,77,723,115,4
2026-09-2114,921,314,914,92,1
2026-09-2835,315,711,825,9
2026-10-0532,722,422,44,10
2026-10-1222,57,810,12,312,4
2026-10-1913,324,415,66,715,6
2026-10-2613,817,224,110,35,2
2026-11-0213,417,911,91,59
2026-11-0911,16,314,312,711,1

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 MLOps.

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 — MLOps. 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 MLOps-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 Nachfrage354
Offene Nachfrage354
Beobachtetes Angebot— nicht veröffentlicht

MLOps Engineer — die „rezessionsfesteste“ KI/ML-Nische (die Produktion braucht sie ständig). Wachstum 2026 getrieben durch: LLM-Serving-Infrastruktur (Verbreitung von vLLM / TGI / SGLang), Einsatz von Foundation Models im Enterprise, Aufbau interner ML-Plattform-Tools, Druck zur Kostenoptimierung (GPU-Kosten von typischerweise $10K+/Monat pro Team). Russland — ein stetiger Strom. Internationale ML-Plattform-Unternehmen (Truefoundry / Bento / Determined AI / Run:AI) — Premium-Remote-Segment.

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

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

Gehaltsverteilung

P25 $6.000 · P50 $8.315 · P75 $11.608
Diagrammdaten
Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
KennzahlWert
<$1k0
$1–2k1
$2–3k1
$3–4k3
$4–5k3
$5–6k1
$6–7k7
$7–8k3
$8–9k6
$9–10k3
$10–12k4
$12–15k5
$15–20k3
$20k+1
Gehalt in Stellenanzeigen: Basis 354
  • für die Berechnung nutzbar: 41 (11,6%)
  • angegeben, aber nicht in USD/Monat umgerechnet: 49 (13,8%)
  • nicht angegeben: 264 (74,6%)

Jede zehnte Stellenanzeige bietet unter $3.894, jede zehnte über $13.750. Die Hälfte der Anzeigen bietet zwischen $6.000 und $11.608. Stichprobe: 41.

Diagrammdaten
Gehaltsverteilung — MLOps. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
KennzahlUntergrenzeObergrenzeAnzahl
<$1k01.0000
$1–2k1.0002.0001
$2–3k2.0003.0001
$3–4k3.0004.0003
$4–5k4.0005.0003
$5–6k5.0006.0001
$6–7k6.0007.0007
$7–8k7.0008.0003
$8–9k8.0009.0006
$9–10k9.00010.0003
$10–12k10.00012.0004
$12–15k12.00015.0005
$15–20k15.00020.0003
$20k+20.000—1

In welchen Ländern es die meisten offenen MLOps-Jobs gibt.

Geografie der Nachfrage

LandStellenAnteil
Vereinigte Staaten5819,7%
Polen5016,9%
Indien268,8%
Vereinigtes Königreich237,8%
Deutschland186,1%
Frankreich165,4%
Russland165,4%
Kanada124,1%
Rumänien93,1%
Niederlande51,7%
Übrige Länder6221%

Führend bei der Zahl der Stellen für MLOps: die USA (58 Stellen). Polen — für KI-Plattformen freundlicher EU-Hub. Deutschland — Berliner KI-Cluster. Große internationale Remote-Arbeit über ML-Plattform-Unternehmen (Truefoundry / Bento / W&B / Comet / Determined AI) + MLOps-Teams von KI-Startups.

⚠ nur Stellenzahlen: Gehalt nach Land wird nicht veröffentlicht

Diagrammdaten
Geografie der Nachfrage — MLOps. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
LandStellen
US58
PL50
IN26
GB23
DE18
FR16
RU16
CA12
RO9
NL5

Welche Technologien am häufigsten im selben Job wie MLOps verlangt werden.

Wird zusammen verwendet mit

mlops
27778,2%
cloud
14741,5%
aws
12234,5%
python
11933,6%
docker
10529,7%
kubernetes
10228,8%
azure
8323,4%
mlflow
5615,8%
gcp
5214,7%
llm
5014,1%

Anteil — wie viele der 354 Stellen im Markt MLOps diese Technologie nennen. Sortiert nach Stellenzahl, nicht nach „Stärke des Zusammenhangs“. Oberbegriffe wie cloud sind keine bestimmte Cloud (AWS, Azure).

Top-MLOps-Stack 2026: Python + Go als Bonus, souveränes Docker + souveränes Kubernetes (Produktionsstandard), Helm + Kustomize + ArgoCD / FluxCD (GitOps), Terraform + Pulumi / CloudFormation (IaC), MLflow (Model Registry + Tracking — Open-Source-Standard) + Kubeflow + Kubeflow Pipelines, Airflow / Prefect / Dagster (Workflow), Feast / Tecton (Feature Stores), Triton Inference Server + BentoML + TorchServe + KServe (Model Serving), vLLM + TGI + SGLang + Ollama (LLM-Serving — Pflicht 2026), Prometheus + Grafana + Loki + OpenTelemetry, Evidently AI + WhyLabs + Arize AI + Fiddler (ML-Monitoring + Drift), DVC + LakeFS, AWS SageMaker / GCP Vertex AI / Azure ML / Databricks (Cloud-Managed ML), Spark + Ray (verteiltes Rechnen), NVIDIA GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows (ML-Operatoren für K8s).

Häufige Paare: Kubernetes + Helm + ArgoCD + Terraform, MLflow + Kubeflow + Feast, Triton + KServe + Prometheus + Grafana, vLLM + TGI + SGLang (Stack für LLM-Serving), AWS SageMaker + Terraform + GitHub Actions, GCP Vertex AI + Kubeflow Pipelines, Databricks + MLflow + Spark, Evidently AI + Prometheus + Grafana (ML-Observability). Lern-Roadmap: DevOps-Grundlagen (Linux + Docker + K8s) → Terraform + Cloud-Plattform in der Tiefe → CI/CD + GitOps → ML-Grundlagen (Python + sklearn + PyTorch) → MLflow + Feast (Fundament der ML-Plattform) → Triton / vLLM (Serving) → Evidently AI (Monitoring) → Pet-Projekt einer ML-Plattform → Beiträge zu Open Source.

Diagrammdaten
Wird zusammen verwendet mit — MLOps. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
NameAnzahl
mlops277
cloud147
aws122
python119
docker105
kubernetes102
azure83
mlflow56
gcp52
llm50
airflow48
databricks37

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

Nachfrage nach Level

LevelStellen
senior126
middle30
Principal24
lead16
junior11

Junior — typischer Einstieg: DevOps Middle + Interesse an ML ODER ML Engineer Middle + Interesse an Infrastruktur ODER Backend Senior + ML-Kurse. Karriereweg: Junior (1-2 Jahre) → Middle (2-3 Jahre) → Senior → entweder Staff / Principal MLOps (technische Tiefe), MLOps Tech Lead / Platform Engineering Manager oder Gründer eines ML-Plattform-Startups.

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

Diagrammdaten
Nachfrage nach Level — MLOps. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
StufeAnzahl
senior126
middle30
Principal24
lead16
junior11

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

Arbeitgeber

Die Nachfrage verteilt sich auf 280 Arbeitgeber. Der größte steht für 1.2 %, die Top Ten für 9.3 %; die übrigen 90.7 % sind Long Tail.

größter 1,2%2.–3. 2,2%4.–10. 5,9%übrige 90,7%
AnteilWert
Top-11.2%
Top-33.4%
Top-109.3%
Long Tail90.7%

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

Von welchen Unternehmensseiten und Jobbörsen Zorky MLOps-Jobs sammelt.

Wo Zorky diesen Markt sieht

Beobachtet in 71 Quellen; die größte steht für 9.6 % — dieser Markt hängt nicht an einem einzigen Kanal.

Diagrammdaten
Wo Zorky diesen Markt sieht — MLOps. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
KlasseNameEnglischer NameAnzahlAnteil
atsATS и карьерные сайтыATS & Karriereseiten1810,5113
boardджоб-борды и агрегаторыJobbörsen & Aggregatoren1460,4124
telegramTelegramTelegram250,0706
Communityсообщества и публичные профилиCommunity & öffentliche Profile20,0056

Die neuesten MLOps-Jobs von Karriereseiten der Unternehmen.

Neueste Ausschreibungen

Alle Stellen →

Die neuesten offenen Stellen für MLOps — 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 MLOps: MLOps Engineer (Mid — Infrastruktur für ein einzelnes Produktteam), Senior MLOps (teamübergreifende Plattform + Kostenoptimierung), ML Platform Engineer (wiederverwendbare Plattform als Produkt für die Organisation), Staff / Principal MLOps (Architektur für eine Organisation mit mehreren Produkten), MLOps Tech Lead (Teamführung + Plattformstrategie). Vergleich mit ml-engineer/data-scientist/research — im Balken unten.

KI- / LLM-IngenieurComputervisionDatenwissenschaftlerML-IngenieurNLP-IngenieurForschungsingenieur

Häufig gestellte Fragen

Die häufigsten Fragen zu MLOps Engineer: Bezahlung, MLOps vs. DevOps vs. Platform Engineer, MLflow vs. Kubeflow vs. Vertex AI vs. SageMaker (Entscheidungsbaum mit 7 Optionen), Unterschiede zum ML Platform Engineer, Remote, wie man es wird (4-10 Monate ab DevOps Middle / ML Engineer Middle), Senior-Fähigkeiten (LLM Serving + Kostenoptimierung + teamübergreifende Plattform). Die Antworten werden automatisch neu berechnet.

Was verdient ein MLOps als Junior, Middle, Senior oder Lead?

Junior MLOps — typischer Einstieg: 1) DevOps / SRE Middle + Interesse an ML, 2) ML Engineer Middle + Interesse an Infrastruktur, 3) Backend Senior + ML-Kenntnisse (über Kurse). Der Sprung Junior → Middle — nach der ersten End-to-End-Einführung einer ML-Plattform (Feature Store + Model Registry + Serving-Stack + Monitoring). Middle → Senior — teamübergreifende Plattformverantwortung + Kostenoptimierung. Senior → Staff / Principal — ML-Plattformarchitektur für eine Organisation mit mehreren Produkten + Integrationsstrategie mit DevOps- / SRE- / Data-Platform-Teams. Karriereweg: DevOps Middle / ML Engineer Middle → Junior MLOps (1-2 Jahre) → Middle (2-3 Jahre) → Senior → entweder Staff / Principal MLOps (Tiefe), MLOps Tech Lead (Führung) oder Gründer eines ML-Plattform-Startups.

Welchen Stack braucht an MLOps am häufigsten?

Top 5: mlops, ci/cd, cloud, aws, python. Python (primär — für eigene Infrastruktur), Go als Bonus (für performancekritische Infrastrukturkomponenten — z. B. Serving-Proxys). Souveränes Docker (Multi-Stage-Builds für optimierte ML-Images, GPU-Container). Souveränes Kubernetes (Produktionsstandard für ML-Serving — Deployment / StatefulSet / DaemonSet / Job / CronJob, RBAC, Network Policies, Resource Quotas, HPA / VPA / Cluster Autoscaler). GPU Operator (NVIDIA GPU Operator für GPU-Scheduling in K8s). K8s-Operatoren für ML: Kubeflow Training Operator + Spark Operator + Argo Workflows. Helm + Kustomize + ArgoCD / FluxCD — GitOps-Standard. Terraform / Pulumi / CloudFormation (IaC für Cloud-Managed ML — Ressourcen in AWS / GCP / Azure). Souveränes MLflow (Open-Source-Standard für Model Registry + Tracking — ein Senior beherrscht die Anpassung von MLflow-Plugins). Kubeflow + Kubeflow Pipelines (K8s-native ML-Orchestrierung — große Enterprises verlangen sie oft). Workflow-Orchestratoren: Airflow + Prefect + Dagster (einen in der Tiefe — Dagster auf dem Vormarsch 2026). Feature Stores: Feast (Open Source) oder Tecton (verwaltet) — Pflicht für Senior MLOps. Model Serving: Triton Inference Server (NVIDIA — Multi-Framework + Dynamic Batching) + BentoML (Python-freundlich) + TorchServe + KServe (K8s-natives Serving). LLM-spezifisches Serving: vLLM (PagedAttention — Rekord beim LLM-Serving mit hohem Durchsatz), Text Generation Inference (TGI) von Hugging Face, SGLang (Programmiermodell für LLM-Serving + Caching), Ollama (lokales LLM-Serving). Observability: Prometheus + Grafana + Loki + OpenTelemetry. ML-Monitoring + Drift-Erkennung: Evidently AI + WhyLabs + Arize AI + Fiddler (eines in der Tiefe). Versionskontrolle für Daten: DVC + LakeFS. Cloud-Managed ML: eines von AWS SageMaker / GCP Vertex AI / Azure ML / Databricks in der Tiefe. Plattformen für verteiltes Rechnen: souveränes Spark + Ray. Kostenoptimierung: Strategie für Spot-Instanzen, GPU-Sharing (NVIDIA MIG), Integration von Quantisierung, Caching-Strategien (Redis für Inferenzergebnisse), Kostenanalyse Batch- vs. Echtzeit-Inferenz.

MLOps vs. DevOps vs. Platform Engineer — was ist der Unterschied?

DevOps Engineer — Fokus auf allgemeine Anwendungsinfrastruktur (CI/CD + Monitoring + Cloud + Kubernetes + IaC). Stack: Docker / K8s / Terraform / Prometheus / Grafana / Ansible / Jenkins / GitHub Actions / Cloud (AWS / GCP / Azure). Siehe DevOps Engineer (allgemein) (sobald die Seite online ist). Platform Engineer — DevOps + Fokus auf interne Tools. Baut eine Entwicklerplattform für Engineers (Verwaltung von K8s-Clustern + ArgoCD + IDP — Internal Developer Platform — Backstage / Port / Cortex). MLOps Engineer (diese Seite) — DevOps + ML-spezifischer Fokus. Baut eine ML-Plattform für DS- / ML-Engineer- / Research-Teams. Zusätzlich zum DevOps-Stack: MLflow / Kubeflow / Feature Stores / Model Serving (Triton / vLLM) / ML-Monitoring (Evidently / WhyLabs) / verwaltetes Cloud-ML (SageMaker / Vertex AI). ML Platform Engineer — Senior MLOps mit Fokus auf eine wiederverwendbare Plattform als Produkt (für die gesamte Organisation, nicht für ein einzelnes Team). Karriereüberschneidung: DevOps Middle → MLOps Junior — 6-12 Monate (ML-Stack + Kubeflow / MLflow + verwaltetes Cloud-ML lernen). MLOps Senior ↔ Platform Engineer Senior — einfacher lateraler Wechsel (viel gemeinsamer Stack). ML Engineer Middle → MLOps Junior — 4-8 Monate (kennt den ML-Stack bereits, muss Kubernetes + Terraform + Observability vertiefen). DevOps → MLOps — ein weiterer Weg als der Wechsel zum Platform Engineer (Lücke beim ML-Wissen).

MLflow vs. Kubeflow vs. Vertex AI vs. SageMaker — was wählen?

Entscheidungsbaum für die Wahl der ML-Plattform 2026: 1) MLflow (Open Source, herstellerneutral) — am besten für Experiment-Tracking + Model Registry + einfaches Deployment. Leichtgewichtig. Self-hosted oder managed (Databricks). Einsatzfall: Fundament der ML-Plattform für die meisten Organisationen. Standard 2026 für ML-Tracking auf Teamebene. 2) Kubeflow + Kubeflow Pipelines (Open Source, Kubernetes-nativ) — am besten für K8s-first-Großunternehmen, die einen vollständigen ML-Plattform-Stack ohne Vendor-Lock-in wollen. Aufwendigeres Setup. Enthält: Pipelines (Workflow) + Training Operator (verteiltes Training) + Serving (KFServing → KServe) + Notebooks. Einsatzfall: Großunternehmen + Kubernetes-erfahrenes Team + Anforderung Multi-Cloud / On-Prem. 3) AWS SageMaker (managed) — am besten für AWS-native Organisationen. Umfassend: SageMaker Studio (IDE) + Training Jobs + Hyperparameter Tuning + Pipelines + Endpoints (Echtzeit + Batch) + Model Registry + Feature Store + Clarify (Bias-Erkennung). Vendor-Lock-in bei AWS. Einsatzfall: AWS-first-Organisation + kleines ML-Team — rechnet sich dank der Funktionsvielfalt in einer Plattform. Bei großem Maßstab kostenintensiv (teuer). 4) GCP Vertex AI (managed) — Googles Pendant zu SageMaker. Stark bei: Vertex AI Workbench (Jupyter in der Cloud), Pipelines (Kubeflow-basiert — portabel), AutoML, TPU-Zugang (für Forschung / großes Training), Model Garden (vortrainierte Modelle). Einsatzfall: GCP-first-Organisation + Portabilität von Kubeflow ist wichtig. 5) Azure ML (managed) — das Azure-Pendant. Stark bei: Designer (visueller Builder für ML-Pipelines), AutoML, MLOps-Funktionen, native Azure-Integration. Einsatzfall: Azure- / Microsoft-first-Organisation. 6) Databricks (managed, Multi-Cloud) — am besten für Spark-first-ML-Workloads + Lakehouse. Schöpfer von MLflow. Premium-Preise. Einsatzfall: datenintensive Organisationen mit Spark- / Lakehouse-Pattern. 7) Spezialisierte Plattformen: Weights & Biases (beste UX für Experiment-Tracking — Favorit der Forschung), Comet (W&B-Alternative), Neptune, Determined AI (Plattform für verteiltes Training), Run:AI (GPU-Orchestrierung — von NVIDIA übernommen), Truefoundry + Bento (modernes Model Serving). Standard 2026 für ein neues ML-Team: MLflow self-hosted (oder Databricks managed bei viel Spark) + Kubernetes-Serving (Triton / vLLM) + Feast (Feature Store) + Prometheus + Grafana + Evidently AI. Standard für AWS-native Großunternehmen: SageMaker (bei akzeptablen Kosten + kleinem Team) oder MLflow auf EKS + eigene Services (günstiger bei großem Maßstab). Standard für Kubernetes-erfahrene Großunternehmen: Kubeflow + MLflow.

Welcher Anteil der Stellen ist vollständig remote?

Unter den Stellen mit angegebenem Arbeitsmodell sind 31% vollständig remote. Stellen ohne Angabe des Arbeitsmodells sind vom Nenner ausgeschlossen; hybride Arbeit wird nicht als vollständig remote gezählt.

Worin unterscheidet sich ML Platform Engineer von MLOps Engineer?

MLOps Engineer (allgemein) — kann in jedem ML-Team arbeiten (Produktteam / Forschungslabor / KI-Beratung). Stack: universelles MLOps. ML Platform Engineer — Senior MLOps mit Fokus auf eine wiederverwendbare Plattform als Produkt für die gesamte Organisation (nicht für ein einzelnes Team). Darüber hinaus: Design interner APIs (für andere ML Engineers / DS), Self-Service-Tools (Vorlagen / Scaffolding / CLI-Tools — etwa generate-new-model-project), SLA-Management für Plattformkomponenten (Ziele für Uptime / Latenz / Durchsatz), Cost-Chargeback-Systeme (Erfassung der Rechennutzung pro Team + Abrechnung), Onboarding-Dokumentation + Schulungsprogramme für andere Mitglieder des ML-Teams, Management der Abwärtskompatibilität gemeinsamer Plattformkomponenten, Open-Source-Beiträge zu Plattformkomponenten (z. B. Beiträge zu Feast / Kubeflow). Staff / Principal MLOps — noch höher, leitet typischerweise ein ML-Plattformteam (3-7 MLOps-Engineers + Integrationen mit DevOps- / SRE- / Data-Platform-Leads). Karrierewahl: MLOps Engineer, wenn Sie gern jeden Tag praktisch an einem neuen Problem arbeiten, ML Platform Engineer, wenn Sie gern wiederverwendbare Systeme bauen und mit mehreren Nutzerteams arbeiten. Alle drei sind legitime Wege ab Senior.

Wie fängt man 2026 mit MLOps an?

Roadmap: 1) Starke DevOps-Basis — Linux + Netzwerke + bash beherrschen, Docker beherrschen (Multi-Stage-Builds + Optimierung der Layer + Sicherheitsscans), Kubernetes in der Tiefe beherrschen (Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA + Grundlagen eigener CRDs). Bücher: „Kubernetes in Action“ von Lukša, „The Kubernetes Book“ von Poulton. 2) IaC beherrschen: Terraform in der Tiefe (Module / State-Management / Workspaces) + Verständnis der Muster der jeweiligen Cloud-Anbieter. Kurs HashiCorp Learn (kostenlos). GitOps-Muster mit ArgoCD / FluxCD. 4) Cloud-Plattform in der Tiefe — eine von AWS / GCP / Azure wählen und das Zertifikat Solutions Architect Associate / Professional ablegen. 5) ML-Grundlagen — mindestens: Python + pandas + scikit-learn + PyTorch (Grundlagen) + Trainings- / Inference-Schleifen verstehen. Kurs fast.ai „Practical Deep Learning“ Part 1. „Designing Machine Learning Systems“ von Chip Huyen — Pflichtlektüre für MLOps 2026 (um den ML-Workflow vom Training bis zum Deployment zu verstehen). 6) Experiment-Tracking + Model Registry: MLflow in der Tiefe beherrschen (Tracking + Registry + Projects + Models). Selbst gehostetes MLflow auf EKS / GKE / AKS einrichten. 7) ML-Serving-Stack: Triton Inference Server (mehrere Frameworks + dynamisches Batching) + BentoML + KServe. LLM-Serving: vLLM beherrschen (PagedAttention + Continuous Batching) + TGI + SGLang. 8) Feature Store: Feast (Open Source) — durchgängig in einem Testprojekt einrichten (Offline + Online + Abruf). 9) Orchestrierung: eines von Airflow / Prefect / Dagster + Grundlagen von Kubeflow Pipelines. 10) ML-Monitoring: Evidently AI (Drift-Erkennung + Datenqualität) + WhyLabs oder Arize AI oder Fiddler — eines in der Tiefe. 11) Pet-Projekt: Deployment einer vollständigen ML-Plattform (K8s-Cluster + MLflow + Feast + Triton + Prometheus + Grafana + Evidently AI) mit einfachem Modelllebenszyklus (trainieren → registrieren → deployen → überwachen → neu trainieren). Im GitHub-README dokumentieren. 12) Beitrag zu Open Source — Feast / Kubeflow / MLflow / vLLM / Triton — steigert den Wert des Lebenslaufs im MLOps deutlich. Russische Kurse: Karpov.Courses „MLOps“, Otus „MLOps“, SkillFactory MLOps track, Slurm MLOps intensive. International (EN): MLOps-Kurs „Made with ML“ von Goku Mohandas (kostenlos, umfassend), Hugging Face MLOps course, Coursera „MLOps Specialization“ von DeepLearning.AI, Databricks Academy MLOps. Pflichtlektüre: „Designing Machine Learning Systems“ von Chip Huyen, „Machine Learning Design Patterns“ von Lakshmanan, „Reliable Machine Learning“ von Cathy Chen. DevOps Middle / ML Engineer Middle → Junior MLOps — 4-10 Monate. Backend Senior → Junior MLOps — 8-14 Monate (der ML-Stack muss erlernt werden).

Wie viele offene Stellen enthält diese Stichprobe?

Die veröffentlichte Stichprobe enthält 354 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 MLOps?

Ein Senior MLOps verantwortet den gesamten Engineering-Zyklus der ML-Plattform + technische Führung. Beherrschung der Programmierung: Python in der Tiefe + Go als Bonus für performancekritische Infrastruktur. Beherrschung von Docker: Multi-Stage-Builds, Layer-Optimierung, GPU-Container, Sicherheitsscans (Trivy / Snyk). Beherrschung von Kubernetes in der Tiefe: Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA / VPA / Cluster Autoscaler, Grundlagen eigener CRDs, GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows. Beherrschung von IaC: Terraform in der Tiefe (Module / State / Workspaces), eines von Pulumi / CloudFormation als Bonus. Beherrschung von GitOps: ArgoCD / FluxCD + Muster mit Kustomize / Helm. Cloud-Plattform in der Tiefe: eine von AWS / GCP / Azure auf dem Niveau Solutions Architect Professional. Beherrschung von MLflow: tiefe Anpassung + Plugins + Muster für Mandantenfähigkeit. Kubeflow Pipelines: Deployment im Enterprise-Maßstab + eigene Komponenten + Mandantenfähigkeit. Beherrschung von Feature Stores: Feast in der Tiefe (offline + online + Retrieval + Monitoring + Mandantenfähigkeit) oder Tecton (verwaltet). Beherrschung von Model Serving: Triton Inference Server in der Tiefe (Ensembles + dynamisches Batching + Model Repositories) + BentoML + KServe. Beherrschung von LLM-Serving (2026 Pflicht): vLLM in der Tiefe (PagedAttention + Continuous Batching + Speculative Decoding + KV-Cache-Optimierung) + TGI + SGLang + Ollama. Plattformen für verteiltes Rechnen: Beherrschung von Spark + Ray (Spark Operator auf K8s, Ray Train + Ray Serve). Observability in der Tiefe: Prometheus + Grafana + Loki + OpenTelemetry + eigene Metriken + Alerting-Strategien. ML-Monitoring: Integrationsmuster für Evidently AI + WhyLabs / Arize AI / Fiddler. Beherrschung der Kostenoptimierung: Strategie für Spot-Instanzen + GPU-Sharing (NVIDIA MIG) + Integration der Quantisierung (INT8 / FP16 / FP4) + Caching-Strategien (Redis für Inferenzergebnisse) + Kostenanalyse Batch- vs. Echtzeit-Inferenz + Planung von Reserved Instances. Beherrschung der Sicherheit: Secrets-Management (Vault / Cloud-KMS), Network Policies, Supply-Chain-Sicherheit (signierte Images), Datenschutz (Umgang mit PII in ML-Pipelines). Systementwurf für ML-Plattformen: ML-Plattformen für 100M+ Vorhersagen/Tag + Mandantenfähigkeit + Multi-Region am Whiteboard entwerfen. Soft Skills: Verfassen von ADRs für Plattformentscheidungen, technisches Schreiben (Plattformdokumentation + Onboarding-Materialien), Code Review für mehrere Teams, Mentoring von Middle MLOps, teamübergreifende Zusammenarbeit (DevOps- / SRE- / Data-Platform- / ML-Engineer- / DS- / Research-Teams). Englisch ab Senior+ PFLICHT — MLOps bedeutet intensive teamübergreifende Arbeit auf Englisch. Optionaler Bonus: Open-Source-Beiträge zu Feast / Kubeflow / MLflow / vLLM / Triton — steigern den Marktwert bei Frontier-KI-Laboren + ML-Plattform-Unternehmen 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.