Usamos cookies técnicas y el registro de visitas anonimizado de Zorky. Yandex Metrica (los datos se guardan en servidores en Rusia) solo se activa con tu consentimiento. Nunca vendemos datos. Más sobre cookies y estadísticas.
Zorky está en modo de prueba: todo es gratis. Los empleos y las páginas de empresas están abiertos a todos; los enlaces a las ofertas y tu selección personal se abren tras registrarte. Regístrate →

Ingeniero de ML: mercado

Datos a 19 de noviembre de 2026: ofertas abiertas de Ingeniero de ML — 2291, el 32% en remoto entre las ofertas que indican la modalidad; salario mediano anunciado $13.666/mes (de 309 ofertas que indican salario). Fuente: Zorky, actualizado a diario.

ML Engineer: el rol más grande dentro de la dirección de IA/ML/DS (el mayor grupo entre los subnichos de ML). ML en producción: toma un modelo (propio o de un Data Scientist) y lo lleva a un servicio en producción con un SLA estable. Familia de roles: ML Engineer (general: feature engineering + entrenamiento + despliegue), Senior ML Engineer (pipelines de ML de extremo a extremo + escalado), Staff ML Engineer/Principal ML Engineer (arquitectura de la plataforma de ML para toda la organización), ML Tech Lead (liderazgo del equipo + decisiones de infraestructura de ML), Applied ML Engineer (ML de producto centrado en métricas de negocio). Stack: Python (monopolio), PyTorch/TensorFlow/JAX (deep learning: PyTorch domina 2026), scikit-learn+XGBoost+LightGBM+CatBoost (ML clásico: obligatorio), pandas+NumPy+Polars (manipulación de datos), Hugging Face Transformers+LangChain+LlamaIndex (LLM/NLP), MLflow+Weights & Biases+Neptune (seguimiento de experimentos), DVC (control de versiones de datos), Airflow/Prefect/Dagster (orquestación), Docker+Kubernetes (despliegue), FastAPI+Triton Inference Server+BentoML+TorchServe (serving de modelos), ONNX (inferencia entre frameworks), Feast/Tecton (feature stores), Spark+Ray+Dask (cómputo distribuido), AWS SageMaker/GCP Vertex AI/Azure ML (gestionados en la nube). Stack principal: python, cloud, pytorch, llm, aws. Entre las vacantes con modalidad de trabajo indicada, el 32% es remoto.

Datos al:

Las cifras clave del mercado de Ingeniero de ML: ofertas abiertas, salario mediano, grupo de especialistas observado y proporción de remoto.

2291
empleos abiertos — por título del puesto, republicaciones fusionadas
$13.666
mediana $/mes
32%
remoto

El mercado de Ingeniero de ML tiene ahora 2291 puestos abiertos, 2024 de ellos observados recientemente. Median salary $13.666/mo.

Entre las vacantes con modalidad de trabajo indicada, el 32% es remoto. El trabajo de ML está en la nube (entrenamiento en GPUs en la nube, serving en K8s). Empresas de outsourcing (EPAM AI / Luxoft AI): casi siempre en remoto. Bancos rusos (ML bancario de Sber AI): híbrido/oficina por cumplimiento normativo. Empresas internacionales de IA: remoto total como estándar.

⚠ salario conocido en 309 de 2291 empleos; cuota de remoto a partir de 1926 con formato indicado; 2024 contados como observaciones recientes; no se muestran la tendencia ni la dificultad de contratación

Cronología: ofertas y fuentes

Cuántas ofertas de Ingeniero de ML aparecieron cada semana desde el 1 jun y de cuántas fuentes. El gráfico inferior separa el crecimiento del mercado del crecimiento de nuestra cobertura: un salto en la semana en que se conectaron nuevas fuentes significa que empezamos a ver más, no que el mercado creció.

Nuevas ofertas por semana

Datos del gráfico
Nuevas ofertas por semana. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoNuevas ofertas por semana
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

Fuentes activas por semana

Fuentes en el periodo: 217. ▲ — semana en la que se conectaron muchas fuentes nuevas.

Datos del gráfico
Fuentes activas por semana. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoFuentes activas
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
Nuevas fuentes conectadas: 29 jun +30 · 6 jul +18 · 13 jul +18 · todas las semanas (23) en la tabla
SemanaFuentes nuevasOfertas nuevas
8 jun+11142
15 jun+277
22 jun+15175
29 jun+30332
6 jul+18286
13 jul+18353
20 jul+11283
27 jul+8170
3 ago+2215
10 ago+7128
17 ago+2115
24 ago+5132
31 ago+9115
7 sept+4127
14 sept+4186
21 sept+10612
28 sept+3370
5 oct+10373
12 oct+3794
19 oct+9492
26 oct+4519
2 nov+5406
9 nov+10463

La semana actual aún no ha terminado y no se muestra: una semana incompleta parecería una caída.

Semana = fecha en que se detectó la oferta por primera vez, todos los estados; las ofertas se seleccionan con la misma regla que el contador de esta página. Las fuentes son canales de recopilación distintos; sus nombres no se publican.

Datos del gráfico
Cronología: ofertas y fuentes — Ingeniero de ML. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaNuevas ofertas por semanaFuentes activas
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

Salarios a lo largo del tiempo

Salario mediano de Ingeniero de ML por semana, USD al mes.

Salario mediano, USD al mes

Datos del gráfico
Salario mediano, USD al mes. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoMedianaOfertas con salario por semana (n)
2026-09-2112.54516
2026-09-2810.23828
2026-10-05945739
2026-10-12980556
2026-10-1913.91992
2026-10-2613.13493
2026-11-0213.75085
2026-11-0912.929110

La serie empieza el 21 sept: antes no hay datos.

Ofertas con salario por semana (n)

Solo ofertas con salario en USD y periodo conocido (mes o año), de 500 a 50 000 $ al mes. Las semanas con menos de 10 ofertas así quedan en blanco: significa sin datos, no cero.

Datos del gráfico
Salarios a lo largo del tiempo — Ingeniero de ML. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaMediana
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
2026-10-059457
2026-10-129805
2026-10-1913.919
2026-10-2613.134
2026-11-0213.750
2026-11-0912.929

El trabajo remoto a lo largo del tiempo

Proporción de ofertas de Ingeniero de ML con trabajo totalmente remoto, por semana.

Ofertas remotas, %

Datos del gráfico
Ofertas remotas, %. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoRemoto
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

La proporción se calcula entre las ofertas que indican la modalidad (remoto, híbrido, oficina). Las semanas con menos de 10 ofertas así quedan en blanco.

Datos del gráfico
El trabajo remoto a lo largo del tiempo — Ingeniero de ML. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaRemoto
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

Tecnologías a lo largo del tiempo

Cómo cambió la proporción de ofertas de Ingeniero de ML que mencionan cada una de las principales tecnologías.

Ofertas que mencionan la tecnología, %

Datos del gráfico
Ofertas que mencionan la tecnología, %. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoPythoncloudllm
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
Hasta 5 en el gráfico:

Proporción entre las ofertas con stack etiquetado; la serie empieza el 10 ago: antes las etiquetas de stack se asignaban de otra forma. Las semanas con menos de 20 ofertas etiquetadas quedan en blanco.

Datos del gráfico
Tecnologías a lo largo del tiempo — Ingeniero de ML. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaPythoncloudllmpytorchAWS
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

Países a lo largo del tiempo

Cómo cambió por semana la proporción de ofertas de Ingeniero de ML en cada uno de los principales países.

Ofertas en el país, %

Datos del gráfico
Ofertas en el país, %. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoEE. UU.Reino UnidoSingapur
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
Hasta 5 en el gráfico:

Proporción entre las ofertas con país conocido; el gráfico muestra los cinco países con más ofertas en seis meses. Las semanas con menos de 20 ofertas con país conocido quedan en blanco. Una proporción al alza puede deberse a una fuente recién conectada en ese país y no al crecimiento del mercado.

Datos del gráfico
Países a lo largo del tiempo — Ingeniero de ML. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaEE. UU.Reino UnidoSingapurPoloniaIndia
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

Mercado limpio: índice de contratación

Los mismos 7505 portales de empleo de empresas; el número de ofertas se toma del propio portal. Conectar nuevas fuentes no mueve este índice: muestra el mercado, no nuestra cobertura. Es todo el mercado del panel, no solo Ingeniero de ML.

Índice de contratación, 16 oct = 100

Datos del gráfico
Índice de contratación, 16 oct = 100. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoÍndice de contratación
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

Índice encadenado: cada día compara solo los portales consultados ese día y el anterior; se excluyen los valores atípicos y las caídas de consulta de toda una plataforma. Los días sin pares comparables quedan en blanco.

Datos del gráfico
Mercado limpio: índice de contratación — Ingeniero de ML. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
DíaÍndice de contratación
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

Cuántas ofertas abiertas de Ingeniero de ML hay y cuántos especialistas adecuados observa Zorky.

Demanda y oferta observada

Datos del gráfico
Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
IndicadorValor
Demanda abierta2291
Demanda abierta2291
Oferta observada— no publicado

ML Engineer es el mayor rol de IA/ML; el crecimiento de la demanda 2026 lo impulsa el boom de los LLM / la IA generativa: despliegue de foundation models, aplicaciones RAG, agentes de IA, productos de voz/multimodales. Empresas de producto rusas: flujo estable. EPAM/Luxoft AI Practice: el mayor canal de outsourcing para proyectos de IA de EE. UU.

⚠ los candidatos que encajan con una vacante aún no se cuentan: se muestran la demanda y el pool observado

Cómo se distribuyen los salarios en las ofertas de Ingeniero de ML, en dólares estadounidenses al mes.

Distribución de salarios

P25 $9600 · P50 $13.666 · P75 $17.416
Datos del gráfico
Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
IndicadorValor
<$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
Salario en las ofertas: base 2291
  • apto para el cálculo: 309 (13,5%)
  • indicado, pero no convertido a USD/mes: 372 (16,2%)
  • no indicado: 1610 (70,3%)

Una de cada diez ofertas paga menos de $5027 y una de cada diez más de $20.916. La mitad de las ofertas ofrece entre $9600 y $17.416. Muestra: 309.

Datos del gráfico
Distribución de salarios — Ingeniero de ML. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
IndicadorLímite inferiorLímite superiorCantidad
<$1k010004
$1–2k100020002
$2–3k200030007
$3–4k300040007
$4–5k400050009
$5–6k5000600014
$6–7k6000700011
$7–8k700080004
$8–9k800090009
$9–10k900010.00016
$10–12k10.00012.00031
$12–15k12.00015.00068
$15–20k15.00020.00083
$20k+20.000—44

En qué países hay más ofertas abiertas de Ingeniero de ML.

Geografía de la demanda

paísempleosproporción
Estados Unidos88245,9%
Reino Unido1608,3%
India1206,2%
Polonia1176,1%
Singapur864,5%
Canadá633,3%
Alemania583%
Francia382%
Rusia341,8%
Países Bajos261,4%
Otros países33817,6%

El líder por número de vacantes de ML Engineer es EE. UU. (882 vacantes). Polonia — hub de la UE AI-friendly (Varsovia/Cracovia). Alemania — clúster de startups de IA de Berlín.

⚠ solo número de empleos: el salario por país no se publica

Datos del gráfico
Geografía de la demanda — Ingeniero de ML. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PaísOfertas
US882
GB160
IN120
PL117
SG86
CA63
DE58
FR38
RU34
NL26

Qué tecnologías se piden con más frecuencia en la misma oferta que Ingeniero de ML.

Se usa junto con

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%

Cuota: cuántas de las 2291 ofertas del mercado Ingeniero de ML mencionan esta tecnología. Ordenado por número de ofertas, no por «fuerza de asociación». Términos genéricos como cloud no son una nube concreta (AWS, Azure).

Stack principal de ML Engineer 2026: Python (monopolio), PyTorch / TensorFlow / JAX (PyTorch domina), scikit-learn + XGBoost + LightGBM + CatBoost (clásico), pandas + NumPy + Polars (datos), Hugging Face + LangChain + LlamaIndex (LLM/NLP), sentence-transformers + Pinecone / Weaviate / Qdrant / Milvus (bases de datos vectoriales / RAG), MLflow + W&B + Neptune (tracking de experimentos), DVC, Airflow / Prefect / Dagster, Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe + vLLM / TGI / SGLang (serving de LLM), ONNX, Feast / Tecton (feature stores), Ray + Spark + Dask, AWS SageMaker / GCP Vertex AI / Azure ML, Optuna, Evidently AI (drift). Extras de Senior: fine-tuning LoRA / QLoRA, cuantización, destilación.

Parejas habituales: 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 (entrenamiento distribuido), Feast + Spark + Snowflake. Hoja de ruta de aprendizaje: Python + matemáticas → ML clásico (sklearn / XGBoost) → Deep Learning (PyTorch) → MLOps (MLflow + Docker + K8s) → especialización en LLM (Hugging Face + LangChain + RAG) → entrenamiento distribuido (Ray) → ML gestionado en la nube (SageMaker / Vertex AI).

Datos del gráfico
Se usa junto con — Ingeniero de ML. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
NombreCantidad
python935
cloud572
llm521
pytorch514
aws384
mlops313
tensorflow259
docker258
azure250
fine-tuning225
kubernetes225
gcp181

Cuántas ofertas de Ingeniero de ML hay en cada nivel, de junior a principal.

Demanda por nivel

nivelempleos
senior794
principal341
junior102
lead90
middle87

Junior es raro; entrada típica vía Data Analyst → ML Junior o Backend Middle → ML Junior. Trayectoria: Junior (1-2 años) → Middle (2-3 años) → Senior → luego Staff / Principal ML Engineer (técnico en profundidad), ML Tech Lead / Engineering Manager, paso a Research (con doctorado) o ML CTO/Founder en una startup de IA.

⚠ solo el lado de la demanda: el nivel del pool observado se desconoce en su mayor parte

Datos del gráfico
Demanda por nivel — Ingeniero de ML. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
NivelCantidad
senior794
principal341
junior102
lead90
middle87

Quién contrata más en Ingeniero de ML y cuánto se concentra la demanda en las empresas más grandes.

Empleadores

La demanda se reparte entre 1312 empleadores. El mayor concentra el 1.7%, los diez primeros el 8.6%; el 91.4% restante es cola larga.

el mayor 1,7%2.º–3.º 2,2%4.º–10.º 4,7%el resto 91,4%
proporciónvalor
top-11.7%
top-33.9%
top-108.6%
cola larga91.4%

⚠ no se muestran nombres: el clasificador aún no distingue entre agencias de selección y empleadores finales

De qué webs de empresas y portales de empleo recoge Zorky las ofertas de Ingeniero de ML.

Dónde ve Zorky este mercado

Observado en 109 fuentes; la mayor concentra el 20.7%: este mercado no depende de un solo canal.

Vacantes de ML Engineer: hh.ru, Habr Career, getmatch, Djinni, LinkedIn (enorme segmento internacional de IA), NoFluffJobs / JustJoin.it (Polonia, favorable a la IA), Telegram, páginas de empleo de EPAM AI / Luxoft AI / Andersen AI, portales especializados aijobs.net + ai-jobs.net + builtin.com/jobs/ai, Y Combinator Work at a Startup y páginas de empleo de startups de IA.

Datos del gráfico
Dónde ve Zorky este mercado — Ingeniero de ML. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
ClaseNombreNombre en inglésCantidadProporción
atsATS и карьерные сайтыATS y webs de empleo de empresas15460,6748
boardджоб-борды и агрегаторыportales de empleo y agregadores6160,2689
telegramTelegramTelegram1150,0502
comunidadсообщества и публичные профилиcomunidad y perfiles públicos140,0061

Las ofertas de Ingeniero de ML más recientes de las webs de empleo de las empresas.

Vacantes recientes

Todos los empleos →

Últimas vacantes abiertas de ML Engineer: las 10 posiciones más recientes con una descripción de calidad suficiente. La lista completa está en nuestro CRM o en el enlace «ver todas» de abajo.

Cómo se mide
Vacante
un empleo abierto que superó el filtro de calidad y menciona al menos dos tecnologías
Candidato observado
un candidato cuyo stack contiene esta tecnología; es un agregado: ni un solo registro sale del perímetro
Candidato emparejable
aún no contabilizado
Ventana
empleos abiertos en el momento en que se generó el snapshot

Sobre los datos

  • Algunos desgloses están ocultos: su cobertura de datos aún no es suficiente.
  • Las estadísticas se muestran solo donde la muestra supera un control de calidad.
  • Que falte un bloque no significa que el valor sea cero.

Desgloses ocultos actualmente: 8.

Área: IA / ML / Data Science

Especializaciones relacionadas

Dentro de ML Engineer: ML Engineer general (universal: recsys/NLP/CV/fraude), Applied ML Engineer (foco en producto + métricas de negocio), Senior ML Engineer (pipelines de extremo a extremo + escalado), Staff / Principal ML Engineer (arquitectura de la plataforma de ML de la organización), ML Tech Lead (liderazgo de equipo), ML Platform Engineer (infraestructura para otros equipos de ML). La comparación con data-scientist/research/mlops está en la barra de abajo.

Ingeniero de IA / LLMVisión artificialCientífico de datosMLOpsIngeniero de PLNIngeniero de investigación

Preguntas frecuentes

Las preguntas más frecuentes sobre ML Engineer: salario, ML Engineer frente a DS frente a Research frente a MLOps, stack del pipeline de ML en producción (10 componentes), en qué se diferencia de Applied ML, trabajo remoto, cómo empezar (8-14 meses desde Data Analyst / Backend Middle), skills de Senior (dominio de LLM + MLOps + distribuido). Las respuestas se recalculan automáticamente.

¿Cuánto gana un ML Engineer Junior, Middle, Senior o Lead?

Junior ML Engineer es raro (el mercado empieza desde Data Analyst o Backend → ML). El salto de Junior a Middle: tras dominar el primer pipeline de ML en producción de extremo a extremo (feature engineering → entrenamiento → despliegue → monitorización). De Middle a Senior: responsabilidad sobre varios pipelines + experiencia con LLM/RAG + escalado del entrenamiento distribuido + optimización de costes. De Senior a Staff/Principal: arquitectura de la plataforma de ML, estrategia de ML para varios equipos. Trayectoria: Data Analyst (1-2 años) → Junior ML Engineer (1-2 años) → Middle (2-3 años) → Senior → luego Staff ML Engineer (técnico en profundidad), ML Tech Lead (gestión), paso a Research (vía doctorado) o ML Founder/CTO en una startup.

¿Qué stack necesita con más frecuencia un ML Engineer?

Principales 5: python, cloud, pytorch, llm, aws. Python es el monopolio (R apenas se ve en ML de producción 2026). ML clásico: scikit-learn + XGBoost + LightGBM + CatBoost, base, obligatorio para datos tabulares. Manipulación de datos: pandas + NumPy + Polars (moderno, en auge 2026, 10-100× más rápido), PyArrow para datos entre frameworks. Computer Vision: OpenCV, torchvision, Detectron2, MMDetection, Ultralytics YOLO. Experiment tracking: MLflow (estándar open-source) o Weights & Biases (UI premium) o Neptune. Control de versiones de datos: DVC. Orquestación: Airflow + Prefect + Dagster (uno a fondo). Deployment: dominio de Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe (uno a fondo). Inferencia entre frameworks: ONNX. Feature stores: Feast (open-source) o Tecton (gestionado). Cómputo distribuido: Spark + Ray + Dask. ML gestionado en cloud: AWS SageMaker / GCP Vertex AI / Azure ML (uno a fondo). Extras de Senior: cuantización (cuantización de PyTorch, bitsandbytes), destilación, fine-tuning LoRA/QLoRA, vLLM/TGI/SGLang para serving de LLM, Optuna para tuning de hiperparámetros.

ML Engineer frente a Data Scientist frente a Research frente a MLOps: ¿cuál es la diferencia?

Data Scientist: enfoque en el planteamiento de problemas de negocio + modelado estadístico + pruebas A/B + comunicación de insights. Stack: pandas + sklearn + Jupyter + SQL + Tableau/Looker. Menos carga de infraestructura. Ver Data Scientist. ML Engineer (esta página): enfoque en pipelines de ML en producción + despliegue + escalado. Stack como el de DS + Docker/K8s + MLflow + Airflow + ML gestionado en la nube. Research Engineer / Scientist: enfoque en nuevos modelos, papers, arquitecturas novedosas. A menudo vía PhD. Stack: PyTorch en profundidad + JAX + infraestructura orientada a experimentos. Ver Research Engineer / Scientist. MLOps Engineer: enfoque en la infraestructura de la plataforma de ML (feature stores, registro de modelos, monitorización, observabilidad, optimización de costes). Stack: K8s + Terraform + MLflow/Kubeflow + Prometheus/Grafana + cloud. Ver MLOps Engineer. Cambio ML Engineer ↔ DS: 1-3 meses. ML Engineer ↔ MLOps: 2-4 meses (si ya hay base de K8s). La vía de investigación requiere un PhD o 3+ años de especialización profunda.

¿Cómo es el stack del pipeline de ML en producción en 2026?

Stack de referencia para ML en producción 2026: 1) Ingesta de datos: Airflow/Prefect/Dagster extrae los datos brutos de los sistemas de origen (BD/Kafka/S3). 2) Feature engineering: transformaciones con Spark/Pandas/Polars → Feature Store (Feast o Tecton — almacenamiento centralizado, corrección point-in-time, serving online+offline). 3) Experimentación: Jupyter + tracking con W&B/MLflow + DVC para el control de versiones de datos + Optuna para la búsqueda de hiperparámetros. 4) Entrenamiento: Ray Train o PyTorch Lightning + distribuido (multi-GPU/multi-nodo), checkpointing en S3/GCS, cuantización (INT8/FP16) para reducir el coste de inferencia. 5) Registro de modelos: MLflow Model Registry o SageMaker Model Registry (versionado + etapas: staging/production/archived). 6) Validación: tests automatizados (data drift, calidad de las predicciones), shadow deployment, configuración de tests A/B. 7) Serving: Triton Inference Server (NVIDIA, multi-framework + dynamic batching) o BentoML o TorchServe o vLLM (para LLM). Wrapper FastAPI para el contrato de la API. 8) Despliegue: Kubernetes (estándar en producción) + Helm + ArgoCD para GitOps. 9) Monitorización: Prometheus + Grafana (latencia/throughput/tasa de errores) + detección de drift propia (Evidently AI/WhyLabs) + dashboards de costes. 10) Bucle de retroalimentación: registro de predicciones + ground truth → disparador de reentrenamiento. Plataforma de ML para toda la organización: Kubeflow o Metaflow o SageMaker Pipelines. Stack específico de LLM: vLLM/TGI/SGLang para serving + prompt engineering (LangChain/LlamaIndex) + RAG (BD vectoriales Pinecone/Weaviate/Qdrant) + fine-tuning mediante LoRA/QLoRA + evaluación (RAGAS, DeepEval, benchmarks propios).

¿Qué proporción de vacantes ofrece trabajo remoto?

Entre las vacantes con modalidad de trabajo indicada, el 32% es remoto. Las vacantes sin modalidad indicada se excluyen del denominador; el trabajo híbrido no se cuenta como remoto.

¿En qué se diferencia ML Engineer de Applied ML Engineer?

ML Engineer (general): puede trabajar en cualquier dominio de ML (recsys, NLP, CV, detección de fraude, ranking). El stack es universal. Applied ML Engineer: enfoque en una tarea de ML de producto concreta + responsabilidad sobre métricas de negocio (CTR, conversión, aumento de ingresos). El stack es el mismo, pero añade pensamiento de producto + dominio de las pruebas A/B + comunicación con stakeholders. Retribución comparable (mediana), pero en empresas de producto el Applied ML suele ganar algo más a nivel Senior por la responsabilidad sobre el impacto en el negocio. ML Platform Engineer (un subnicho aparte, más cercano a MLOps): construye infraestructura para otros ML Engineers (Feature Store, infraestructura de MLflow, plataforma de entrenamiento). Elección de carrera: ML Engineer si lo que más importa es la universalidad y la portabilidad, Applied ML Engineer si te interesa el impacto en el producto, ML Platform Engineer si te interesan la infraestructura y las herramientas. Las tres son vías legítimas para Senior+, ninguna es mejor ni peor.

¿Por dónde empezar en ML Engineering en 2026?

Hoja de ruta: 1) Python a fondo hasta nivel Backend Middle (código limpio, patrones de diseño, async). Libros: "Fluent Python" de Ramalho, "Effective Python" de Slatkin. 2) Matemáticas: álgebra lineal + cálculo + probabilidad/estadística a nivel de «entender qué hay bajo el capó del backprop». MIT 18.06 Linear Algebra (Strang), "Essence of Linear Algebra" de 3Blue1Brown. 3) ML clásico: dominio de scikit-learn + XGBoost + LightGBM. "Machine Learning Specialization" de Andrew Ng (Coursera). Libro "Hands-On Machine Learning" de Géron (lectura obligada en 2026). 4) Deep Learning: PyTorch a fondo (forward/backward/optimizadores/bucles de entrenamiento desde cero). "Deep Learning Specialization" de Andrew Ng. "Deep Learning with PyTorch" de Stevens. 5) Vía NLP/LLM: curso de Hugging Face (gratis) → fine-tuning de LLM pequeños (Mistral 7B/Llama 3 8B) con LoRA/QLoRA → construye una aplicación RAG con LangChain + Qdrant. 6) Vía de Computer Vision (alternativa): torchvision + Detectron2 + Ultralytics YOLO + entrenamiento con un dataset propio. 7) Nociones de MLOps: MLflow + DVC + Airflow + Docker + Kubernetes para servir ML. "Designing Machine Learning Systems" de Chip Huyen: lectura obligada para ML en producción. 8) ML en la nube: uno de AWS SageMaker / GCP Vertex AI / Azure ML: sigue un tutorial e2e. 9) Entrenamiento distribuido: Ray Train + PyTorch DDP. 10) Proyecto personal: un sistema de ML e2e completo (pipeline de datos + feature store + entrenamiento + seguimiento con MLflow + despliegue en Kubernetes + monitorización) sobre un dataset abierto (Kaggle). Internacional (EN): fast.ai "Practical Deep Learning", Hugging Face NLP Course, DeepLearning.AI (Andrew Ng). Libros clásicos: "Pattern Recognition and Machine Learning" de Bishop, "The Hundred-Page Machine Learning Book" de Burkov. Conferencias: NeurIPS, ICML, ICLR (sus papers son lectura obligada para un Senior). De Data Analyst o Backend Middle a ML Engineer Junior: 8-14 meses.

¿Cuántas vacantes abiertas contiene esta muestra?

La muestra publicada contiene 2291 vacantes abiertas tras agrupar las republicaciones. Es la misma cifra del indicador principal. La sección geográfica describe la cobertura de la muestra; no es una estimación de todo el mercado.

¿Qué skills necesita un Senior ML Engineer?

Un Senior ML Engineer es responsable del ciclo completo de ML en producción + liderazgo técnico. Dominio de la programación: Python a nivel de backend Senior (código limpio, async, profiling, optimización de memoria). Bases matemáticas: álgebra lineal + cálculo + probabilidad al nivel de «leer papers sin atascarse». Dominio del ML clásico: feature engineering a fondo, justificación de la elección de modelos, calibración, compromisos entre métricas de evaluación, diseño de modelos alineado con el negocio. Dominio del Deep Learning: PyTorch a fondo (Layers/Modules/Optimizers personalizados), entrenamiento distribuido (DDP, FSDP), precisión mixta, cuantización (INT8/FP16), destilación, exportación a ONNX. Dominio de LLM (imprescindible para un Senior en 2026): fine-tuning con LoRA/QLoRA, prompt engineering, arquitectura RAG (bases vectoriales Pinecone/Weaviate/Qdrant), evaluación (RAGAS, DeepEval), vLLM/TGI/SGLang para el serving. MLOps: dominio de MLflow / W&B, DVC, Airflow / Prefect / Dagster, Feature Stores (Feast / Tecton), dominio de Docker + Kubernetes para el serving de ML, Helm + ArgoCD. ML en la nube: una de AWS SageMaker / GCP Vertex AI / Azure ML a fondo. Cómputo distribuido: dominio de Ray + Spark. Monitorización: integración de Prometheus + Grafana + Evidently AI (detección de drift). Optimización de costes: utilización de GPU, tamaño de los lotes, cuantización de modelos, estrategias de caché. Diseño de sistemas de ML: diseñar en pizarra sistemas de ML a escala de 100M+ usuarios (recomendadores / fraude / ranking / chatbot). Soft: lectura de papers (NeurIPS / ICML / ICLR), redacción técnica (ADRs, documentos de diseño), code review para varios equipos, mentoría a ML Engineers Middle, comunicación con los equipos de producto/datos/backend, diseño de pruebas A/B + análisis estadístico. Inglés para Senior+ IMPRESCINDIBLE: la comunidad de ML/IA y los papers están en inglés. Extra: contribuciones open source (PyTorch / Hugging Face / LangChain): aumentan notablemente el valor de mercado.

Dejar una solicitud

Describe la tarea y deja un contacto: la solicitud llega a nuestro CRM y respondemos al contacto que indiques.

Al enviar, aceptas la política de privacidad.