Nous utilisons des cookies techniques et le journal de visites anonymisé de Zorky. Yandex Metrica (données stockées sur des serveurs en Russie) ne fonctionne qu'avec votre consentement. Nous ne vendons jamais de données. En savoir plus sur les cookies et les statistiques.
Zorky est en mode test — tout est gratuit. Les offres et les pages des entreprises sont ouvertes à tous ; les liens vers les annonces et votre sélection personnelle s'ouvrent après inscription. Inscription →

Ingénieur ML : marché

Données au 19 novembre 2026 : offres ouvertes Ingénieur ML — 2 291, 32% en télétravail parmi les offres qui précisent le mode de travail; salaire médian annoncé $13 666/mois (sur 309 offres qui indiquent un salaire). Source : Zorky, mis à jour chaque jour.

ML Engineer — le rôle le plus important de la filière IA/ML/DS (le plus grand vivier parmi les sous-niches ML). ML en production — prend un modèle (le sien ou celui d'un Data Scientist) et l'amène jusqu'à un service en production avec un SLA stable. Famille de rôles : ML Engineer (général — feature engineering + entraînement + déploiement), ML Engineer Senior (pipelines ML de bout en bout + passage à l'échelle), Staff ML Engineer/Principal ML Engineer (architecture de la plateforme ML pour toute l'organisation), ML Tech Lead (direction d'équipe + décisions d'infrastructure ML), Applied ML Engineer (ML produit centré sur les métriques business). Stack : Python (monopole), PyTorch/TensorFlow/JAX (deep learning — PyTorch domine 2026), scikit-learn+XGBoost+LightGBM+CatBoost (ML classique — obligatoire), pandas+NumPy+Polars (manipulation de données), Hugging Face Transformers+LangChain+LlamaIndex (LLM/NLP), MLflow+Weights & Biases+Neptune (suivi des expériences), DVC (versionnage des données), Airflow/Prefect/Dagster (orchestration), Docker+Kubernetes (déploiement), FastAPI+Triton Inference Server+BentoML+TorchServe (model serving), ONNX (inférence multi-frameworks), Feast/Tecton (feature stores), Spark+Ray+Dask (calcul distribué), AWS SageMaker/GCP Vertex AI/Azure ML (managé dans le cloud). Stack la plus demandée : python, cloud, pytorch, llm, aws. Parmi les offres dont le mode de travail est indiqué, 32% sont en télétravail.

Données au:

Les chiffres clés du marché Ingénieur ML : offres ouvertes, salaire médian, vivier de spécialistes observé et part du télétravail.

2 291
offres ouvertes — par intitulé de poste, republications fusionnées
$13 666
médiane $/mois
32%
télétravail

Le marché Ingénieur ML compte actuellement 2 291 postes ouverts, dont 2 024 observés récemment. Median salary $13 666/mo.

Parmi les offres dont le mode de travail est indiqué, 32% sont en télétravail. Le travail en ML se fait dans le cloud (entraînement sur GPU cloud, déploiement sur K8s). Sociétés d'outsourcing (EPAM AI / Luxoft AI) — presque toujours en télétravail. Banques russes (ML bancaire de Sber AI) — hybride/bureau pour la conformité. Entreprises d'IA internationales — télétravail complet standard.

⚠ salaire connu pour 309 offres sur 2291 ; part du télétravail sur 1926 avec un format indiqué ; 2024 comptées comme observations récentes ; la tendance et la difficulté de recrutement ne sont pas affichées

Chronologie : offres et sources

Combien d'offres Ingénieur ML sont apparues chaque semaine depuis le 1 juin, et depuis combien de sources. Le graphique du bas sépare la croissance du marché de celle de notre couverture : un saut la semaine où de nouvelles sources ont été connectées signifie que nous voyons davantage, pas que le marché a grandi.

Nouvelles offres par semaine

Données du graphique
Nouvelles offres par semaine. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeNouvelles offres par semaine
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

Sources actives par semaine

Sources sur la période : 217. ▲ — semaine où de nombreuses nouvelles sources ont été connectées.

Données du graphique
Sources actives par semaine. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeSources actives
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
Nouvelles sources connectées : 29 juin +30 · 6 juil. +18 · 13 juil. +18 · toutes les semaines (23) dans le tableau
SemaineNouvelles sourcesNouvelles offres
8 juin+11142
15 juin+277
22 juin+15175
29 juin+30332
6 juil.+18286
13 juil.+18353
20 juil.+11283
27 juil.+8170
3 août+2215
10 août+7128
17 août+2115
24 août+5132
31 août+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 semaine en cours n'est pas terminée et n'est pas affichée : une semaine incomplète ressemblerait à une baisse.

Semaine = date de première détection de l'offre, tous statuts ; les offres sont sélectionnées selon la même règle que le compteur de cette page. Les sources sont des canaux de collecte distincts ; leurs noms ne sont pas publiés.

Données du graphique
Chronologie : offres et sources — Ingénieur ML. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineNouvelles offres par semaineSources actives
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

Les salaires dans le temps

Salaire médian Ingénieur ML par semaine, USD par mois.

Salaire médian, USD par mois

Données du graphique
Salaire médian, USD par mois. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeMédianeOffres avec salaire par semaine (n)
2026-09-2112 54516
2026-09-2810 23828
2026-10-059 45739
2026-10-129 80556
2026-10-1913 91992
2026-10-2613 13493
2026-11-0213 75085
2026-11-0912 929110

La série commence le 21 sept. : aucune donnée avant.

Offres avec salaire par semaine (n)

Uniquement les offres avec un salaire en USD et une période connue (mois ou année), de 500 à 50 000 $ par mois. Les semaines comptant moins de 10 offres de ce type sont laissées vides — cela signifie pas de données, pas zéro.

Données du graphique
Les salaires dans le temps — Ingénieur ML. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineMédiane
2026-06-01—
2026-06-08—
2026-06-15—
2026-06-22—
2026-06-29—
2026-07-06—
2026-07-13—
2026-07-20—
2026-07-27—
2026-08-03—
2026-08-10—
2026-08-17—
2026-08-24—
2026-08-31—
2026-09-07—
2026-09-14—
2026-09-2112 545
2026-09-2810 238
2026-10-059 457
2026-10-129 805
2026-10-1913 919
2026-10-2613 134
2026-11-0213 750
2026-11-0912 929

Le télétravail dans le temps

Part des offres Ingénieur ML proposant un télétravail complet, par semaine.

Offres en télétravail, %

Données du graphique
Offres en télétravail, %. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeTélétravail
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 part est calculée parmi les offres qui précisent le mode de travail (télétravail, hybride, bureau). Les semaines comptant moins de 10 offres de ce type sont laissées vides.

Données du graphique
Le télétravail dans le temps — Ingénieur ML. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineTélétravail
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

Les technologies dans le temps

Comment la part des offres Ingénieur ML mentionnant chacune des principales technologies a évolué.

Offres mentionnant la technologie, %

Données du graphique
Offres mentionnant la technologie, %. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodePythoncloudllm
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
Jusqu’à 5 sur le graphique :

Part parmi les offres avec un stack tagué ; la série commence le 10 août : auparavant les tags de stack étaient attribués différemment. Les semaines comptant moins de 20 offres taguées sont laissées vides.

Données du graphique
Les technologies dans le temps — Ingénieur ML. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemainePythoncloudllmpytorchAWS
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

Pays au fil du temps

Comment la part des offres Ingénieur ML dans chacun des principaux pays a évolué, par semaine.

Offres dans le pays, %

Données du graphique
Offres dans le pays, %. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeÉtats-UnisRoyaume-UniSingapour
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
Jusqu’à 5 sur le graphique :

Part parmi les offres dont le pays est connu ; le graphique montre les cinq pays comptant le plus d'offres sur six mois. Les semaines comptant moins de 20 offres avec un pays connu sont laissées vides. Une part en hausse peut signifier une source nouvellement connectée dans ce pays plutôt qu'une croissance du marché.

Données du graphique
Pays au fil du temps — Ingénieur ML. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineÉtats-UnisRoyaume-UniSingapourPologneInde
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

Marché net : indice de recrutement

Les mêmes 7 505 sites carrières d'employeurs ; le nombre d'offres provient du site lui-même. Connecter de nouvelles sources ne fait pas bouger cet indice — il montre le marché, pas notre couverture. C'est l'ensemble du marché du panel, pas seulement Ingénieur ML.

Indice de recrutement, 16 oct. = 100

Données du graphique
Indice de recrutement, 16 oct. = 100. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeIndice de recrutement
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

Indice chaîné : chaque jour ne compare que les sites interrogés ce jour-là et la veille ; les valeurs aberrantes et les pannes d'interrogation d'une plateforme entière sont exclues. Les jours sans paire comparable sont laissés vides.

Données du graphique
Marché net : indice de recrutement — Ingénieur ML. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
JourIndice de recrutement
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

Combien d'offres Ingénieur ML ouvertes il y a et combien de spécialistes correspondants Zorky observe.

Demande et offre observée

Données du graphique
Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
IndicateurValeur
Demande ouverte2 291
Demande ouverte2 291
Offre observée— non publié

ML Engineer — le plus grand rôle IA/ML, croissance de la demande 2026 portée par l'essor des LLM/de l'IA générative : déploiement de modèles de fondation, applications RAG, agents IA, produits vocaux/multimodaux. Entreprises produit russes — flux régulier. EPAM/Luxoft AI Practice — le plus grand canal d'externalisation pour les projets d'IA américains.

⚠ les candidats correspondant à une offre ne sont pas encore comptés : la demande et le vivier observé sont affichés

Comment se répartissent les salaires des offres Ingénieur ML, en dollars américains par mois.

Distribution des salaires

P25 $9 600 · P50 $13 666 · P75 $17 416
Données du graphique
Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
IndicateurValeur
<$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
Salaire dans les offres : base 2 291
  • exploitable pour le calcul: 309 (13,5%)
  • indiqué mais non converti en USD/mois: 372 (16,2%)
  • non indiqué: 1 610 (70,3%)

Une offre sur dix propose moins de $5 027, une sur dix plus de $20 916. La moitié des offres propose entre $9 600 et $17 416. Échantillon: 309.

Données du graphique
Distribution des salaires — Ingénieur ML. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
IndicateurBorne inférieureBorne supérieureNombre
<$1k01 0004
$1–2k1 0002 0002
$2–3k2 0003 0007
$3–4k3 0004 0007
$4–5k4 0005 0009
$5–6k5 0006 00014
$6–7k6 0007 00011
$7–8k7 0008 0004
$8–9k8 0009 0009
$9–10k9 00010 00016
$10–12k10 00012 00031
$12–15k12 00015 00068
$15–20k15 00020 00083
$20k+20 000—44

Dans quels pays il y a le plus d'offres Ingénieur ML ouvertes.

Géographie de la demande

paysoffrespart
États-Unis88245,9%
Royaume-Uni1608,3%
Inde1206,2%
Pologne1176,1%
Singapour864,5%
Canada633,3%
Allemagne583%
France382%
Russie341,8%
Pays-Bas261,4%
Autres pays33817,6%

Le leader par nombre d'offres ML Engineer est les États-Unis (882 postes). La Pologne — un hub européen favorable à l'IA (Varsovie/Cracovie). L'Allemagne — le cluster de startups IA de Berlin.

⚠ nombre d'offres uniquement : le salaire par pays n'est pas publié

Données du graphique
Géographie de la demande — Ingénieur ML. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PaysOffres
US882
GB160
IN120
PL117
SG86
CA63
DE58
FR38
RU34
NL26

Quelles technologies sont le plus souvent demandées dans la même offre que Ingénieur ML.

Utilisée avec

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%

Part : combien des 2 291 offres du marché Ingénieur ML mentionnent cette technologie. Tri par nombre d’offres, pas par « force d’association ». Les termes génériques comme cloud ne désignent pas un cloud précis (AWS, Azure).

Stack principale du ML Engineer 2026 : Python (monopole), PyTorch / TensorFlow / JAX (PyTorch dominant), scikit-learn + XGBoost + LightGBM + CatBoost (classique), pandas + NumPy + Polars (données), Hugging Face + LangChain + LlamaIndex (LLM/NLP), sentence-transformers + Pinecone / Weaviate / Qdrant / Milvus (bases vectorielles / RAG), MLflow + W&B + Neptune (suivi des expériences), DVC, Airflow / Prefect / Dagster, Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe + vLLM / TGI / SGLang (service des LLM), ONNX, Feast / Tecton (feature stores), Ray + Spark + Dask, AWS SageMaker / GCP Vertex AI / Azure ML, Optuna, Evidently AI (dérive). Compléments Senior : fine-tuning LoRA / QLoRA, quantification, distillation.

Couples courants : 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 (entraînement distribué), Feast + Spark + Snowflake. Feuille de route d'apprentissage : Python + mathématiques → ML classique (sklearn / XGBoost) → Deep Learning (PyTorch) → MLOps (MLflow + Docker + K8s) → spécialisation LLM (Hugging Face + LangChain + RAG) → entraînement distribué (Ray) → ML managé dans le cloud (SageMaker / Vertex AI).

Données du graphique
Utilisée avec — Ingénieur ML. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
NomNombre
python935
cloud572
llm521
pytorch514
aws384
mlops313
tensorflow259
docker258
azure250
fine-tuning225
kubernetes225
gcp181

Combien d'offres Ingénieur ML il y a à chaque niveau, de junior à principal.

Demande par niveau

niveauoffres
senior794
principal341
junior102
lead90
middle87

Junior — rare, entrée typique via Data Analyst → ML Junior ou Backend Middle → ML Junior. Parcours de carrière : Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit ML Engineer Staff / Principal (profondeur technique), soit ML Tech Lead / Engineering Manager, soit passage à la recherche (avec doctorat), soit CTO/fondateur ML dans une startup d'IA.

⚠ côté demande uniquement : le niveau du vivier observé est inconnu pour la majeure partie

Données du graphique
Demande par niveau — Ingénieur ML. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
NiveauNombre
senior794
principal341
junior102
lead90
middle87

Qui recrute le plus pour Ingénieur ML et à quel point la demande se concentre chez les plus grandes entreprises.

Employeurs

La demande est répartie entre 1 312 employeurs. Le plus grand en représente 1.7 %, les dix premiers 8.6 % ; les 91.4 % restants forment la longue traîne.

le plus grand 1,7%2e–3e 2,2%4e–10e 4,7%les autres 91,4%
partvaleur
top 11.7%
top 33.9%
top 108.6%
longue traîne91.4%

⚠ les noms ne sont pas affichés : le classificateur ne distingue pas encore les agences de recrutement des employeurs finaux

Sur quels sites d'entreprises et sites d'emploi Zorky collecte les offres Ingénieur ML.

Où Zorky voit ce marché

Observé sur 109 sources ; la plus grande en représente 20.7 % : ce marché ne repose pas sur un seul canal.

Offres ML Engineer : hh.ru, Habr Career, getmatch, Djinni, LinkedIn (énorme segment IA international), NoFluffJobs / JustJoin.it (Pologne favorable à l'IA), Telegram, pages carrières d'EPAM AI / Luxoft AI / Andersen AI, sites spécialisés aijobs.net + ai-jobs.net + builtin.com/jobs/ai, Y Combinator Work at a Startup, pages carrières des startups d'IA.

Données du graphique
Où Zorky voit ce marché — Ingénieur ML. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
ClasseNomNom anglaisNombrePart
atsATS и карьерные сайтыATS et sites carrières1 5460,6748
boardджоб-борды и агрегаторыjob boards et agrégateurs6160,2689
telegramTelegramTelegram1150,0502
communautéсообщества и публичные профилиcommunauté et profils publics140,0061

Les offres Ingénieur ML les plus récentes, issues des pages carrières des entreprises.

Postes récents

Toutes les offres →

Dernières offres de ML Engineer ouvertes — les 10 postes les plus récents avec une qualité de description suffisante. La liste complète est dans notre CRM ou via le lien « voir tout » ci-dessous.

Comment c'est mesuré
Offre
une offre ouverte ayant passé le contrôle qualité et citant au moins deux technologies
Candidat observé
un candidat dont la stack contient cette technologie ; un agrégat — aucune fiche individuelle ne sort du périmètre
Candidat correspondant
pas encore compté
Fenêtre
offres ouvertes au moment de la création de l'instantané

À propos des données

  • Certaines ventilations sont masquées : leur couverture de données n'est pas encore suffisante.
  • Les statistiques ne sont affichées que là où l'échantillon passe un contrôle qualité.
  • Un bloc absent ne signifie pas une valeur nulle.

Ventilations masquées actuellement : 8.

Domaine: IA / ML / Data Science

Spécialisations associées

Au sein du ML Engineer : ML Engineer généraliste (universel, recsys/NLP/CV/fraude), Applied ML Engineer (focus produit + métriques business), ML Engineer Senior (pipelines de bout en bout + passage à l'échelle), ML Engineer Staff / Principal (architecture de la plateforme ML de l'organisation), ML Tech Lead (direction d'équipe), ML Platform Engineer (infrastructure pour les autres équipes ML). Comparaison avec data-scientist/research/mlops — dans la barre ci-dessous.

Ingénieur IA / LLMVision par ordinateurData ScientistMLOpsIngénieur NLPIngénieur de recherche

Questions fréquentes

Les questions les plus fréquentes sur le ML Engineer : rémunération, ML Engineer vs DS vs Research vs MLOps, stack de pipeline ML de production (10 composants), en quoi il diffère de l'Applied ML, télétravail, comment débuter (8-14 mois depuis Data Analyst / Backend Middle), compétences Senior (maîtrise des LLM + MLOps + systèmes distribués). Les réponses sont recalculées automatiquement.

Quel est le salaire d'un ML Engineer Junior, Middle, Senior ou Lead ?

ML Engineer Junior — rare (le marché commence par Data Analyst ou Backend → ML). Le saut Junior → Middle — après la maîtrise du premier pipeline ML en production de bout en bout (feature engineering → entraînement → déploiement → supervision). Middle → Senior — responsabilité de plusieurs pipelines + expérience LLM/RAG + passage à l'échelle de l'entraînement distribué + optimisation des coûts. Senior → Staff/Principal — architecture de la plateforme ML, stratégie ML multi-équipes. Parcours de carrière : Data Analyst (1-2 ans) → ML Engineer Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit ML Engineer Staff (profondeur technique), soit ML Tech Lead (management), soit passage à la recherche (filière doctorat), soit fondateur/CTO ML dans une startup.

Quelle stack est le plus souvent demandée à un ML Engineer ?

Top 5 : python, cloud, pytorch, llm, aws. Python est en monopole (R ne se voit presque pas dans le ML de production 2026). ML classique : scikit-learn + XGBoost + LightGBM + CatBoost — la base, indispensable pour les données tabulaires. Manipulation des données : pandas + NumPy + Polars (moderne, en hausse en 2026 — 10-100× plus rapide), PyArrow pour les données entre frameworks. Vision par ordinateur : OpenCV, torchvision, Detectron2, MMDetection, Ultralytics YOLO. Suivi des expériences : MLflow (standard open source) ou Weights & Biases (UI premium) ou Neptune. Versionnage des données : DVC. Orchestration : Airflow + Prefect + Dagster (l'un en profondeur). Déploiement : maîtrise de Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe (l'un en profondeur). Inférence multi-framework : ONNX. Feature stores : Feast (open source) ou Tecton (managé). Calcul distribué : Spark + Ray + Dask. ML managé dans le cloud : AWS SageMaker / GCP Vertex AI / Azure ML (l'un en profondeur). En plus pour un Senior : quantification (quantification PyTorch, bitsandbytes), distillation, fine-tuning LoRA/QLoRA, vLLM/TGI/SGLang pour le serving de LLM, Optuna pour le réglage des hyperparamètres.

ML Engineer vs Data Scientist vs Research vs MLOps — quelle différence ?

Data Scientist — focus sur la formulation des problèmes métier + la modélisation statistique + les tests A/B + la communication des insights. Stack : pandas + sklearn + Jupyter + SQL + Tableau/Looker. Moins centré sur l'infrastructure. Voir Data Scientist. ML Engineer (cette page) — focus sur les pipelines ML en production + le déploiement + la mise à l'échelle. Stack comme le DS + Docker/K8s + MLflow + Airflow + ML managé dans le cloud. Research Engineer / Scientist — focus sur les nouveaux modèles, les publications, les architectures inédites. Souvent filière PhD. Stack : PyTorch en profondeur + JAX + infrastructure orientée expérimentation. Voir Research Engineer / Scientist. MLOps Engineer — focus sur l'infrastructure de la plateforme ML (feature stores, model registry, monitoring, observabilité, optimisation des coûts). Stack : K8s + Terraform + MLflow/Kubeflow + Prometheus/Grafana + cloud. Voir MLOps Engineer. Reconversion ML Engineer ↔ DS — 1-3 mois. ML Engineer ↔ MLOps — 2-4 mois (avec une base K8s). La voie de la recherche nécessite un PhD ou 3+ ans de spécialisation approfondie.

À quoi ressemble la stack d'un pipeline ML de production en 2026 ?

Stack de référence pour le ML en production 2026 : 1) Ingestion des données — Airflow/Prefect/Dagster récupère les données brutes des systèmes sources (DB/Kafka/S3). 2) Feature engineering — transformations Spark/Pandas/Polars → Feature Store (Feast ou Tecton — stockage centralisé, exactitude point-in-time, service en ligne+hors ligne). 3) Expérimentation — Jupyter + suivi W&B/MLflow + DVC pour le versionnage des données + Optuna pour la recherche d'hyperparamètres. 4) Entraînement — Ray Train ou PyTorch Lightning + distribué (multi-GPU/multi-nœud), checkpointing dans S3/GCS, quantification (INT8/FP16) pour le coût d'inférence. 5) Registre de modèles — MLflow Model Registry ou SageMaker Model Registry (versionnage + étapes : staging/production/archivé). 6) Validation — tests automatisés (dérive des données, qualité des prédictions), déploiement fantôme (shadow), mise en place de tests A/B. 7) Service — Triton Inference Server (NVIDIA, multi-framework + batching dynamique) ou BentoML ou TorchServe ou vLLM (pour les LLM). Surcouche FastAPI pour le contrat d'API. 8) Déploiement — Kubernetes (standard de production) + Helm + ArgoCD pour le GitOps. 9) Supervision — Prometheus + Grafana (latence/débit/taux d'erreurs) + détection de dérive sur mesure (Evidently AI/WhyLabs) + tableaux de bord des coûts. 10) Boucle de rétroaction — journaliser les prédictions + la vérité terrain → déclenchement du réentraînement. Plateforme ML pour toute l'organisation — Kubeflow ou Metaflow ou SageMaker Pipelines. Stack spécifique aux LLM : vLLM/TGI/SGLang pour le service + prompt engineering (LangChain/LlamaIndex) + RAG (bases vectorielles Pinecone/Weaviate/Qdrant) + fine-tuning via LoRA/QLoRA + évaluation (RAGAS, DeepEval, benchmarks sur mesure).

Quelle part des offres propose du télétravail ?

Parmi les offres dont le mode de travail est indiqué, 32% sont en télétravail. Les offres sans mode de travail indiqué sont exclues du dénominateur ; le travail hybride n’est pas compté comme du télétravail.

En quoi le ML Engineer diffère-t-il de l'Applied ML Engineer ?

ML Engineer (général) — peut travailler dans n'importe quel domaine du ML (systèmes de recommandation, NLP, CV, détection de fraude, ranking). La stack est universelle. Applied ML Engineer — centré sur une tâche ML produit précise + responsabilité des métriques business (CTR, conversion, hausse du chiffre d'affaires). La stack est la même, mais s'y ajoutent la pensée produit + la maîtrise des tests A/B + la communication avec les parties prenantes. Rémunération comparable (médiane), mais dans les entreprises produit l'Applied ML est généralement un peu plus haut au niveau Senior grâce à la responsabilité de l'impact business. Ingénieur ML Platform (une sous-niche à part — plus proche du MLOps) — construit l'infrastructure pour les autres ML Engineers (Feature Store, infrastructure MLflow, plateforme d'entraînement). Choix de carrière : ML Engineer si l'universalité et la portabilité comptent le plus, Applied ML Engineer si l'impact produit vous intéresse, Ingénieur ML Platform pour l'infrastructure et l'outillage. Les trois sont des parcours Senior+ légitimes, ni meilleurs ni moins bons.

Par où commencer en ML engineering en 2026 ?

Feuille de route : 1) Python en profondeur jusqu'au niveau Backend Middle (code propre, design patterns, async). Livres : « Fluent Python » de Ramalho, « Effective Python » de Slatkin. 2) Mathématiques — algèbre linéaire + analyse + probabilités/statistiques au niveau « comprendre ce qu'il y a sous le capot de la rétropropagation ». MIT 18.06 Linear Algebra (Strang), 3Blue1Brown « Essence of Linear Algebra ». 3) ML classique — maîtrise de scikit-learn + XGBoost + LightGBM. « Machine Learning Specialization » d'Andrew Ng (Coursera). Livre « Hands-On Machine Learning » de Géron (à lire absolument 2026). 4) Deep learning — PyTorch en profondeur (forward/backward/optimiseurs/boucles d'entraînement à partir de zéro). « Deep Learning Specialization » d'Andrew Ng. « Deep Learning with PyTorch » de Stevens. 5) Filière NLP/LLM : cours Hugging Face (gratuit) → fine-tuning de petits LLM (Mistral 7B/Llama 3 8B) avec LoRA/QLoRA → construire une application RAG avec LangChain + Qdrant. 6) Filière vision par ordinateur (alternative) : torchvision + Detectron2 + Ultralytics YOLO + entraînement sur un jeu de données personnalisé. 7) Bases du MLOps : MLflow + DVC + Airflow + Docker + Kubernetes pour le service des modèles. « Designing Machine Learning Systems » de Chip Huyen — à lire absolument pour le ML en production. 8) ML dans le cloud : l'un de AWS SageMaker / GCP Vertex AI / Azure ML — suivre un tutoriel e2e. 9) Entraînement distribué : Ray Train + PyTorch DDP. 10) Projet personnel : un système ML e2e complet (pipeline de données + feature store + entraînement + suivi MLflow + déploiement Kubernetes + supervision) sur un jeu de données ouvert (Kaggle). International (EN) : fast.ai « Practical Deep Learning », Hugging Face NLP Course, DeepLearning.AI (Andrew Ng). Livres classiques : « Pattern Recognition and Machine Learning » de Bishop, « The Hundred-Page Machine Learning Book » de Burkov. Conférences : NeurIPS, ICML, ICLR (les articles — lecture indispensable pour un Senior). Data Analyst ou Backend Middle → ML Engineer Junior — 8-14 mois.

Combien d’offres ouvertes cet échantillon contient-il ?

L’échantillon publié contient 2291 offres ouvertes après regroupement des republications. C’est le même nombre que dans l’indicateur principal. La section géographique décrit la couverture de l’échantillon ; il ne s’agit pas d’une estimation de l’ensemble du marché.

De quelles compétences un ML Engineer Senior a-t-il besoin ?

Un ML Engineer Senior prend en charge le cycle complet du ML en production + le leadership technique. Maîtrise de la programmation : Python au niveau Backend Senior (code propre, asynchrone, profilage, optimisation mémoire). Fondamentaux mathématiques : algèbre linéaire + analyse + probabilités au niveau « lire des articles sans bloquer ». Maîtrise du ML classique : feature engineering approfondi, justification du choix de modèle, calibration, compromis entre métriques d'évaluation, conception de modèles alignée sur le business. Maîtrise du Deep Learning : PyTorch en profondeur (Layers/Modules/Optimizers personnalisés), entraînement distribué (DDP, FSDP), précision mixte, quantification (INT8/FP16), distillation, export ONNX. Maîtrise des LLM (indispensable en 2026 pour un Senior) : fine-tuning via LoRA/QLoRA, prompt engineering, architecture RAG (bases vectorielles Pinecone/Weaviate/Qdrant), évaluation (RAGAS, DeepEval), vLLM/TGI/SGLang pour le serving. MLOps : maîtrise de MLflow / W&B, DVC, Airflow / Prefect / Dagster, Feature Stores (Feast / Tecton), maîtrise de Docker + Kubernetes pour le serving ML, Helm + ArgoCD. ML dans le cloud : l'un de AWS SageMaker / GCP Vertex AI / Azure ML en profondeur. Calcul distribué : maîtrise de Ray + Spark. Supervision : intégration Prometheus + Grafana + Evidently AI (détection de dérive). Optimisation des coûts : utilisation des GPU, dimensionnement des batchs, quantification des modèles, stratégies de cache. Conception de systèmes pour le ML : concevoir au tableau blanc des systèmes ML à l'échelle de 100 M+ utilisateurs (recsys / fraude / ranking / chatbot). Soft skills : lecture d'articles (NeurIPS / ICML / ICLR), rédaction technique (ADR, documents de conception), revue de code pour plusieurs équipes, mentorat de ML Engineers Middle, communication avec les équipes produit/data/backend, conception de tests A/B + analyse statistique. Anglais INDISPENSABLE pour Senior+ — la communauté ML/IA et les articles sont en anglais. Bonus : contributions open source (PyTorch / Hugging Face / LangChain) — augmentent fortement la valeur sur le marché.

Laisser une demande

Décrivez la tâche et laissez un contact : la demande arrive dans notre CRM et nous répondons au contact indiqué.

En envoyant, vous acceptez la politique de confidentialité.