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 →

MLOps : marché

Données au 19 novembre 2026 : offres ouvertes MLOps — 354, 31% en télétravail parmi les offres qui précisent le mode de travail; salaire médian annoncé $8 315/mois (sur 41 offres qui indiquent un salaire). Source : Zorky, mis à jour chaque jour.

Ingénieur MLOps — infrastructure pour les équipes ML/IA. À l'intersection du DevOps + de l'ingénierie ML + du Platform Engineering. Construit et exploite la plateforme ML pour les autres équipes DS / ML Engineer / Recherche : feature stores, registre de modèles, infrastructure d'entraînement, stack de serving, monitoring, optimisation des coûts. Famille de rôles : Ingénieur MLOps (mid — infra pour une seule équipe produit), Ingénieur MLOps Senior (plateforme multi-équipes + optimisation des coûts + passage à l'échelle), Ingénieur ML Platform (construit une plateforme réutilisable pour toute l'organisation — Feature Store / Model Registry / Training Platform), Staff / Principal MLOps (architecture de la plateforme ML pour une organisation multi-produits), Tech Lead MLOps (direction d'équipe + stratégie de plateforme + intégration avec DevOps / SRE). Stack : Python (principal), maîtrise de Docker+Kubernetes (serving ML en production), Helm+Kustomize+ArgoCD (GitOps), Terraform/Pulumi/CloudFormation (infrastructure as code pour les ressources ML managées dans le cloud), MLflow (registre de modèles + suivi — standard open source), Kubeflow+Kubeflow Pipelines (orchestration ML native K8s), Airflow/Prefect/Dagster (pipelines data + ML), Feast/Tecton (feature stores), Triton Inference Server+BentoML+TorchServe+vLLM/TGI/SGLang (model serving — spécifique LLM), Prometheus+Grafana+Loki (observabilité), Evidently AI/WhyLabs/Arize AI/Fiddler (monitoring ML + détection de dérive), DVC+LakeFS (versionnage des données), AWS SageMaker/GCP Vertex AI/Azure ML/Databricks/Domino Data Lab (ML managé dans le cloud), Spark+Ray (plateformes de calcul distribué), FluxCD+Tekton (CI/CD pour les pipelines ML), OpenTelemetry (traçage). Stack la plus demandée : mlops, ci/cd, cloud, aws, python. Parmi les offres dont le mode de travail est indiqué, 31% sont en télétravail.

Données au:

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

354
offres ouvertes — par intitulé de poste, republications fusionnées
$8 315
médiane $/mois
31%
télétravail

Le marché MLOps compte actuellement 354 postes ouverts, dont 304 observés récemment. Median salary $8 315/mo.

Parmi les offres dont le mode de travail est indiqué, 31% sont en télétravail. Le travail en MLOps se fait par défaut dans le cloud. Sociétés d'outsourcing (EPAM AI Platform / Luxoft AI) — presque toujours en télétravail. Banques russes (IA bancaire de Sber / VTB) — hybride/bureau pour la conformité sécurité. Entreprises internationales de plateformes ML — télétravail complet standard. Plateformes ML des Big Tech — hybride standard.

⚠ salaire connu pour 41 offres sur 354 ; part du télétravail sur 290 avec un format indiqué ; 304 comptées comme observations récentes ; la tendance et la difficulté de recrutement ne sont pas affichées

Chronologie : offres et sources

Combien d'offres MLOps 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
2026-06-0125
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

Sources actives par semaine

Sources sur la période : 124. ▲ — 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
2026-06-0111
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
Nouvelles sources connectées : 29 juin +14 · 6 juil. +8 · 13 juil. +15 · 9 nov. +14 · toutes les semaines (23) dans le tableau
SemaineNouvelles sourcesNouvelles offres
8 juin+318
15 juin+112
22 juin+556
29 juin+1438
6 juil.+844
13 juil.+1567
20 juil.+544
27 juil.+324
3 août+325
10 août+429
17 août+620
24 août+124
31 août+430
7 sept.+224
14 sept.+334
21 sept.+553
28 sept.+159
5 oct.+256
12 oct.+5151
19 oct.+254
26 oct.+370
2 nov.+485
9 nov.+1473

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 — MLOps. 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
2026-06-012511
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

Les salaires dans le temps

Salaire médian MLOps 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)
2026-10-199 55012
2026-10-269 45716
2026-11-027 75013
2026-11-09—7

La série commence le 19 oct. : 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 — MLOps. 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—
2026-09-21—
2026-09-28—
2026-10-05—
2026-10-12—
2026-10-199 550
2026-10-269 457
2026-11-027 750
2026-11-09—

Le télétravail dans le temps

Part des offres MLOps 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
2026-06-0164,7
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

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 — MLOps. 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
2026-06-0164,7
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

Les technologies dans le temps

Comment la part des offres MLOps 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.
PériodeMLOpscloudPython
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
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 — MLOps. 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.
SemaineMLOpscloudAWSPythonDocker
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

Pays au fil du temps

Comment la part des offres MLOps 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.
PériodePologneRoyaume-UniRussie
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
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 — MLOps. 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.
SemainePologneRoyaume-UniÉtats-UnisRussieInde
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

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 MLOps.

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 — MLOps. 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 MLOps 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 ouverte354
Demande ouverte354
Offre observée— non publié

Ingénieur MLOps — la niche IA/ML la plus « résistante à la récession » (la production en a besoin en continu). Croissance 2026 portée par : l'infrastructure de serving des LLM (adoption de vLLM / TGI / SGLang), le déploiement de modèles de fondation en entreprise, la construction d'outillage interne de plateformes ML, la pression d'optimisation des coûts (coûts GPU typiques de $10K+/mois par équipe). Russie — flux régulier. Entreprises internationales de plateformes ML (Truefoundry / Bento / Determined AI / Run:AI) — segment premium à distance.

⚠ 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 MLOps, en dollars américains par mois.

Distribution des salaires

P25 $6 000 · P50 $8 315 · P75 $11 608
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
<$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
Salaire dans les offres : base 354
  • exploitable pour le calcul: 41 (11,6%)
  • indiqué mais non converti en USD/mois: 49 (13,8%)
  • non indiqué: 264 (74,6%)

Une offre sur dix propose moins de $3 894, une sur dix plus de $13 750. La moitié des offres propose entre $6 000 et $11 608. Échantillon: 41.

Données du graphique
Distribution des salaires — MLOps. 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 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

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

Géographie de la demande

paysoffrespart
États-Unis5819,7%
Pologne5016,9%
Inde268,8%
Royaume-Uni237,8%
Allemagne186,1%
France165,4%
Russie165,4%
Canada124,1%
Roumanie93,1%
Pays-Bas51,7%
Autres pays6221%

Le leader par nombre d'offres MLOps est les États-Unis (58 postes). La Pologne — un hub européen favorable aux plateformes IA. L'Allemagne — le cluster IA de Berlin. Un large segment international à distance via les entreprises de plateformes ML (Truefoundry / Bento / W&B / Comet / Determined AI) et les équipes MLOps des startups IA.

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

Données du graphique
Géographie de la demande — MLOps. 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
US58
PL50
IN26
GB23
DE18
FR16
RU16
CA12
RO9
NL5

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

Utilisée avec

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%

Part : combien des 354 offres du marché MLOps 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 MLOps principale 2026 : Python + Go en bonus, maîtrise de Docker + maîtrise de Kubernetes (standard de production), Helm + Kustomize + ArgoCD / FluxCD (GitOps), Terraform + Pulumi / CloudFormation (IaC), MLflow (registre de modèles + suivi — standard open source) + Kubeflow + Kubeflow Pipelines, Airflow / Prefect / Dagster (workflows), Feast / Tecton (feature stores), Triton Inference Server + BentoML + TorchServe + KServe (service des modèles), vLLM + TGI + SGLang + Ollama (service des LLM — indispensable en 2026), Prometheus + Grafana + Loki + OpenTelemetry, Evidently AI + WhyLabs + Arize AI + Fiddler (surveillance ML + dérive), DVC + LakeFS, AWS SageMaker / GCP Vertex AI / Azure ML / Databricks (ML managé dans le cloud), Spark + Ray (calcul distribué), NVIDIA GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows (operators ML pour K8s).

Couples courants : Kubernetes + Helm + ArgoCD + Terraform, MLflow + Kubeflow + Feast, Triton + KServe + Prometheus + Grafana, vLLM + TGI + SGLang (stack de serving LLM), AWS SageMaker + Terraform + GitHub Actions, GCP Vertex AI + Kubeflow Pipelines, Databricks + MLflow + Spark, Evidently AI + Prometheus + Grafana (observabilité ML). Feuille de route d'apprentissage : fondamentaux DevOps (Linux + Docker + K8s) → Terraform + plateforme cloud en profondeur → CI/CD + GitOps → bases du ML (Python + sklearn + PyTorch) → MLflow + Feast (socle de plateforme ML) → Triton / vLLM (serving) → Evidently AI (supervision) → projet personnel de plateforme ML → contributions open source.

Données du graphique
Utilisée avec — MLOps. 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
mlops277
cloud147
aws122
python119
docker105
kubernetes102
azure83
mlflow56
gcp52
llm50
airflow48
databricks37

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

Demande par niveau

niveauoffres
senior126
middle30
principal24
lead16
junior11

Junior — entrée typique : DevOps Middle + intérêt pour le ML OU ML Engineer Middle + intérêt pour l'infrastructure OU Backend Senior + formations ML. Parcours de carrière : Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit MLOps Staff / Principal (profondeur technique), soit MLOps Tech Lead / Platform Engineering Manager, soit fondateur d'une startup de plateforme ML.

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

Données du graphique
Demande par niveau — MLOps. 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
senior126
middle30
principal24
lead16
junior11

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

Employeurs

La demande est répartie entre 280 employeurs. Le plus grand en représente 1.2 %, les dix premiers 9.3 % ; les 90.7 % restants forment la longue traîne.

le plus grand 1,2%2e–3e 2,2%4e–10e 5,9%les autres 90,7%
partvaleur
top 11.2%
top 33.4%
top 109.3%
longue traîne90.7%

⚠ 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 MLOps.

Où Zorky voit ce marché

Observé sur 71 sources ; la plus grande en représente 9.6 % : ce marché ne repose pas sur un seul canal.

Données du graphique
Où Zorky voit ce marché — MLOps. 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 carrières1810,5113
boardджоб-борды и агрегаторыjob boards et agrégateurs1460,4124
telegramTelegramTelegram250,0706
communautéсообщества и публичные профилиcommunauté et profils publics20,0056

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

Postes récents

Toutes les offres →

Dernières offres MLOps 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 MLOps : Ingénieur MLOps (Middle — infrastructure pour une seule équipe produit), MLOps Senior (plateforme multi-équipes + optimisation des coûts), ML Platform Engineer (plateforme réutilisable en tant que produit pour l'organisation), MLOps Staff / Principal (architecture pour une organisation multi-produits), MLOps Tech Lead (gestion d'équipe + stratégie de plateforme). Comparaison avec ml-engineer/data-scientist/research — dans la barre ci-dessous.

Ingénieur IA / LLMVision par ordinateurData ScientistIngénieur MLIngénieur NLPIngénieur de recherche

Questions fréquentes

Les questions les plus fréquentes sur l'ingénieur MLOps : rémunération, MLOps vs DevOps vs Platform Engineer, MLflow vs Kubeflow vs Vertex AI vs SageMaker (arbre de décision à 7 options), différences avec le ML Platform Engineer, télétravail, comment le devenir (4-10 mois depuis DevOps Middle / ML Engineer Middle), compétences Senior (service des LLM + optimisation des coûts + plateforme multi-équipes). Les réponses sont recalculées automatiquement.

Quel est le salaire d'un ingénieur MLOps Junior, Middle, Senior ou Lead ?

MLOps Junior — entrée typique : 1) DevOps / SRE Middle + intérêt pour le ML, 2) ML Engineer Middle + intérêt pour l'infrastructure, 3) Backend Senior + connaissances ML (via des formations). Le saut Junior → Middle — après le premier déploiement de bout en bout d'une plateforme ML (Feature Store + Model Registry + stack de serving + supervision). Middle → Senior — responsabilité de plateforme multi-équipes + optimisation des coûts. Senior → Staff / Principal — architecture de la plateforme ML pour une organisation multi-produits + stratégie d'intégration avec les équipes DevOps / SRE / Data Platform. Parcours de carrière : DevOps Middle / ML Engineer Middle → MLOps Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit MLOps Staff / Principal (profondeur), soit MLOps Tech Lead (management), soit fondateur d'une startup de plateforme ML.

Quelle stack est le plus souvent demandée à un ingénieur MLOps ?

Top 5 : mlops, ci/cd, cloud, aws, python. Python (en premier — pour l'infrastructure sur mesure), Go en bonus (pour les composants d'infra critiques en performance — p. ex. proxys de serving). Maîtrise de Docker (builds multi-étapes pour des images ML optimisées, conteneurs GPU). Maîtrise de Kubernetes (standard de production pour le serving ML — Deployment / StatefulSet / DaemonSet / Job / CronJob, RBAC, Network Policies, Resource Quotas, HPA / VPA / Cluster Autoscaler). GPU operator (NVIDIA GPU Operator pour l'ordonnancement GPU dans K8s). Opérateurs K8s pour le ML : Kubeflow Training Operator + Spark Operator + Argo Workflows. Helm + Kustomize + ArgoCD / FluxCD — standard GitOps. Terraform / Pulumi / CloudFormation (IaC pour le ML managé dans le cloud — ressources AWS / GCP / Azure). Maîtrise de MLflow (standard open source pour le registre de modèles + le suivi — le Senior gère la personnalisation des plugins MLflow). Kubeflow + Kubeflow Pipelines (orchestration ML native K8s — souvent exigée dans les grandes entreprises). Orchestrateurs de workflows : Airflow + Prefect + Dagster (l'un en profondeur — Dagster en hausse en 2026). Feature stores : Feast (open source) ou Tecton (managé) — indispensable pour un MLOps Senior. Serving de modèles : Triton Inference Server (NVIDIA — multi-framework + batching dynamique) + BentoML (adapté à Python) + TorchServe + KServe (serving natif K8s). Serving spécifique aux LLM : vLLM (PagedAttention — record pour le serving de LLM à haut débit), Text Generation Inference (TGI) de Hugging Face, SGLang (modèle de programmation pour le serving de LLM + mise en cache), Ollama (serving de LLM en local). Observabilité : Prometheus + Grafana + Loki + OpenTelemetry. Supervision ML + détection de dérive : Evidently AI + WhyLabs + Arize AI + Fiddler (l'un en profondeur). Versionnage des données : DVC + LakeFS. ML managé dans le cloud : l'un d'AWS SageMaker / GCP Vertex AI / Azure ML / Databricks en profondeur. Plateformes de calcul distribué : maîtrise de Spark + Ray. Optimisation des coûts : stratégie d'instances spot, partage de GPU (NVIDIA MIG), intégration de la quantification, stratégies de cache (Redis pour les résultats d'inférence), analyse des coûts de l'inférence batch vs temps réel.

MLOps vs DevOps vs Platform Engineer — quelle différence ?

Ingénieur DevOps — axé sur l'infrastructure applicative générale (CI/CD + monitoring + cloud + Kubernetes + IaC). Stack : Docker / K8s / Terraform / Prometheus / Grafana / Ansible / Jenkins / GitHub Actions / cloud (AWS / GCP / Azure). Voir Ingénieur DevOps (général) (quand la page sera publiée). Platform Engineer — DevOps + orientation outillage interne. Construit une plateforme pour les développeurs (gestion des clusters K8s + ArgoCD + IDP — Internal Developer Platform — Backstage / Port / Cortex). Ingénieur MLOps (cette page) — DevOps + orientation ML. Construit une plateforme ML pour les équipes DS / ML Engineer / Recherche. En plus de la stack DevOps : MLflow / Kubeflow / Feature Stores / Model Serving (Triton / vLLM) / ML Monitoring (Evidently / WhyLabs) / ML managé dans le cloud (SageMaker / Vertex AI). Ingénieur ML Platform — MLOps Senior orienté plateforme réutilisable en tant que produit (pour toute l'organisation, pas une seule équipe). Recoupements de carrière : DevOps Middle → MLOps Junior — 6-12 mois (apprendre la stack ML + Kubeflow / MLflow + ML managé dans le cloud). MLOps Senior ↔ Platform Engineer Senior — mobilité horizontale facile (beaucoup de stack commune). ML Engineer Middle → MLOps Junior — 4-8 mois (connaît déjà la stack ML, doit approfondir Kubernetes + Terraform + observabilité). DevOps → MLOps — plus éloigné que la reconversion vers Platform Engineer (lacune en ML).

MLflow vs Kubeflow vs Vertex AI vs SageMaker — que choisir ?

Arbre de décision pour le choix d'une plateforme ML 2026 : 1) MLflow (open source, neutre vis-à-vis des fournisseurs) — idéal pour le suivi des expériences + le model registry + un déploiement simple. Léger. Auto-hébergé ou managé (Databricks). Cas d'usage : socle de la plateforme ML pour la plupart des organisations. Choix par défaut 2026 pour le suivi ML au niveau d'une équipe. 2) Kubeflow + Kubeflow Pipelines (open source, natif Kubernetes) — idéal pour les grandes organisations K8s-first qui veulent une stack de plateforme ML complète sans dépendance à un fournisseur. Mise en place plus lourde. Comprend : Pipelines (workflow) + Training Operator (entraînement distribué) + Serving (KFServing → KServe) + Notebooks. Cas d'usage : grande entreprise + équipe mature sur Kubernetes + exigence multi-cloud / on-prem. 3) AWS SageMaker (managé) — idéal pour les organisations natives AWS. Complet : SageMaker Studio (IDE) + Training Jobs + Hyperparameter Tuning + Pipelines + Endpoints (temps réel + batch) + Model Registry + Feature Store + Clarify (détection des biais). Dépendance à AWS. Cas d'usage : organisation AWS-first + petite équipe ML — rentable grâce au nombre de fonctionnalités dans une seule plateforme. Coûteux à grande échelle. 4) GCP Vertex AI (managé) — l'équivalent SageMaker de Google. Points forts : Vertex AI Workbench (Jupyter dans le cloud), Pipelines (basés sur Kubeflow — portables), AutoML, accès aux TPU (pour la recherche / les grands entraînements), Model Garden (modèles préentraînés). Cas d'usage : organisation GCP-first + la portabilité Kubeflow compte. 5) Azure ML (managé) — l'équivalent Azure. Points forts : Designer (constructeur visuel de pipelines ML), AutoML, capacités MLOps, intégration native Azure. Cas d'usage : organisation Azure / Microsoft-first. 6) Databricks (managé multi-cloud) — idéal pour les workloads ML Spark-first + le Lakehouse. Les créateurs de MLflow. Tarifs premium. Cas d'usage : organisations à forte intensité de données avec un pattern Spark / Lakehouse. 7) Plateformes spécialisées : Weights & Biases (meilleure UX pour le suivi des expériences — favori des chercheurs), Comet (alternative à W&B), Neptune, Determined AI (plateforme d'entraînement distribué), Run:AI (orchestration GPU — racheté par NVIDIA), Truefoundry + Bento (serving de modèles moderne). Par défaut 2026 pour une nouvelle équipe ML : MLflow auto-hébergé (ou Databricks managé si forte utilisation de Spark) + serving sur Kubernetes (Triton / vLLM) + Feast (feature store) + Prometheus + Grafana + Evidently AI. Par défaut pour une entreprise native AWS : SageMaker (si le coût est acceptable + petite équipe) ou MLflow sur EKS + services sur mesure (moins cher à grande échelle). Par défaut pour une entreprise mature sur Kubernetes : Kubeflow + MLflow.

Quelle part des offres propose du télétravail ?

Parmi les offres dont le mode de travail est indiqué, 31% 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 Platform Engineer diffère-t-il de l'Ingénieur MLOps ?

MLOps Engineer (généraliste) — peut travailler dans n'importe quelle équipe ML (équipe produit / laboratoire de recherche / cabinet de conseil en IA). Stack : MLOps universel. ML Platform Engineer — un Senior MLOps centré sur une plateforme réutilisable pensée comme un produit pour toute l'organisation (et non pour une seule équipe). En plus : conception d'API internes (pour les autres ML Engineers / DS), outils en self-service (templates / scaffolding / outils CLI — du type generate-new-model-project), gestion des SLA des composants de la plateforme (objectifs de disponibilité / latence / débit), systèmes de refacturation des coûts (suivi de la consommation de calcul par équipe + facturation), documentation d'onboarding + programmes de formation pour les autres membres des équipes ML, gestion de la rétrocompatibilité des composants partagés de la plateforme, contributions open source aux composants de la plateforme (par ex. contributions à Feast / Kubeflow). Staff / Principal MLOps — encore plus haut, gère généralement une équipe de plateforme ML (3-7 ingénieurs MLOps + intégrations avec les leads DevOps / SRE / Data Platform). Choix de carrière : MLOps Engineer si vous aimez être sur le terrain avec un nouveau problème chaque jour, ML Platform Engineer si vous aimez construire des systèmes réutilisables et travailler avec plusieurs équipes utilisatrices. Les trois sont des parcours Senior+ légitimes.

Par où commencer en MLOps en 2026 ?

Feuille de route : 1) Socle DevOps solide — maîtrise de Linux + réseau + bash, maîtrise de Docker (builds multi-étapes + optimisation des couches + scan de sécurité), maîtrise approfondie de Kubernetes (Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA + bases des CRD personnalisés). Livres : « Kubernetes in Action » de Lukša, « The Kubernetes Book » de Poulton. 2) Maîtrise de l'IaC : Terraform en profondeur (modules / gestion de l'état / workspaces) + compréhension des patterns propres à chaque fournisseur cloud. Cours HashiCorp Learn (gratuit). Patterns GitOps avec ArgoCD / FluxCD. 4) Une plateforme cloud en profondeur — choisir AWS / GCP / Azure et passer la certification Solutions Architect Associate / Professional. 5) Bases du ML — minimum : Python + pandas + scikit-learn + PyTorch (bases) + comprendre les boucles d'entraînement / d'inférence. Cours fast.ai « Practical Deep Learning » Part 1. « Designing Machine Learning Systems » de Chip Huyen — à lire absolument en MLOps 2026 (pour comprendre le workflow ML de l'entraînement au déploiement). 6) Suivi des expériences + registre de modèles : maîtrise approfondie de MLflow (Tracking + Registry + Projects + Models). Installer un MLflow auto-hébergé sur EKS / GKE / AKS. 7) Stack de service ML : Triton Inference Server (multi-framework + batching dynamique) + BentoML + KServe. Service de LLM : maîtrise de vLLM (PagedAttention + batching continu) + TGI + SGLang. 8) Feature Store : Feast (open source) — le mettre en place de bout en bout sur un projet de test (hors ligne + en ligne + récupération). 9) Orchestration : l'un de Airflow / Prefect / Dagster + bases de Kubeflow Pipelines. 10) Supervision ML : Evidently AI (détection de dérive + qualité des données) + WhyLabs, Arize AI ou Fiddler — l'un en profondeur. 11) Projet personnel : déploiement complet d'une plateforme ML (cluster K8s + MLflow + Feast + Triton + Prometheus + Grafana + Evidently AI) avec un cycle de vie de modèle simple (entraîner → enregistrer → déployer → superviser → réentraîner). Documenter dans le README GitHub. 12) Contribution open source — Feast / Kubeflow / MLflow / vLLM / Triton — augmente nettement la valeur d'un CV MLOps. Formations russes : Karpov.Courses « MLOps », Otus « MLOps », filière MLOps de SkillFactory, intensif MLOps de Slurm. International (EN) : cours MLOps « Made with ML » de Goku Mohandas (gratuit, complet), cours MLOps de Hugging Face, Coursera « MLOps Specialization » de DeepLearning.AI, Databricks Academy MLOps. Livres à lire absolument : « Designing Machine Learning Systems » de Chip Huyen, « Machine Learning Design Patterns » de Lakshmanan, « Reliable Machine Learning » de Cathy Chen. DevOps Middle / ML Engineer Middle → MLOps Junior — 4-10 mois. Backend Senior → MLOps Junior — 8-14 mois (il faut apprendre la stack ML).

Combien d’offres ouvertes cet échantillon contient-il ?

L’échantillon publié contient 354 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 ingénieur MLOps Senior a-t-il besoin ?

Un MLOps Senior prend en charge le cycle complet d'ingénierie de la plateforme ML + le leadership technique. Maîtrise de la programmation : Python en profondeur + Go en bonus pour l'infrastructure critique en performance. Maîtrise de Docker : builds multi-étapes, optimisation des couches, conteneurs GPU, analyse de sécurité (Trivy / Snyk). Maîtrise approfondie de Kubernetes : Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA / VPA / Cluster Autoscaler, bases des CRD personnalisés, GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows. Maîtrise de l'IaC : Terraform en profondeur (modules / state / workspaces), l'un de Pulumi / CloudFormation en bonus. Maîtrise du GitOps : ArgoCD / FluxCD + patterns Kustomize / Helm. Plateforme cloud en profondeur : l'un de AWS / GCP / Azure au niveau Solutions Architect Professional. Maîtrise de MLflow : personnalisation approfondie + plugins + patterns multi-tenant. Kubeflow Pipelines : déploiement à l'échelle de l'entreprise + composants personnalisés + multi-tenant. Maîtrise des Feature Stores : Feast en profondeur (offline + online + récupération + supervision + multi-tenant) ou Tecton (managé). Maîtrise du serving de modèles : Triton Inference Server en profondeur (ensembles + batching dynamique + dépôts de modèles) + BentoML + KServe. Maîtrise du serving de LLM (indispensable en 2026) : vLLM en profondeur (PagedAttention + continuous batching + speculative decoding + optimisation du KV cache) + TGI + SGLang + Ollama. Plateformes de calcul distribué : maîtrise de Spark + Ray (Spark Operator sur K8s, Ray Train + Ray Serve). Observabilité en profondeur : Prometheus + Grafana + Loki + OpenTelemetry + métriques personnalisées + stratégies d'alerte. Supervision ML : patterns d'intégration Evidently AI + WhyLabs / Arize AI / Fiddler. Maîtrise de l'optimisation des coûts : stratégie d'instances spot + partage de GPU (NVIDIA MIG) + intégration de la quantification (INT8 / FP16 / FP4) + stratégies de cache (Redis pour les résultats d'inférence) + analyse des coûts de l'inférence batch vs temps réel + planification des instances réservées. Maîtrise de la sécurité : gestion des secrets (Vault / KMS cloud), network policies, sécurité de la chaîne d'approvisionnement (images signées), confidentialité des données (traitement des DCP dans les pipelines ML). Conception de systèmes pour les plateformes ML : concevoir au tableau blanc des plateformes ML à l'échelle de 100 M+ prédictions/jour + multi-tenant + multi-région. Soft skills : rédaction d'ADR pour les décisions de plateforme, rédaction technique (documentation de la plateforme + supports d'onboarding), revue de code pour plusieurs équipes, mentorat de MLOps Middle, collaboration inter-équipes (équipes DevOps / SRE / Data Platform / ML Engineer / DS / Recherche). Anglais INDISPENSABLE pour Senior+ — le MLOps implique un travail inter-équipes intensif en anglais. Bonus facultatif : contributions open source à Feast / Kubeflow / MLflow / vLLM / Triton — augmentent fortement la valeur sur le marché pour les laboratoires d'IA de pointe + les entreprises de plateformes ML.

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.