Ingegnere ML: mercato
Dati al 19 novembre 2026: posizioni aperte Ingegnere ML — 2291, il 32% da remoto tra gli annunci che indicano la modalità di lavoro; retribuzione mediana negli annunci $13.666/mese (da 309 annunci con retribuzione indicata). Fonte: Zorky, aggiornato ogni giorno.
ML Engineer: il ruolo più grande nell'area IA/ML/DS (il bacino più ampio tra le sotto-nicchie ML). ML di produzione: prende un modello (proprio o di un Data Scientist) e lo porta a un servizio di produzione con SLA stabile. Famiglia di ruoli: ML Engineer (generale: feature engineering + training + deploy), Senior ML Engineer (pipeline ML end-to-end + scalabilità), Staff ML Engineer/Principal ML Engineer (architettura della piattaforma ML per l'intera organizzazione), ML Tech Lead (guida del team + decisioni sull'infrastruttura ML), Applied ML Engineer (ML di prodotto focalizzato sulle metriche di business). Stack: Python (monopolio), PyTorch/TensorFlow/JAX (deep learning: PyTorch domina 2026), scikit-learn+XGBoost+LightGBM+CatBoost (ML classico: obbligatorio), pandas+NumPy+Polars (manipolazione dei dati), Hugging Face Transformers+LangChain+LlamaIndex (LLM/NLP), MLflow+Weights & Biases+Neptune (tracciamento degli esperimenti), DVC (controllo di versione dei dati), Airflow/Prefect/Dagster (orchestrazione), Docker+Kubernetes (deploy), FastAPI+Triton Inference Server+BentoML+TorchServe (serving dei modelli), ONNX (inferenza tra framework), Feast/Tecton (feature store), Spark+Ray+Dask (calcolo distribuito), AWS SageMaker/GCP Vertex AI/Azure ML (gestiti nel cloud). Stack principale: python, cloud, pytorch, llm, aws. Tra le offerte con modalità di lavoro indicata, il 32% è da remoto.
Dati al:
I numeri chiave del mercato Ingegnere ML: annunci aperti, retribuzione mediana, bacino di specialisti osservato e quota di remoto.
Il mercato Ingegnere ML ha al momento 2291 ruoli aperti, di cui 2024 osservati di recente. Median salary $13.666/mo.
Tra le offerte con modalità di lavoro indicata, il 32% è da remoto. Il lavoro ML è basato sul cloud (addestramento su GPU cloud, serving in K8s). Gli outsourcer (EPAM AI / Luxoft AI): quasi sempre da remoto. Le banche russe (ML bancario di Sber AI): ibrido/in sede per la conformità. Le aziende di IA internazionali: full remote come standard.
⚠ stipendio noto per 309 offerte su 2291; quota di lavoro da remoto da 1926 con modalità indicata; 2024 conteggiate come osservazioni recenti; tendenza e difficoltà di assunzione non sono mostrate
Cronologia: annunci e fonti
Quanti annunci Ingegnere ML sono comparsi ogni settimana dal 1 giu e da quante fonti. Il grafico inferiore separa la crescita del mercato dalla crescita della nostra copertura: un salto nella settimana in cui sono state collegate nuove fonti significa che abbiamo iniziato a vedere di più, non che il mercato è cresciuto.
Nuovi annunci a settimana
Dati del grafico
| Periodo | Nuovi annunci a settimana |
|---|---|
| 2026-06-01 | 104 |
| 2026-06-08 | 142 |
| 2026-06-15 | 77 |
| 2026-06-22 | 175 |
| 2026-06-29 | 332 |
| 2026-07-06 | 286 |
| 2026-07-13 | 353 |
| 2026-07-20 | 283 |
| 2026-07-27 | 170 |
| 2026-08-03 | 215 |
| 2026-08-10 | 128 |
| 2026-08-17 | 115 |
| 2026-08-24 | 132 |
| 2026-08-31 | 115 |
| 2026-09-07 | 127 |
| 2026-09-14 | 186 |
| 2026-09-21 | 612 |
| 2026-09-28 | 370 |
| 2026-10-05 | 373 |
| 2026-10-12 | 794 |
| 2026-10-19 | 492 |
| 2026-10-26 | 519 |
| 2026-11-02 | 406 |
| 2026-11-09 | 463 |
Fonti attive a settimana
Fonti nel periodo: 217. ▲ — settimana in cui sono state collegate molte nuove fonti.
Dati del grafico
| Periodo | Fonti attive |
|---|---|
| 2026-06-01 | 17 |
| 2026-06-08 | 23 |
| 2026-06-15 | 15 |
| 2026-06-22 | 32 |
| 2026-06-29 | 53 |
| 2026-07-06 | 44 |
| 2026-07-13 | 54 |
| 2026-07-20 | 57 |
| 2026-07-27 | 46 |
| 2026-08-03 | 46 |
| 2026-08-10 | 31 |
| 2026-08-17 | 29 |
| 2026-08-24 | 35 |
| 2026-08-31 | 40 |
| 2026-09-07 | 41 |
| 2026-09-14 | 35 |
| 2026-09-21 | 56 |
| 2026-09-28 | 52 |
| 2026-10-05 | 61 |
| 2026-10-12 | 63 |
| 2026-10-19 | 66 |
| 2026-10-26 | 66 |
| 2026-11-02 | 63 |
| 2026-11-09 | 76 |
Nuove fonti collegate: 29 giu +30 · 6 lug +18 · 13 lug +18 · tutte le settimane (23) nella tabella
| Settimana | Nuove fonti | Nuovi annunci |
|---|---|---|
| 8 giu | +11 | 142 |
| 15 giu | +2 | 77 |
| 22 giu | +15 | 175 |
| 29 giu | +30 | 332 |
| 6 lug | +18 | 286 |
| 13 lug | +18 | 353 |
| 20 lug | +11 | 283 |
| 27 lug | +8 | 170 |
| 3 ago | +2 | 215 |
| 10 ago | +7 | 128 |
| 17 ago | +2 | 115 |
| 24 ago | +5 | 132 |
| 31 ago | +9 | 115 |
| 7 set | +4 | 127 |
| 14 set | +4 | 186 |
| 21 set | +10 | 612 |
| 28 set | +3 | 370 |
| 5 ott | +10 | 373 |
| 12 ott | +3 | 794 |
| 19 ott | +9 | 492 |
| 26 ott | +4 | 519 |
| 2 nov | +5 | 406 |
| 9 nov | +10 | 463 |
La settimana corrente non è ancora finita e non è mostrata: una settimana incompleta sembrerebbe un calo.
Settimana = data di prima rilevazione dell'annuncio, tutti gli stati; gli annunci sono selezionati con la stessa regola del contatore di questa pagina. Le fonti sono canali di raccolta distinti; i loro nomi non vengono pubblicati.
Dati del grafico
| Settimana | Nuovi annunci a settimana | Fonti attive |
|---|---|---|
| 2026-06-01 | 104 | 17 |
| 2026-06-08 | 142 | 23 |
| 2026-06-15 | 77 | 15 |
| 2026-06-22 | 175 | 32 |
| 2026-06-29 | 332 | 53 |
| 2026-07-06 | 286 | 44 |
| 2026-07-13 | 353 | 54 |
| 2026-07-20 | 283 | 57 |
| 2026-07-27 | 170 | 46 |
| 2026-08-03 | 215 | 46 |
| 2026-08-10 | 128 | 31 |
| 2026-08-17 | 115 | 29 |
| 2026-08-24 | 132 | 35 |
| 2026-08-31 | 115 | 40 |
| 2026-09-07 | 127 | 41 |
| 2026-09-14 | 186 | 35 |
| 2026-09-21 | 612 | 56 |
| 2026-09-28 | 370 | 52 |
| 2026-10-05 | 373 | 61 |
| 2026-10-12 | 794 | 63 |
| 2026-10-19 | 492 | 66 |
| 2026-10-26 | 519 | 66 |
| 2026-11-02 | 406 | 63 |
| 2026-11-09 | 463 | 76 |
Stipendi nel tempo
Stipendio mediano Ingegnere ML per settimana, USD al mese.
Stipendio mediano, USD al mese
Dati del grafico
| Periodo | Mediana | Annunci con stipendio per settimana (n) |
|---|---|---|
| 2026-09-21 | 12.545 | 16 |
| 2026-09-28 | 10.238 | 28 |
| 2026-10-05 | 9457 | 39 |
| 2026-10-12 | 9805 | 56 |
| 2026-10-19 | 13.919 | 92 |
| 2026-10-26 | 13.134 | 93 |
| 2026-11-02 | 13.750 | 85 |
| 2026-11-09 | 12.929 | 110 |
La serie inizia il 21 set: prima non ci sono dati.
Solo annunci con stipendio in USD e periodo noto (mese o anno), da 500 a 50.000 $ al mese. Le settimane con meno di 10 annunci di questo tipo sono lasciate vuote: significa nessun dato, non zero.
Dati del grafico
| Settimana | Mediana |
|---|---|
| 2026-06-01 | — |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | — |
| 2026-06-29 | — |
| 2026-07-06 | — |
| 2026-07-13 | — |
| 2026-07-20 | — |
| 2026-07-27 | — |
| 2026-08-03 | — |
| 2026-08-10 | — |
| 2026-08-17 | — |
| 2026-08-24 | — |
| 2026-08-31 | — |
| 2026-09-07 | — |
| 2026-09-14 | — |
| 2026-09-21 | 12.545 |
| 2026-09-28 | 10.238 |
| 2026-10-05 | 9457 |
| 2026-10-12 | 9805 |
| 2026-10-19 | 13.919 |
| 2026-10-26 | 13.134 |
| 2026-11-02 | 13.750 |
| 2026-11-09 | 12.929 |
Il lavoro da remoto nel tempo
Quota di annunci Ingegnere ML che offrono lavoro completamente da remoto, per settimana.
Annunci da remoto, %
Dati del grafico
| Periodo | Da remoto |
|---|---|
| 2026-06-01 | 44,4 |
| 2026-06-08 | 19,1 |
| 2026-06-15 | 11,5 |
| 2026-06-22 | 22 |
| 2026-06-29 | 25,5 |
| 2026-07-06 | 34,2 |
| 2026-07-13 | 28,4 |
| 2026-07-20 | 47,3 |
| 2026-07-27 | 36,5 |
| 2026-08-03 | 31,2 |
| 2026-08-10 | 34,3 |
| 2026-08-17 | 41,8 |
| 2026-08-24 | 41,7 |
| 2026-08-31 | 34,6 |
| 2026-09-07 | 28,4 |
| 2026-09-14 | 25 |
| 2026-09-21 | 28 |
| 2026-09-28 | 35,7 |
| 2026-10-05 | 37,6 |
| 2026-10-12 | 38,8 |
| 2026-10-19 | 37,8 |
| 2026-10-26 | 46,9 |
| 2026-11-02 | 35,1 |
| 2026-11-09 | 35,3 |
La quota è calcolata tra gli annunci che indicano la modalità (remoto, ibrido, ufficio). Le settimane con meno di 10 annunci di questo tipo sono lasciate vuote.
Dati del grafico
| Settimana | Da remoto |
|---|---|
| 2026-06-01 | 44,4 |
| 2026-06-08 | 19,1 |
| 2026-06-15 | 11,5 |
| 2026-06-22 | 22 |
| 2026-06-29 | 25,5 |
| 2026-07-06 | 34,2 |
| 2026-07-13 | 28,4 |
| 2026-07-20 | 47,3 |
| 2026-07-27 | 36,5 |
| 2026-08-03 | 31,2 |
| 2026-08-10 | 34,3 |
| 2026-08-17 | 41,8 |
| 2026-08-24 | 41,7 |
| 2026-08-31 | 34,6 |
| 2026-09-07 | 28,4 |
| 2026-09-14 | 25 |
| 2026-09-21 | 28 |
| 2026-09-28 | 35,7 |
| 2026-10-05 | 37,6 |
| 2026-10-12 | 38,8 |
| 2026-10-19 | 37,8 |
| 2026-10-26 | 46,9 |
| 2026-11-02 | 35,1 |
| 2026-11-09 | 35,3 |
Tecnologie nel tempo
Come è cambiata la quota di offerte Ingegnere ML che citano ciascuna delle tecnologie principali.
Annunci che citano la tecnologia, %
Dati del grafico
| Periodo | Python | cloud | llm |
|---|---|---|---|
| 2026-08-10 | 40 | 20 | 17,8 |
| 2026-08-17 | 37,7 | 26,4 | 30,2 |
| 2026-08-24 | 32 | 20 | 25,3 |
| 2026-08-31 | 48,1 | 23,1 | 26,9 |
| 2026-09-07 | 34,5 | 13,8 | 29,3 |
| 2026-09-14 | 37,2 | 26,9 | 21,8 |
| 2026-09-21 | 55,5 | 36,1 | 32,3 |
| 2026-09-28 | 59,9 | 33,7 | 28,2 |
| 2026-10-05 | 63,1 | 39,7 | 35,9 |
| 2026-10-12 | 55,6 | 35,4 | 28,6 |
| 2026-10-19 | 63 | 41,2 | 44,3 |
| 2026-10-26 | 66,6 | 37,9 | 35,1 |
| 2026-11-02 | 65 | 29,1 | 35,6 |
| 2026-11-09 | 68,9 | 37,7 | 36,6 |
Quota tra gli annunci con stack taggato; la serie inizia il 10 ago: prima i tag dello stack erano assegnati diversamente. Le settimane con meno di 20 annunci taggati sono lasciate vuote.
Dati del grafico
| Settimana | Python | cloud | llm | pytorch | AWS |
|---|---|---|---|---|---|
| 2026-08-10 | 40 | 20 | 17,8 | 8,9 | 8,9 |
| 2026-08-17 | 37,7 | 26,4 | 30,2 | 17 | 9,4 |
| 2026-08-24 | 32 | 20 | 25,3 | 18,7 | 6,7 |
| 2026-08-31 | 48,1 | 23,1 | 26,9 | 17,3 | 11,5 |
| 2026-09-07 | 34,5 | 13,8 | 29,3 | 20,7 | 13,8 |
| 2026-09-14 | 37,2 | 26,9 | 21,8 | 19,2 | 6,4 |
| 2026-09-21 | 55,5 | 36,1 | 32,3 | 32,9 | 16 |
| 2026-09-28 | 59,9 | 33,7 | 28,2 | 36,9 | 22,6 |
| 2026-10-05 | 63,1 | 39,7 | 35,9 | 33,8 | 27,5 |
| 2026-10-12 | 55,6 | 35,4 | 28,6 | 32,2 | 20,2 |
| 2026-10-19 | 63 | 41,2 | 44,3 | 34,3 | 26,7 |
| 2026-10-26 | 66,6 | 37,9 | 35,1 | 32,9 | 27,2 |
| 2026-11-02 | 65 | 29,1 | 35,6 | 37,4 | 16,3 |
| 2026-11-09 | 68,9 | 37,7 | 36,6 | 36,3 | 29,5 |
Paesi nel tempo
Come è cambiata ogni settimana la quota di offerte Ingegnere ML in ciascuno dei paesi principali.
Annunci nel paese, %
Dati del grafico
| Periodo | USA | Regno Unito | Singapore |
|---|---|---|---|
| 2026-06-01 | 64,6 | 2 | 0 |
| 2026-06-08 | 68,9 | 0,8 | 3,8 |
| 2026-06-15 | 65,8 | 5,5 | 1,4 |
| 2026-06-22 | 33,1 | 1,2 | 18,4 |
| 2026-06-29 | 18,2 | 0,7 | 47,9 |
| 2026-07-06 | 52,2 | 6,5 | 6,1 |
| 2026-07-13 | 45,6 | 3,3 | 11,8 |
| 2026-07-20 | 38,8 | 8,6 | 15,5 |
| 2026-07-27 | 50,7 | 3 | 11,9 |
| 2026-08-03 | 40,2 | 15,6 | 6,1 |
| 2026-08-10 | 38,2 | 14,7 | 2,9 |
| 2026-08-17 | 38 | 14,1 | 0 |
| 2026-08-24 | 33,6 | 24,3 | 0 |
| 2026-08-31 | 21,1 | 30 | 1,1 |
| 2026-09-07 | 30,9 | 28,7 | 2,1 |
| 2026-09-14 | 38 | 27,2 | 2,5 |
| 2026-09-21 | 43,6 | 14 | 7,5 |
| 2026-09-28 | 30,2 | 19,9 | 6,9 |
| 2026-10-05 | 31,8 | 18,2 | 4,5 |
| 2026-10-12 | 32,1 | 11,2 | 2 |
| 2026-10-19 | 29,1 | 14,3 | 4,4 |
| 2026-10-26 | 29,2 | 12 | 3,9 |
| 2026-11-02 | 35,9 | 14 | 8,6 |
| 2026-11-09 | 44,9 | 11 | 2,2 |
Quota tra gli annunci con paese noto; il grafico mostra i cinque paesi con più annunci in sei mesi. Le settimane con meno di 20 annunci con paese noto sono lasciate vuote. Una quota in crescita può indicare una fonte appena collegata in quel paese, non una crescita del mercato.
Dati del grafico
| Settimana | USA | Regno Unito | Singapore | Polonia | India |
|---|---|---|---|---|---|
| 2026-06-01 | 64,6 | 2 | 0 | 16,2 | 6,1 |
| 2026-06-08 | 68,9 | 0,8 | 3,8 | 6,8 | 6,8 |
| 2026-06-15 | 65,8 | 5,5 | 1,4 | 6,8 | 2,7 |
| 2026-06-22 | 33,1 | 1,2 | 18,4 | 21,5 | 3,7 |
| 2026-06-29 | 18,2 | 0,7 | 47,9 | 4,3 | 5,9 |
| 2026-07-06 | 52,2 | 6,5 | 6,1 | 4,9 | 4,9 |
| 2026-07-13 | 45,6 | 3,3 | 11,8 | 3,6 | 9,2 |
| 2026-07-20 | 38,8 | 8,6 | 15,5 | 13,5 | 5,7 |
| 2026-07-27 | 50,7 | 3 | 11,9 | 10,4 | 4,5 |
| 2026-08-03 | 40,2 | 15,6 | 6,1 | 4,5 | 5,6 |
| 2026-08-10 | 38,2 | 14,7 | 2,9 | 2 | 9,8 |
| 2026-08-17 | 38 | 14,1 | 0 | 0 | 4,3 |
| 2026-08-24 | 33,6 | 24,3 | 0 | 3,7 | 8,4 |
| 2026-08-31 | 21,1 | 30 | 1,1 | 1,1 | 8,9 |
| 2026-09-07 | 30,9 | 28,7 | 2,1 | 2,1 | 9,6 |
| 2026-09-14 | 38 | 27,2 | 2,5 | 3,8 | 5,7 |
| 2026-09-21 | 43,6 | 14 | 7,5 | 2,2 | 4,9 |
| 2026-09-28 | 30,2 | 19,9 | 6,9 | 8,5 | 6,9 |
| 2026-10-05 | 31,8 | 18,2 | 4,5 | 9,9 | 6,4 |
| 2026-10-12 | 32,1 | 11,2 | 2 | 8,2 | 8 |
| 2026-10-19 | 29,1 | 14,3 | 4,4 | 9,9 | 6,2 |
| 2026-10-26 | 29,2 | 12 | 3,9 | 5,6 | 7,2 |
| 2026-11-02 | 35,9 | 14 | 8,6 | 4 | 6 |
| 2026-11-09 | 44,9 | 11 | 2,2 | 6,8 | 4,9 |
Mercato pulito: indice di assunzione
Gli stessi 7505 siti di lavoro dei datori di lavoro; il numero di annunci viene dal sito stesso. Collegare nuove fonti non muove questo indice: mostra il mercato, non la nostra copertura. È l'intero mercato del panel, non solo Ingegnere ML.
Indice delle assunzioni, 16 ott = 100
Dati del grafico
| Periodo | Indice delle assunzioni |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Indice a catena: ogni giorno confronta solo i siti interrogati sia quel giorno sia il precedente; valori anomali e interruzioni di interrogazione di un'intera piattaforma sono esclusi. I giorni senza coppie confrontabili sono lasciati vuoti.
Dati del grafico
| Giorno | Indice delle assunzioni |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Quanti annunci Ingegnere ML aperti ci sono e quanti specialisti adatti osserva Zorky.
Domanda e offerta osservata
Dati del grafico
| Indicatore | Valore |
|---|---|
| Domanda aperta | 2291 |
| Domanda aperta | 2291 |
| Offerta osservata | — non pubblicato |
ML Engineer è il ruolo AI/ML più grande, con una crescita della domanda 2026 trainata dal boom di LLM/Generative AI: deployment di Foundation Model, applicazioni RAG, agenti AI, prodotti vocali/multimodali. Aziende di prodotto russe: un flusso costante. EPAM/Luxoft AI Practice: il più grande canale di outsourcing per i progetti AI statunitensi.
⚠ i candidati adatti a un'offerta non sono ancora conteggiati: sono mostrate la domanda e la banca dati osservata
Come si distribuiscono le retribuzioni negli annunci Ingegnere ML, in dollari USA al mese.
Distribuzione degli stipendi
Dati del grafico
| Indicatore | Valore |
|---|---|
| <$1k | 4 |
| $1–2k | 2 |
| $2–3k | 7 |
| $3–4k | 7 |
| $4–5k | 9 |
| $5–6k | 14 |
| $6–7k | 11 |
| $7–8k | 4 |
| $8–9k | 9 |
| $9–10k | 16 |
| $10–12k | 31 |
| $12–15k | 68 |
| $15–20k | 83 |
| $20k+ | 44 |
- utilizzabile per il calcolo: 309 (13,5%)
- indicato ma non convertito in USD/mese: 372 (16,2%)
- non indicato: 1610 (70,3%)
Un annuncio su dieci offre meno di $5027, uno su dieci più di $20.916. La metà degli annunci offre tra $9600 e $17.416. Campione: 309.
Dati del grafico
| Indicatore | Limite inferiore | Limite superiore | Numero |
|---|---|---|---|
| <$1k | 0 | 1000 | 4 |
| $1–2k | 1000 | 2000 | 2 |
| $2–3k | 2000 | 3000 | 7 |
| $3–4k | 3000 | 4000 | 7 |
| $4–5k | 4000 | 5000 | 9 |
| $5–6k | 5000 | 6000 | 14 |
| $6–7k | 6000 | 7000 | 11 |
| $7–8k | 7000 | 8000 | 4 |
| $8–9k | 8000 | 9000 | 9 |
| $9–10k | 9000 | 10.000 | 16 |
| $10–12k | 10.000 | 12.000 | 31 |
| $12–15k | 12.000 | 15.000 | 68 |
| $15–20k | 15.000 | 20.000 | 83 |
| $20k+ | 20.000 | — | 44 |
In quali paesi ci sono più annunci Ingegnere ML aperti.
Geografia della domanda
| paese | offerte | quota |
|---|---|---|
| Stati Uniti | 882 | 45,9% |
| Regno Unito | 160 | 8,3% |
| India | 120 | 6,2% |
| Polonia | 117 | 6,1% |
| Singapore | 86 | 4,5% |
| Canada | 63 | 3,3% |
| Germania | 58 | 3% |
| Francia | 38 | 2% |
| Russia | 34 | 1,8% |
| Paesi Bassi | 26 | 1,4% |
| Altri paesi | 338 | 17,6% |
Il leader per numero di offerte ML Engineer sono gli Stati Uniti (882 posizioni). La Polonia è un hub UE favorevole all'IA (Varsavia/Cracovia). La Germania ha il cluster di startup IA di Berlino.
⚠ solo numero di offerte: lo stipendio per paese non è pubblicato
Dati del grafico
| Paese | Offerte |
|---|---|
| US | 882 |
| GB | 160 |
| IN | 120 |
| PL | 117 |
| SG | 86 |
| CA | 63 |
| DE | 58 |
| FR | 38 |
| RU | 34 |
| NL | 26 |
Quali tecnologie sono richieste più spesso nello stesso annuncio di Ingegnere ML.
Si usa insieme a
Quota: quanti dei 2291 annunci del mercato Ingegnere ML citano questa tecnologia. Ordinato per numero di annunci, non per «forza dell’associazione». Termini generici come cloud non indicano un cloud specifico (AWS, Azure).
Stack principale ML Engineer 2026: Python (monopolio), PyTorch / TensorFlow / JAX (domina PyTorch), scikit-learn + XGBoost + LightGBM + CatBoost (classico), pandas + NumPy + Polars (dati), Hugging Face + LangChain + LlamaIndex (LLM/NLP), sentence-transformers + Pinecone / Weaviate / Qdrant / Milvus (database vettoriali / RAG), MLflow + W&B + Neptune (tracciamento degli esperimenti), DVC, Airflow / Prefect / Dagster, Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe + vLLM / TGI / SGLang (serving degli LLM), ONNX, Feast / Tecton (feature store), Ray + Spark + Dask, AWS SageMaker / GCP Vertex AI / Azure ML, Optuna, Evidently AI (drift). In più per un Senior: fine-tuning LoRA / QLoRA, quantizzazione, distillazione.
Coppie comuni: 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 (addestramento distribuito), Feast + Spark + Snowflake. Roadmap di apprendimento: Python + matematica → ML classico (sklearn / XGBoost) → Deep Learning (PyTorch) → MLOps (MLflow + Docker + K8s) → specializzazione LLM (Hugging Face + LangChain + RAG) → addestramento distribuito (Ray) → ML gestito nel cloud (SageMaker / Vertex AI).
Dati del grafico
| Nome | Numero |
|---|---|
| python | 935 |
| cloud | 572 |
| llm | 521 |
| pytorch | 514 |
| aws | 384 |
| mlops | 313 |
| tensorflow | 259 |
| docker | 258 |
| azure | 250 |
| fine-tuning | 225 |
| kubernetes | 225 |
| gcp | 181 |
Quanti annunci Ingegnere ML ci sono per ogni livello, da junior a principal.
Domanda per livello
| livello | offerte |
|---|---|
| senior | 794 |
| principal | 341 |
| junior | 102 |
| lead | 90 |
| middle | 87 |
Junior è raro, ingresso tipico da Data Analyst → ML Junior o Backend Middle → ML Junior. Percorso di carriera: Junior (1-2 anni) → Middle (2-3 anni) → Senior → oppure Staff / Principal ML Engineer (tecnico in profondità), ML Tech Lead / Engineering Manager, passaggio alla Research (con PhD), o ML CTO/Founder in una startup AI.
⚠ solo lato domanda: il livello della banca dati osservata è ignoto per la maggior parte
Dati del grafico
| Livello | Numero |
|---|---|
| senior | 794 |
| principal | 341 |
| junior | 102 |
| lead | 90 |
| middle | 87 |
Chi assume di più per Ingegnere ML e quanto la domanda è concentrata nelle aziende più grandi.
Datori di lavoro
La domanda è distribuita tra 1312 datori di lavoro. Il maggiore ne concentra il 1.7%, i primi dieci il 8.6%; il restante 91.4% è coda lunga.
| quota | valore |
|---|---|
| top-1 | 1.7% |
| top-3 | 3.9% |
| top-10 | 8.6% |
| coda lunga | 91.4% |
⚠ i nomi non sono mostrati: il classificatore non distingue ancora le agenzie di selezione dai datori di lavoro finali
Da quali siti aziendali e portali di lavoro Zorky raccoglie gli annunci Ingegnere ML.
Dove Zorky vede questo mercato
Osservato su 109 fonti; la maggiore ne concentra il 20.7%: questo mercato non dipende da un solo canale.
Offerte ML Engineer: hh.ru, Habr Career, getmatch, Djinni, LinkedIn (enorme segmento AI internazionale), NoFluffJobs / JustJoin.it (Polonia, favorevole all'AI), Telegram, pagine carriera di EPAM AI / Luxoft AI / Andersen AI, bacheche specializzate aijobs.net + ai-jobs.net + builtin.com/jobs/ai, Y Combinator Work at a Startup, pagine carriera delle startup AI.
Dati del grafico
| Classe | Nome | Nome inglese | Numero | Quota |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS e siti carriere | 1546 | 0,6748 |
| board | джоб-борды и агрегаторы | portali di lavoro e aggregatori | 616 | 0,2689 |
| telegram | Telegram | Telegram | 115 | 0,0502 |
| community | сообщества и публичные профили | community e profili pubblici | 14 | 0,0061 |
Gli annunci Ingegnere ML più recenti dalle pagine carriere delle aziende.
Posizioni recenti
- Junior LLM / ML Engineer в Москве · RU
- Senior Machine Learning Engineer · GB
- Machine Learning Engineer · ZA
- Senior Machine Learning Engineer, Content Intelligence · GB
- Senior / Staff ML Engineer (Routing & Optimisation) · GB
- Proxify AB: Senior Machine Learning Engineer
- AI/ML Engineer
- ML Engineer · UA
Le ultime offerte ML Engineer aperte: le 10 posizioni più recenti con una qualità della descrizione adeguata. L'elenco completo è nel nostro CRM o tramite il link «vedi tutte» qui sotto.
Mercati adiacenti
ML Engineer si sovrappone a Data Scientist (modellazione statistica + inquadramento di business), Research Engineer (architetture innovative + paper), MLOps Engineer (infrastruttura della piattaforma ML), Backend Engineer (disciplina di produzione + system design). Confronto con data-scientist/research/mlops nel SiblingSubnichesChart qui sopra.
⚠ i mercati adiacenti per il confronto non sono ancora definiti
Come si misura
- Posizione
- un'offerta aperta che ha superato il controllo di qualità e indica almeno due tecnologie
- Candidato osservato
- un candidato il cui stack contiene questa tecnologia; un dato aggregato: nessun singolo record esce dal perimetro
- Candidato abbinabile
- non ancora conteggiato
- Finestra
- offerte aperte nel momento in cui è stato creato lo snapshot
Sui dati
- Alcuni dettagli sono nascosti: la loro copertura di dati non è ancora sufficiente.
- Le statistiche vengono mostrate solo dove il campione supera un controllo di qualità.
- L'assenza di un blocco non significa che il valore sia zero.
Dettagli attualmente nascosti: 8.
Area: IA / ML / Data Science
Specializzazioni correlate
All'interno di ML Engineer: ML Engineer generale (universale, recsys/NLP/CV/frodi), Applied ML Engineer (focus sul prodotto + metriche di business), Senior ML Engineer (pipeline end-to-end + scalabilità), Staff / Principal ML Engineer (architettura della piattaforma ML per l'organizzazione), ML Tech Lead (guida del team), ML Platform Engineer (infrastruttura per gli altri team ML). Confronto con data-scientist/research/mlops nella barra qui sotto.
Domande frequenti
Le domande più frequenti su ML Engineer: retribuzione, ML Engineer vs DS vs Research vs MLOps, stack della pipeline ML di produzione (10 componenti), in cosa differisce dall'Applied ML, remoto, come iniziare (8-14 mesi da Data Analyst / Backend Middle), competenze da Senior (padronanza degli LLM + MLOps + sistemi distribuiti). Le risposte si ricalcolano automaticamente.
Quanto guadagna un ML Engineer Junior, Middle, Senior o Lead?
Junior ML Engineer è raro (il mercato parte da Data Analyst o Backend → ML). Il salto Junior → Middle: dopo aver padroneggiato la prima pipeline ML in produzione end-to-end (feature engineering → training → deployment → monitoraggio). Middle → Senior: responsabilità multi-pipeline + esperienza con LLM/RAG + scalabilità del training distribuito + ottimizzazione dei costi. Senior → Staff/Principal: architettura della piattaforma ML, strategia ML multi-team. Percorso di carriera: Data Analyst (1-2 anni) → Junior ML Engineer (1-2 anni) → Middle (2-3 anni) → Senior → oppure Staff ML Engineer (tecnico in profondità), ML Tech Lead (management), passaggio alla Research (percorso PhD), o ML Founder/CTO in una startup.
Quale stack viene richiesto più spesso per ML Engineer?
I principali nel 5: python, cloud, pytorch, llm, aws. Python è il monopolio (R quasi non si vede nel ML in produzione nel 2026). ML classico: scikit-learn + XGBoost + LightGBM + CatBoost: la base, indispensabile per i dati tabellari. Manipolazione dei dati: pandas + NumPy + Polars (moderno, in crescita nel 2026: 10-100× più veloce), PyArrow per i dati tra framework. Computer vision: OpenCV, torchvision, Detectron2, MMDetection, Ultralytics YOLO. Tracciamento degli esperimenti: MLflow (standard open source) o Weights & Biases (UI premium) o Neptune. Versionamento dei dati: DVC. Orchestrazione: Airflow + Prefect + Dagster (uno a fondo). Deploy: padronanza di Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe (uno a fondo). Inferenza tra framework: ONNX. Feature store: Feast (open source) o Tecton (gestito). Calcolo distribuito: Spark + Ray + Dask. ML gestito nel cloud: AWS SageMaker / GCP Vertex AI / Azure ML (uno a fondo). Extra da Senior: quantizzazione (quantizzazione PyTorch, bitsandbytes), distillazione, fine-tuning LoRA/QLoRA, vLLM/TGI/SGLang per il serving degli LLM, Optuna per l'ottimizzazione degli iperparametri.
ML Engineer vs Data Scientist vs Research vs MLOps: qual è la differenza?
Data Scientist: focus sulla formulazione dei problemi di business + modellazione statistica + test A/B + comunicazione degli insight. Stack: pandas + sklearn + Jupyter + SQL + Tableau/Looker. Meno orientato all'infrastruttura. Vedi Data Scientist. ML Engineer (questa pagina): focus su pipeline ML in produzione + deployment + scalabilità. Stack come il DS + Docker/K8s + MLflow + Airflow + ML gestito nel cloud. Research Engineer / Scientist: focus su nuovi modelli, paper, architetture innovative. Spesso percorso con dottorato. Stack: PyTorch a fondo + JAX + infrastruttura per molti esperimenti. Vedi Research Engineer / Scientist. MLOps Engineer: focus sull'infrastruttura della piattaforma ML (feature store, model registry, monitoraggio, osservabilità, ottimizzazione dei costi). Stack: K8s + Terraform + MLflow/Kubeflow + Prometheus/Grafana + cloud. Vedi MLOps Engineer. Passaggio ML Engineer ↔ DS: 1-3 mesi. ML Engineer ↔ MLOps: 2-4 mesi (se c'è una base di K8s). Il percorso di ricerca richiede un dottorato o 3+ anni di specializzazione approfondita.
Com'è lo stack di una pipeline ML in produzione nel 2026?
Stack di riferimento per il ML in produzione 2026: 1) Ingestione dei dati: Airflow/Prefect/Dagster prelevano i dati grezzi dai sistemi sorgente (DB/Kafka/S3). 2) Feature engineering: trasformazioni Spark/Pandas/Polars → Feature Store (Feast o Tecton: archiviazione centralizzata, correttezza point-in-time, serving online+offline). 3) Sperimentazione: Jupyter + tracking W&B/MLflow + DVC per il versioning dei dati + Optuna per la ricerca degli iperparametri. 4) Training: Ray Train o PyTorch Lightning + distribuito (multi-GPU/multi-nodo), checkpointing su S3/GCS, quantizzazione (INT8/FP16) per il costo dell'inferenza. 5) Model registry: MLflow Model Registry o SageMaker Model Registry (versioning + stadi: staging/production/archived). 6) Validazione: test automatici (data drift, qualità delle previsioni), shadow deployment, configurazione degli A/B test. 7) Serving: Triton Inference Server (NVIDIA, multi-framework + dynamic batching) oppure BentoML o TorchServe o vLLM (per gli LLM). Wrapper FastAPI per il contratto API. 8) Deployment: Kubernetes (standard di produzione) + Helm + ArgoCD per il GitOps. 9) Monitoraggio: Prometheus + Grafana (latenza/throughput/tasso di errore) + rilevamento custom del drift (Evidently AI/WhyLabs) + dashboard dei costi. 10) Ciclo di feedback: registrare previsioni + ground truth → trigger di riaddestramento. Piattaforma ML per tutta l'organizzazione: Kubeflow o Metaflow o SageMaker Pipelines. Stack specifico per gli LLM: vLLM/TGI/SGLang per il serving + prompt engineering (LangChain/LlamaIndex) + RAG (database vettoriali Pinecone/Weaviate/Qdrant) + fine-tuning tramite LoRA/QLoRA + valutazione (RAGAS, DeepEval, benchmark custom).
Quale percentuale delle offerte prevede lavoro da remoto?
Tra le offerte con modalità di lavoro indicata, il 32% è da remoto. Le offerte senza modalità indicata sono escluse dal denominatore; il lavoro ibrido non viene conteggiato come remoto.
Che differenza c'è tra ML Engineer e Applied ML Engineer?
ML Engineer (generale): può lavorare in qualsiasi dominio ML (recsys, NLP, CV, rilevamento delle frodi, ranking). Lo stack è universale. Applied ML Engineer: focus su uno specifico compito ML di prodotto + responsabilità delle metriche di business (CTR, conversione, aumento dei ricavi). Lo stack è lo stesso, ma si aggiungono pensiero di prodotto + padronanza dei test A/B + comunicazione con gli stakeholder. Retribuzione paragonabile (mediana), ma nelle aziende di prodotto l'Applied ML a livello Senior è di solito un po' più alto grazie alla responsabilità sull'impatto di business. ML Platform Engineer (una sotto-nicchia separata, più vicina all'MLOps): costruisce l'infrastruttura per gli altri ML Engineer (Feature Store, infrastruttura MLflow, piattaforma di training). Scelta di carriera: ML Engineer se contano soprattutto universalità e portabilità, Applied ML Engineer se ti interessa l'impatto sul prodotto, ML Platform Engineer se infrastruttura e strumenti. Tutti e tre sono percorsi Senior+ legittimi, nessuno migliore o peggiore.
Da dove iniziare con ML Engineering nel 2026?
Roadmap: 1) Python a fondo fino al livello Backend Middle (clean code, design pattern, async). Libri: "Fluent Python" di Ramalho, "Effective Python" di Slatkin. 2) Matematica: algebra lineare + analisi + probabilità/statistica al livello di «capire cosa c'è sotto il cofano della backprop». MIT 18.06 Linear Algebra (Strang), 3Blue1Brown "Essence of Linear Algebra". 3) ML classico: padronanza di scikit-learn + XGBoost + LightGBM. Andrew Ng "Machine Learning Specialization" (Coursera). Libro "Hands-On Machine Learning" di Géron (da leggere assolutamente 2026). 4) Deep Learning: PyTorch a fondo (forward/backward/optimizer/training loop da zero). "Deep Learning Specialization" di Andrew Ng. "Deep Learning with PyTorch" di Stevens. 5) Percorso NLP/LLM: corso di Hugging Face (gratuito) → fine-tuning di LLM piccoli (Mistral 7B/Llama 3 8B) con LoRA/QLoRA → costruisci un'applicazione RAG con LangChain + Qdrant. 6) Percorso Computer Vision (alternativo): torchvision + Detectron2 + Ultralytics YOLO + training su dataset custom. 7) Basi di MLOps: MLflow + DVC + Airflow + Docker + Kubernetes per il serving ML. "Designing Machine Learning Systems" di Chip Huyen: da leggere assolutamente per il ML in produzione. 8) ML nel cloud: uno tra AWS SageMaker / GCP Vertex AI / Azure ML: segui un tutorial e2e. 9) Training distribuito: Ray Train + PyTorch DDP. 10) Progetto personale: sistema ML e2e completo (pipeline dei dati + feature store + training + tracking con MLflow + deploy su Kubernetes + monitoraggio) su un dataset aperto (Kaggle). Internazionale (EN): fast.ai "Practical Deep Learning", Hugging Face NLP Course, DeepLearning.AI (Andrew Ng). Libri classici: "Pattern Recognition and Machine Learning" di Bishop, "The Hundred-Page Machine Learning Book" di Burkov. Conferenze: NeurIPS, ICML, ICLR (paper: lettura obbligatoria per un Senior). Data Analyst o Backend Middle → ML Engineer Junior: 8-14 mesi.
Quante posizioni aperte contiene questo campione?
Il campione pubblicato contiene 2291 posizioni aperte dopo aver raggruppato le ripubblicazioni. È lo stesso numero dell’indicatore principale. La sezione geografica descrive la copertura del campione; non è una stima dell’intero mercato.
Quali competenze servono a un Senior ML Engineer?
Un Senior ML Engineer gestisce l'intero ciclo del ML in produzione + leadership tecnica. Padronanza della programmazione: Python a livello Backend Senior (codice pulito, async, profiling, ottimizzazione della memoria). Basi matematiche: algebra lineare + analisi + probabilità al livello di «leggere i paper senza saltare le parti matematiche». Padronanza del ML classico: feature engineering approfondito, motivazione nella scelta dei modelli, calibrazione, compromessi tra metriche di valutazione, progettazione di modelli allineati al business. Padronanza del Deep Learning: PyTorch a fondo (Layer/Module/Optimizer personalizzati), addestramento distribuito (DDP, FSDP), mixed precision, quantizzazione (INT8/FP16), distillazione, export in ONNX. Padronanza degli LLM (nel 2026 obbligatoria per un Senior): fine-tuning tramite LoRA/QLoRA, prompt engineering, architettura RAG (database vettoriali Pinecone/Weaviate/Qdrant), valutazione (RAGAS, DeepEval), vLLM/TGI/SGLang per il serving. MLOps: padronanza di MLflow / W&B, DVC, Airflow / Prefect / Dagster, Feature Store (Feast / Tecton), padronanza di Docker + Kubernetes per il serving ML, Helm + ArgoCD. ML nel cloud: uno tra AWS SageMaker / GCP Vertex AI / Azure ML a fondo. Calcolo distribuito: padronanza di Ray + Spark. Monitoraggio: integrazione di Prometheus + Grafana + Evidently AI (rilevamento del drift). Ottimizzazione dei costi: utilizzo delle GPU, dimensionamento dei batch, quantizzazione dei modelli, strategie di caching. System design per il ML: progettare alla lavagna sistemi ML su scala di 100M+ utenti (recsys / antifrode / ranking / chatbot). Soft skill: lettura dei paper (NeurIPS / ICML / ICLR), scrittura tecnica (ADR, documenti di progettazione), revisione del codice per più team, mentoring dei ML Engineer Middle, comunicazione con i team di prodotto/dati/backend, progettazione dei test A/B + analisi statistica. Inglese OBBLIGATORIO per Senior+: la community ML/IA e i paper sono in inglese. Bonus: contributi open source (PyTorch / Hugging Face / LangChain): aumentano nettamente il valore di mercato.
Lascia una richiesta
Descrivi l'attività e lascia un contatto: la richiesta arriva nel nostro CRM e rispondiamo al contatto che indichi.