Inżynier ML: rynek
Dane na dzień 19 listopada 2026: otwarte oferty Inżynier ML — 2291, 32% zdalnie wśród ofert z podanym trybem pracy; mediana wynagrodzenia w ofertach $13 666/mies. (z 309 ofert z podanym wynagrodzeniem). Źródło: Zorky, aktualizacja codziennie.
ML Engineer — największa rola w kierunku AI/ML/DS (największa pula wśród podnisz ML). Produkcyjne ML — bierze model (własny lub od Data Scientista) i doprowadza go do usługi produkcyjnej ze stabilnym SLA. Rodzina ról: ML Engineer (ogólnie — feature engineering + trenowanie + wdrażanie), Senior ML Engineer (kompletne pipeline'y ML + skalowanie), Staff ML Engineer/Principal ML Engineer (architektura platformy ML dla całej organizacji), ML Tech Lead (kierowanie zespołem + decyzje o infrastrukturze ML), Applied ML Engineer (produktowe ML skupione na metrykach biznesowych). Stack: Python (monopol), PyTorch/TensorFlow/JAX (deep learning — PyTorch dominuje 2026), scikit-learn+XGBoost+LightGBM+CatBoost (klasyczne ML — obowiązkowo), pandas+NumPy+Polars (przetwarzanie danych), Hugging Face Transformers+LangChain+LlamaIndex (LLM/NLP), MLflow+Weights & Biases+Neptune (śledzenie eksperymentów), DVC (wersjonowanie danych), Airflow/Prefect/Dagster (orkiestracja), Docker+Kubernetes (wdrażanie), FastAPI+Triton Inference Server+BentoML+TorchServe (serving modeli), ONNX (inferencja między frameworkami), Feast/Tecton (feature stores), Spark+Ray+Dask (obliczenia rozproszone), AWS SageMaker/GCP Vertex AI/Azure ML (zarządzane w chmurze). Najczęstszy stack: python, cloud, pytorch, llm, aws. Wśród ofert z określonym trybem pracy 32% dotyczy pracy zdalnej.
Dane na dzień:
Najważniejsze liczby rynku Inżynier ML: otwarte oferty, mediana wynagrodzenia, obserwowana pula specjalistów i udział pracy zdalnej.
Rynek Inżynier ML ma obecnie 2291 otwartych ról, w tym świeżo zaobserwowanych: 2024. Median salary $13 666/mo.
Wśród ofert z określonym trybem pracy 32% dotyczy pracy zdalnej. Praca z ML jest chmurowa (trenowanie na chmurowych GPU, serwowanie w K8s). Outsourcerzy (EPAM AI / Luxoft AI) — prawie zawsze zdalnie. Rosyjskie banki (bankowe ML w Sber AI) — hybryda/biuro ze względu na zgodność. Międzynarodowe firmy AI — praca w pełni zdalna to standard.
⚠ wynagrodzenie znane dla 309 z 2291 ofert; udział pracy zdalnej z 1926 z podanym formatem; 2024 liczone jako świeże obserwacje; trendu i trudności rekrutacji nie pokazujemy
Oś czasu: ogłoszenia i źródła
Ile ogłoszeń Inżynier ML pojawiało się co tydzień od 1 cze i z ilu źródeł pochodziły. Dolny wykres oddziela wzrost rynku od wzrostu naszego zasięgu: skok w tygodniu, w którym podłączono nowe źródła, oznacza, że zaczęliśmy widzieć więcej, a nie że rynek urósł.
Nowe ogłoszenia tygodniowo
Dane wykresu
| Okres | Nowe ogłoszenia tygodniowo |
|---|---|
| 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 |
Aktywne źródła w tygodniu
Źródeł w całym okresie: 217. ▲ — tydzień, w którym podłączono dużo nowych źródeł.
Dane wykresu
| Okres | Aktywne źródła |
|---|---|
| 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 |
Podłączono nowe źródła: 29 cze +30 · 6 lip +18 · 13 lip +18 · wszystkie tygodnie (23) — w tabeli
| Tydzień | Nowe źródła | Nowe ogłoszenia |
|---|---|---|
| 8 cze | +11 | 142 |
| 15 cze | +2 | 77 |
| 22 cze | +15 | 175 |
| 29 cze | +30 | 332 |
| 6 lip | +18 | 286 |
| 13 lip | +18 | 353 |
| 20 lip | +11 | 283 |
| 27 lip | +8 | 170 |
| 3 sie | +2 | 215 |
| 10 sie | +7 | 128 |
| 17 sie | +2 | 115 |
| 24 sie | +5 | 132 |
| 31 sie | +9 | 115 |
| 7 wrz | +4 | 127 |
| 14 wrz | +4 | 186 |
| 21 wrz | +10 | 612 |
| 28 wrz | +3 | 370 |
| 5 paź | +10 | 373 |
| 12 paź | +3 | 794 |
| 19 paź | +9 | 492 |
| 26 paź | +4 | 519 |
| 2 lis | +5 | 406 |
| 9 lis | +10 | 463 |
Bieżący tydzień jeszcze się nie skończył i nie jest pokazany: niepełny tydzień wyglądałby jak spadek.
Tydzień = data pierwszego pojawienia się ogłoszenia, wszystkie statusy; ogłoszenia wybiera ta sama reguła co licznik tej strony. Źródła to różne kanały zbierania; ich nazw nie publikujemy.
Dane wykresu
| Tydzień | Nowe ogłoszenia tygodniowo | Aktywne źródła |
|---|---|---|
| 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 |
Wynagrodzenia w czasie
Mediana wynagrodzenia Inżynier ML tygodniowo, USD miesięcznie.
Mediana wynagrodzenia, USD miesięcznie
Dane wykresu
| Okres | Mediana | Oferty z wynagrodzeniem w tygodniu (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 |
Seria zaczyna się 21 wrz: wcześniej brak danych.
Tylko ogłoszenia z wynagrodzeniem w USD i znanym okresem (miesiąc lub rok), od 500 do 50 000 $ miesięcznie. Tygodnie, w których takich ogłoszeń jest mniej niż 10, są puste — to brak danych, a nie zero.
Dane wykresu
| Tydzień | 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 |
Praca zdalna w czasie
Udział ofert Inżynier ML z pracą w pełni zdalną, tydzień po tygodniu.
Ogłoszenia zdalne, %
Dane wykresu
| Okres | Zdalnie |
|---|---|
| 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 |
Udział liczony jest wśród ogłoszeń, które podają tryb pracy (zdalnie, hybrydowo, biuro). Tygodnie, w których takich ogłoszeń jest mniej niż 10, są puste.
Dane wykresu
| Tydzień | Zdalnie |
|---|---|
| 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 |
Technologie w czasie
Jak zmieniał się udział ofert Inżynier ML, w których pojawia się każda z czołowych technologii.
Ogłoszenia wymieniające technologię, %
Dane wykresu
| Okres | 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 |
Udział wśród ogłoszeń z otagowanym stosem; seria zaczyna się 10 sie: wcześniej tagi stosu nadawano inaczej. Tygodnie z mniej niż 20 otagowanymi ogłoszeniami są puste.
Dane wykresu
| Tydzień | 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 |
Kraje w czasie
Jak zmieniał się udział ofert Inżynier ML w każdym z czołowych krajów, tydzień po tygodniu.
Ogłoszenia w kraju, %
Dane wykresu
| Okres | USA | Wielka Brytania | Singapur |
|---|---|---|---|
| 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 |
Udział wśród ogłoszeń ze znanym krajem; wykres pokazuje pięć krajów z największą liczbą ogłoszeń w ciągu sześciu miesięcy. Tygodnie z mniej niż 20 ogłoszeniami ze znanym krajem są puste. Rosnący udział może oznaczać nowo podłączone źródło w tym kraju, a nie wzrost rynku.
Dane wykresu
| Tydzień | USA | Wielka Brytania | Singapur | Polska | Indie |
|---|---|---|---|---|---|
| 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 |
Czysty rynek: indeks zatrudnienia
Ten sam zestaw 7505 stron kariery pracodawców; liczba ogłoszeń pochodzi z samej strony. Podłączanie nowych źródeł nie rusza tego indeksu — pokazuje rynek, a nie nasz zasięg. To cały rynek panelu, a nie tylko Inżynier ML.
Indeks zatrudnienia, 16 paź = 100
Dane wykresu
| Okres | Indeks zatrudnienia |
|---|---|
| 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 |
Indeks łańcuchowy: każdego dnia porównujemy tylko strony odpytane zarówno tego dnia, jak i poprzedniego; wartości odstające i awarie odpytywania całej platformy są wykluczone. Dni bez porównywalnych par są puste.
Dane wykresu
| Dzień | Indeks zatrudnienia |
|---|---|
| 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 |
Ile jest otwartych ofert Inżynier ML i ilu pasujących specjalistów widzi Zorky.
Popyt i obserwowana podaż
Dane wykresu
| Wskaźnik | Wartość |
|---|---|
| Otwarty popyt | 2291 |
| Otwarty popyt | 2291 |
| Obserwowana podaż | — nie publikujemy |
ML Engineer — największa rola AI/ML, wzrost popytu 2026 napędzany boomem LLM/Generative AI: wdrażanie modeli bazowych, aplikacje RAG, agenci AI, produkty głosowe/multimodalne. Rosyjskie firmy produktowe — stały strumień. EPAM/Luxoft AI Practice — największy kanał outsourcingowy dla projektów AI z USA.
⚠ kandydaci pasujący do oferty nie są jeszcze liczeni: pokazujemy popyt i obserwowaną pulę
Jak rozkładają się wynagrodzenia w ofertach Inżynier ML, w dolarach USA miesięcznie.
Rozkład wynagrodzeń
Dane wykresu
| Wskaźnik | Wartość |
|---|---|
| <$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 |
- nadaje się do obliczeń: 309 (13,5%)
- podano, ale nie przeliczono na USD/mies.: 372 (16,2%)
- nie podano: 1610 (70,3%)
W co dziesiątej ofercie widełki są poniżej $5027, w co dziesiątej — powyżej $20 916. Połowa ofert proponuje od $9600 do $17 416. Próba: 309.
Dane wykresu
| Wskaźnik | Dolna granica | Górna granica | Liczba |
|---|---|---|---|
| <$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 |
W jakich krajach jest najwięcej otwartych ofert Inżynier ML.
Geografia popytu
| kraj | oferty | udział |
|---|---|---|
| Stany Zjednoczone | 882 | 45,9% |
| Wielka Brytania | 160 | 8,3% |
| Indie | 120 | 6,2% |
| Polska | 117 | 6,1% |
| Singapur | 86 | 4,5% |
| Kanada | 63 | 3,3% |
| Niemcy | 58 | 3% |
| Francja | 38 | 2% |
| Rosja | 34 | 1,8% |
| Holandia | 26 | 1,4% |
| Pozostałe kraje | 338 | 17,6% |
Liderem pod względem liczby ofert ML Engineer są USA (882 stanowisk). Polska — europejski hub przyjazny AI (Warszawa/Kraków). Niemcy — berliński klaster startupów AI.
⚠ tylko liczba ofert: wynagrodzenia według krajów nie są publikowane
Dane wykresu
| Kraj | Oferty |
|---|---|
| US | 882 |
| GB | 160 |
| IN | 120 |
| PL | 117 |
| SG | 86 |
| CA | 63 |
| DE | 58 |
| FR | 38 |
| RU | 34 |
| NL | 26 |
Jakie technologie najczęściej są wymagane w jednej ofercie razem z Inżynier ML.
Używana razem z
Udział — ile z 2291 ofert rynku Inżynier ML wymienia tę technologię. Kolejność według liczby ofert, a nie „siły powiązania”. Ogólne pojęcia, jak cloud, to nie konkretna chmura (AWS, Azure).
Najpopularniejszy stack ML Engineer 2026: Python (monopol), PyTorch / TensorFlow / JAX (dominuje PyTorch), scikit-learn + XGBoost + LightGBM + CatBoost (klasyka), pandas + NumPy + Polars (dane), Hugging Face + LangChain + LlamaIndex (LLM/NLP), sentence-transformers + Pinecone / Weaviate / Qdrant / Milvus (bazy wektorowe / RAG), MLflow + W&B + Neptune (śledzenie eksperymentów), DVC, Airflow / Prefect / Dagster, Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe + vLLM / TGI / SGLang (serwowanie LLM), ONNX, Feast / Tecton (feature stores), Ray + Spark + Dask, AWS SageMaker / GCP Vertex AI / Azure ML, Optuna, Evidently AI (drift). Dodatki dla Senior: fine-tuning LoRA / QLoRA, kwantyzacja, destylacja.
Typowe pary: 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 (trenowanie rozproszone), Feast + Spark + Snowflake. Roadmapa nauki: Python + matematyka → klasyczne ML (sklearn / XGBoost) → Deep Learning (PyTorch) → MLOps (MLflow + Docker + K8s) → specjalizacja LLM (Hugging Face + LangChain + RAG) → trenowanie rozproszone (Ray) → zarządzane ML w chmurze (SageMaker / Vertex AI).
Dane wykresu
| Nazwa | Liczba |
|---|---|
| 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 |
Ile jest ofert Inżynier ML na każdym poziomie — od junior do principal.
Popyt według poziomu
| poziom | oferty |
|---|---|
| senior | 794 |
| principal | 341 |
| junior | 102 |
| lead | 90 |
| middle | 87 |
Junior — rzadkość, typowe wejście przez Data Analyst → ML Junior lub Backend Middle → ML Junior. Ścieżka kariery: Junior (1-2 lata) → Middle (2-3 lata) → Senior → albo Staff / Principal ML Engineer (głęboko techniczny), ML Tech Lead / Engineering Manager, przejście do Research (z doktoratem), albo ML CTO/Founder w startupie AI.
⚠ tylko strona popytu: poziom większości obserwowanej puli jest nieznany
Dane wykresu
| Poziom | Liczba |
|---|---|
| senior | 794 |
| principal | 341 |
| junior | 102 |
| lead | 90 |
| middle | 87 |
Kto najwięcej zatrudnia w obszarze Inżynier ML i jak bardzo popyt skupia się u największych firm.
Pracodawcy
Popyt rozkłada się na 1312 pracodawców. Największy odpowiada za 1.7%, pierwsza dziesiątka za 8.6%; pozostałe 91.4% to długi ogon.
| udział | wartość |
|---|---|
| top-1 | 1.7% |
| top-3 | 3.9% |
| top-10 | 8.6% |
| długi ogon | 91.4% |
⚠ nazw nie pokazujemy: klasyfikator jeszcze nie odróżnia agencji rekrutacyjnych od pracodawców końcowych
Z jakich stron firm i portali Zorky zbiera oferty Inżynier ML.
Gdzie Zorky widzi ten rynek
Obserwowane w 109 źródłach; największe odpowiada za 20.7% — ten rynek nie opiera się na jednym kanale.
Oferty ML Engineer: hh.ru, Habr Career, getmatch, Djinni, LinkedIn (ogromny międzynarodowy segment AI), NoFluffJobs / JustJoin.it (Polska przyjazna AI), Telegram, strony kariery EPAM AI / Luxoft AI / Andersen AI, wyspecjalizowane portale aijobs.net + ai-jobs.net + builtin.com/jobs/ai, Y Combinator Work at a Startup, strony kariery startupów AI.
Dane wykresu
| Klasa | Nazwa | Nazwa angielska | Liczba | Udział |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS i strony kariery | 1546 | 0,6748 |
| board | джоб-борды и агрегаторы | portale pracy i agregatory | 616 | 0,2689 |
| telegram | Telegram | Telegram | 115 | 0,0502 |
| społeczność | сообщества и публичные профили | społeczność i profile publiczne | 14 | 0,0061 |
Najnowsze oferty Inżynier ML ze stron karier firm.
Najnowsze ogłoszenia
- 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
Najnowsze otwarte oferty ML Engineer — najświeższe 10 stanowisk z odpowiednią jakością opisu. Pełna lista jest w naszym CRM lub pod linkiem „zobacz wszystkie” poniżej.
Sąsiednie rynki
ML Engineer pokrywa się z Data Scientist (modelowanie statystyczne + ujęcie biznesowe), Research Engineer (nowe architektury + publikacje), MLOps Engineer (infrastruktura platformy ML), Backend Engineer (dyscyplina produkcyjna + projektowanie systemów). Porównanie z data-scientist/research/mlops — na wykresie SiblingSubnichesChart powyżej.
⚠ rynki sąsiednie do porównania nie są jeszcze określone
Jak to mierzymy
- Oferta
- otwarta oferta, która przeszła kontrolę jakości i wymienia co najmniej dwie technologie
- Obserwowany kandydat
- kandydat, którego stack zawiera tę technologię; agregat — żaden pojedynczy rekord nie opuszcza perymetru
- Kandydat do dopasowania
- jeszcze nie liczone
- Okno
- oferty otwarte w chwili tworzenia snapshotu
O danych
- Część przekrojów jest ukryta: pokrycie danymi jest jeszcze niewystarczające.
- Statystyki pokazujemy tylko tam, gdzie próba przechodzi próg jakości.
- Brak bloku nie oznacza wartości zero.
Obecnie ukryte przekroje: 8.
Kierunek: AI / ML / nauka o danych
Pokrewne specjalizacje
W ramach ML Engineer: ogólny ML Engineer (uniwersalny, recsys/NLP/CV/fraud), Applied ML Engineer (nacisk produktowy + metryki biznesowe), Senior ML Engineer (pipeline'y end-to-end + skalowanie), Staff / Principal ML Engineer (architektura platformy ML dla organizacji), ML Tech Lead (prowadzenie zespołu), ML Platform Engineer (infrastruktura dla innych zespołów ML). Porównanie z data-scientist/research/mlops — na wykresie słupkowym poniżej.
Najczęściej zadawane pytania
Najczęstsze pytania o ML Engineer: wynagrodzenie, ML Engineer vs DS vs Research vs MLOps, stack produkcyjnego pipeline'u ML (10 komponentów), czym różni się od Applied ML, praca zdalna, jak zacząć (8-14 miesięcy od Data Analyst / Backend Middle), umiejętności Senior (opanowanie LLM + MLOps + systemy rozproszone). Odpowiedzi przeliczają się automatycznie.
Ile zarabia ML Engineer Junior, Middle, Senior lub Lead?
Junior ML Engineer — rzadkość (rynek zaczyna od Data Analyst lub Backend → ML). Skok Junior → Middle — po opanowaniu pierwszego produkcyjnego pipeline'u ML end-to-end (feature engineering → trenowanie → wdrożenie → monitoring). Middle → Senior — odpowiedzialność za wiele pipeline'ów + doświadczenie z LLM/RAG + skalowanie rozproszonego trenowania + optymalizacja kosztów. Senior → Staff/Principal — architektura platformy ML, strategia ML dla wielu zespołów. Ścieżka kariery: Data Analyst (1-2 lata) → Junior ML Engineer (1-2 lata) → Middle (2-3 lata) → Senior → albo Staff ML Engineer (głęboko techniczny), ML Tech Lead (zarządzanie), przejście do Research (ścieżka z doktoratem), albo ML Founder/CTO w startupie.
Jakiego stacku najczęściej wymagają oferty ML Engineer?
5 najważniejszych: python, cloud, pytorch, llm, aws. Python to monopol (R prawie nie występuje w produkcyjnym ML 2026). Klasyczne ML: scikit-learn + XGBoost + LightGBM + CatBoost — baza, obowiązkowe dla danych tabelarycznych. Przetwarzanie danych: pandas + NumPy + Polars (nowoczesny, rosnący 2026 — 10-100× szybszy), PyArrow do danych między frameworkami. Computer Vision: OpenCV, torchvision, Detectron2, MMDetection, Ultralytics YOLO. Śledzenie eksperymentów: MLflow (standard open-source) lub Weights & Biases (UI premium) lub Neptune. Wersjonowanie danych: DVC. Orkiestracja: Airflow + Prefect + Dagster (jeden dogłębnie). Wdrażanie: biegłość w Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe (jeden dogłębnie). Inferencja między frameworkami: ONNX. Feature stores: Feast (open-source) lub Tecton (zarządzany). Obliczenia rozproszone: Spark + Ray + Dask. Zarządzany ML w chmurze: AWS SageMaker / GCP Vertex AI / Azure ML (jeden dogłębnie). Dodatki dla Senior: kwantyzacja (kwantyzacja PyTorch, bitsandbytes), destylacja, fine-tuning LoRA/QLoRA, vLLM/TGI/SGLang do serwowania LLM, Optuna do strojenia hiperparametrów.
ML Engineer vs Data Scientist vs Research vs MLOps — czym się różnią?
Data Scientist — nacisk na formułowanie problemów biznesowych + modelowanie statystyczne + testy A/B + komunikowanie wniosków. Stack: pandas + sklearn + Jupyter + SQL + Tableau/Looker. Mniej infrastruktury. Zob. Data Scientist. ML Engineer (ta strona) — nacisk na produkcyjne pipeline'y ML + wdrażanie + skalowanie. Stack jak u DS + Docker/K8s + MLflow + Airflow + zarządzane ML w chmurze. Research Engineer / Scientist — nacisk na nowe modele, publikacje, nowatorskie architektury. Często ścieżka doktorancka. Stack: PyTorch dogłębnie + JAX + infrastruktura nastawiona na eksperymenty. Zob. Research Engineer / Scientist. MLOps Engineer — nacisk na infrastrukturę platformy ML (feature stores, rejestr modeli, monitoring, observability, optymalizacja kosztów). Stack: K8s + Terraform + MLflow/Kubeflow + Prometheus/Grafana + chmura. Zob. MLOps Engineer. Przejście ML Engineer ↔ DS — 1-3 miesiące. ML Engineer ↔ MLOps — 2-4 miesiące (jeśli jest baza K8s). Ścieżka badawcza wymaga doktoratu albo 3+ lat głębokiej specjalizacji.
Jak wygląda stack produkcyjnego pipeline’u ML w 2026?
Referencyjny stack dla produkcyjnego ML 2026: 1) Pobieranie danych — Airflow/Prefect/Dagster pobiera surowe dane z systemów źródłowych (DB/Kafka/S3). 2) Feature engineering — transformacje Spark/Pandas/Polars → Feature Store (Feast lub Tecton — scentralizowane przechowywanie, poprawność point-in-time, serwowanie online+offline). 3) Eksperymenty — Jupyter + śledzenie W&B/MLflow + DVC do wersjonowania danych + Optuna do wyszukiwania hiperparametrów. 4) Trenowanie — Ray Train lub PyTorch Lightning + rozproszone (multi-GPU/multi-node), checkpointing w S3/GCS, kwantyzacja (INT8/FP16) dla kosztu inferencji. 5) Rejestr modeli — MLflow Model Registry lub SageMaker Model Registry (wersjonowanie + etapy: staging/production/archived). 6) Walidacja — testy automatyczne (dryf danych, jakość predykcji), shadow deployment, konfiguracja testów A/B. 7) Serwowanie — Triton Inference Server (NVIDIA, wiele frameworków + dynamiczne batchowanie) lub BentoML lub TorchServe lub vLLM (dla LLM). Wrapper FastAPI dla kontraktu API. 8) Wdrożenie — Kubernetes (standard produkcyjny) + Helm + ArgoCD dla GitOps. 9) Monitoring — Prometheus + Grafana (opóźnienie/przepustowość/odsetek błędów) + własne wykrywanie dryfu (Evidently AI/WhyLabs) + dashboardy kosztów. 10) Pętla zwrotna — logowanie predykcji + ground truth → wyzwalacz ponownego trenowania. Platforma ML dla całej organizacji — Kubeflow lub Metaflow lub SageMaker Pipelines. Stack specyficzny dla LLM: vLLM/TGI/SGLang do serwowania + prompt engineering (LangChain/LlamaIndex) + RAG (bazy wektorowe Pinecone/Weaviate/Qdrant) + fine-tuning przez LoRA/QLoRA + ewaluacja (RAGAS, DeepEval, własne benchmarki).
Jaki odsetek ofert dotyczy pracy zdalnej?
Wśród ofert z określonym trybem pracy 32% dotyczy pracy zdalnej. Oferty bez określonego trybu nie wchodzą do mianownika; pracy hybrydowej nie zaliczamy do zdalnej.
Czym ML Engineer różni się od Applied ML Engineer?
ML Engineer (ogólnie) — może pracować w dowolnej domenie ML (systemy rekomendacyjne, NLP, CV, wykrywanie fraudów, ranking). Stack jest uniwersalny. Applied ML Engineer — nacisk na konkretne zadanie ML w produkcie + odpowiedzialność za metryki biznesowe (CTR, konwersja, wzrost przychodu). Stack ten sam, ale dochodzi myślenie produktowe + biegłość w testach A/B + komunikacja z interesariuszami. Wynagrodzenie porównywalne (mediana), ale w firmach produktowych Applied ML na poziomie Senior zarabia zwykle nieco więcej dzięki odpowiedzialności za wpływ na biznes. ML Platform Engineer (osobna podnisza — bliżej MLOps) — buduje infrastrukturę dla innych ML Engineerów (Feature Store, infrastruktura MLflow, platforma treningowa). Wybór kariery: ML Engineer, jeśli najważniejsze są uniwersalność i przenośność, Applied ML Engineer, jeśli interesuje cię wpływ na produkt, ML Platform Engineer, jeśli infrastruktura i narzędzia. Wszystkie trzy to pełnoprawne ścieżki na poziom Senior+, żadna nie jest lepsza ani gorsza.
Od czego zacząć w ML Engineering w 2026?
Roadmapa: 1) Dogłębnie Python do poziomu Backend Middle (czysty kod, wzorce projektowe, async). Książki: „Fluent Python” Ramalho, „Effective Python” Slatkin. 2) Matematyka — algebra liniowa + analiza matematyczna + prawdopodobieństwo/statystyka na poziomie „rozumiem, co jest pod maską backpropagation”. MIT 18.06 Linear Algebra (Strang), 3Blue1Brown „Essence of Linear Algebra”. 3) Klasyczne ML — opanowanie scikit-learn + XGBoost + LightGBM. Andrew Ng „Machine Learning Specialization” (Coursera). Książka „Hands-On Machine Learning” Géron (obowiązkowa lektura 2026). 4) Deep Learning — dogłębnie PyTorch (forward/backward/optymalizatory/pętle treningowe od zera). „Deep Learning Specialization” Andrew Ng. „Deep Learning with PyTorch” Stevens. 5) Ścieżka NLP/LLM: kurs Hugging Face (za darmo) → fine-tuning małych LLM (Mistral 7B/Llama 3 8B) z LoRA/QLoRA → zbuduj aplikację RAG z LangChain + Qdrant. 6) Ścieżka Computer Vision (alternatywa): torchvision + Detectron2 + Ultralytics YOLO + trenowanie na własnym zbiorze danych. 7) Podstawy MLOps: MLflow + DVC + Airflow + Docker + Kubernetes do serwowania ML. „Designing Machine Learning Systems” Chip Huyen — obowiązkowa lektura dla produkcyjnego ML. 8) ML w chmurze: jedna z AWS SageMaker / GCP Vertex AI / Azure ML — przejdź jeden tutorial e2e. 9) Trenowanie rozproszone: Ray Train + PyTorch DDP. 10) Projekt własny: pełny system ML e2e (pipeline danych + feature store + trenowanie + śledzenie w MLflow + wdrożenie na Kubernetes + monitoring) na otwartym zbiorze danych (Kaggle). Międzynarodowe (EN): fast.ai „Practical Deep Learning”, Hugging Face NLP Course, DeepLearning.AI (Andrew Ng). Klasyczne książki: „Pattern Recognition and Machine Learning” Bishop, „The Hundred-Page Machine Learning Book” Burkov. Konferencje: NeurIPS, ICML, ICLR (publikacje — obowiązkowa lektura dla Seniora). Data Analyst lub Backend Middle → ML Engineer Junior — 8-14 miesięcy.
Ile otwartych ofert zawiera ta próba?
Opublikowana próba zawiera 2291 otwartych ofert po połączeniu ponownych publikacji. To ta sama liczba co we wskaźniku głównym. Sekcja geograficzna opisuje zasięg próby; nie jest to szacunek całego rynku.
Jakich umiejętności potrzebuje Senior ML Engineer?
Senior ML Engineer odpowiada za pełny cykl produkcyjnego ML + przywództwo techniczne. Biegłość programistyczna: Python na poziomie Senior w backendzie (czysty kod, async, profilowanie, optymalizacja pamięci). Podstawy matematyczne: algebra liniowa + analiza matematyczna + rachunek prawdopodobieństwa na poziomie „czytam publikacje bez pomijania fragmentów”. Biegłość w klasycznym ML: dogłębny feature engineering, uzasadnianie wyboru modelu, kalibracja, kompromisy metryk ewaluacji, projektowanie modeli zgodnych z biznesem. Biegłość w Deep Learningu: dogłębnie PyTorch (własne Layers/Modules/Optimizers), trenowanie rozproszone (DDP, FSDP), mixed precision, kwantyzacja (INT8/FP16), destylacja, eksport do ONNX. Biegłość w LLM (2026 — obowiązkowo dla Seniora): fine-tuning przez LoRA/QLoRA, prompt engineering, architektura RAG (bazy wektorowe Pinecone/Weaviate/Qdrant), ewaluacja (RAGAS, DeepEval), vLLM/TGI/SGLang do serwowania. MLOps: biegłość w MLflow / W&B, DVC, Airflow / Prefect / Dagster, Feature Stores (Feast / Tecton), biegłość w Docker + Kubernetes do serwowania ML, Helm + ArgoCD. ML w chmurze: jedno z AWS SageMaker / GCP Vertex AI / Azure ML dogłębnie. Obliczenia rozproszone: biegłość w Ray + Spark. Monitoring: integracja Prometheus + Grafana + Evidently AI (wykrywanie dryfu). Optymalizacja kosztów: wykorzystanie GPU, dobór rozmiaru batcha, kwantyzacja modeli, strategie cache. Projektowanie systemów ML: projektowanie systemów ML na tablicy w skali 100M+ użytkowników (systemy rekomendacyjne / fraud / ranking / chatbot). Kompetencje miękkie: czytanie publikacji (NeurIPS / ICML / ICLR), pisanie techniczne (ADR, dokumenty projektowe), code review dla wielu zespołów, mentoring ML Engineerów na poziomie Middle, komunikacja z zespołami produktu/danych/backendu, projektowanie testów A/B + analiza statystyczna. Angielski dla Senior+ OBOWIĄZKOWO — społeczność ML/AI i publikacje są po angielsku. Bonus: wkład open source (PyTorch / Hugging Face / LangChain) — znacząco podnosi wartość rynkową.
Zostaw zgłoszenie
Opisz zadanie i zostaw kontakt — zgłoszenie trafi do naszego CRM, a odpowiemy na podany kontakt.