Engenheiro de ML: mercado
Dados de 19 de novembro de 2026: vagas abertas de Engenheiro de ML — 2.291, 32% remotas entre as vagas que informam o modelo de trabalho; salário mediano anunciado $13.666/mês (de 309 vagas que informam salário). Fonte: Zorky, atualizado diariamente.
ML Engineer — o maior cargo dentro da área de IA/ML/DS (o maior pool entre os subnichos de ML). ML em produção — pega um modelo (próprio ou de um Data Scientist) e o leva até um serviço em produção com SLA estável. Família de cargos: ML Engineer (geral — feature engineering + treinamento + deploy), Senior ML Engineer (pipelines de ML ponta a ponta + escalabilidade), Staff ML Engineer/Principal ML Engineer (arquitetura da plataforma de ML para toda a organização), ML Tech Lead (liderança do time + decisões de infraestrutura de ML), Applied ML Engineer (ML de produto focado em métricas de negócio). Stack: Python (monopólio), PyTorch/TensorFlow/JAX (deep learning — PyTorch domina 2026), scikit-learn+XGBoost+LightGBM+CatBoost (ML clássico — obrigatório), pandas+NumPy+Polars (manipulação de dados), Hugging Face Transformers+LangChain+LlamaIndex (LLM/NLP), MLflow+Weights & Biases+Neptune (rastreamento de experimentos), DVC (versionamento de dados), Airflow/Prefect/Dagster (orquestração), Docker+Kubernetes (deploy), FastAPI+Triton Inference Server+BentoML+TorchServe (serving de modelos), ONNX (inferência entre frameworks), Feast/Tecton (feature stores), Spark+Ray+Dask (computação distribuída), AWS SageMaker/GCP Vertex AI/Azure ML (gerenciados na nuvem). Stack principal: python, cloud, pytorch, llm, aws. Entre as vagas com modalidade de trabalho informada, 32% são remotas.
Dados em:
Os principais números do mercado de Engenheiro de ML: vagas abertas, salário mediano, grupo de especialistas observado e parcela de remoto.
O mercado de Engenheiro de ML tem agora 2.291 vagas abertas, 2.024 delas observadas recentemente. Median salary $13.666/mo.
Entre as vagas com modalidade de trabalho informada, 32% são remotas. O trabalho com ML é baseado em nuvem (treinamento em GPUs na nuvem, serving em K8s). Empresas de outsourcing (EPAM AI / Luxoft AI) — quase sempre remoto. Bancos russos (ML bancário do Sber AI) — híbrido/escritório por compliance. Empresas de IA internacionais — totalmente remoto como padrão.
⚠ salário conhecido para 309 de 2291 vagas; participação de remoto a partir de 1926 com formato informado; 2024 contadas como observações recentes; tendência e dificuldade de contratação não são mostradas
Linha do tempo: vagas e fontes
Quantas vagas de Engenheiro de ML apareceram a cada semana desde 1 de jun. e de quantas fontes. O gráfico inferior separa o crescimento do mercado do crescimento da nossa cobertura: um salto na semana em que novas fontes foram conectadas significa que passamos a ver mais, não que o mercado cresceu.
Novas vagas por semana
Dados do gráfico
| Período | Novas vagas por semana |
|---|---|
| 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 |
Fontes ativas por semana
Fontes no período: 217. ▲ — semana em que muitas fontes novas foram conectadas.
Dados do gráfico
| Período | Fontes ativas |
|---|---|
| 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 |
Novas fontes conectadas: 29 de jun. +30 · 6 de jul. +18 · 13 de jul. +18 · todas as semanas (23) na tabela
| Semana | Fontes novas | Vagas novas |
|---|---|---|
| 8 de jun. | +11 | 142 |
| 15 de jun. | +2 | 77 |
| 22 de jun. | +15 | 175 |
| 29 de jun. | +30 | 332 |
| 6 de jul. | +18 | 286 |
| 13 de jul. | +18 | 353 |
| 20 de jul. | +11 | 283 |
| 27 de jul. | +8 | 170 |
| 3 de ago. | +2 | 215 |
| 10 de ago. | +7 | 128 |
| 17 de ago. | +2 | 115 |
| 24 de ago. | +5 | 132 |
| 31 de ago. | +9 | 115 |
| 7 de set. | +4 | 127 |
| 14 de set. | +4 | 186 |
| 21 de set. | +10 | 612 |
| 28 de set. | +3 | 370 |
| 5 de out. | +10 | 373 |
| 12 de out. | +3 | 794 |
| 19 de out. | +9 | 492 |
| 26 de out. | +4 | 519 |
| 2 de nov. | +5 | 406 |
| 9 de nov. | +10 | 463 |
A semana atual ainda não terminou e não é exibida: uma semana incompleta pareceria uma queda.
Semana = data em que a vaga foi vista pela primeira vez, todos os status; as vagas são selecionadas pela mesma regra do contador desta página. Fontes são canais de coleta distintos; seus nomes não são publicados.
Dados do gráfico
| Semana | Novas vagas por semana | Fontes ativas |
|---|---|---|
| 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 |
Os salários ao longo do tempo
Salário mediano de Engenheiro de ML por semana, USD por mês.
Salário mediano, USD por mês
Dados do gráfico
| Período | Mediana | Vagas com salário por semana (n) |
|---|---|---|
| 2026-09-21 | 12.545 | 16 |
| 2026-09-28 | 10.238 | 28 |
| 2026-10-05 | 9.457 | 39 |
| 2026-10-12 | 9.805 | 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 |
A série começa em 21 de set.: antes disso não há dados.
Apenas vagas com salário em USD e período conhecido (mês ou ano), de US$ 500 a US$ 50.000 por mês. Semanas com menos de 10 vagas assim ficam em branco — isso significa sem dados, não zero.
Dados do gráfico
| Semana | 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 | 9.457 |
| 2026-10-12 | 9.805 |
| 2026-10-19 | 13.919 |
| 2026-10-26 | 13.134 |
| 2026-11-02 | 13.750 |
| 2026-11-09 | 12.929 |
O trabalho remoto ao longo do tempo
Proporção de vagas de Engenheiro de ML com trabalho totalmente remoto, por semana.
Vagas remotas, %
Dados do gráfico
| Período | 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 |
A proporção é calculada entre as vagas que informam o formato (remoto, híbrido, escritório). Semanas com menos de 10 vagas assim ficam em branco.
Dados do gráfico
| Semana | 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 |
As tecnologias ao longo do tempo
Como mudou a proporção de vagas de Engenheiro de ML que mencionam cada uma das principais tecnologias.
Vagas que mencionam a tecnologia, %
Dados do gráfico
| Período | 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 |
Proporção entre as vagas com stack marcado; a série começa em 10 de ago.: antes as tags de stack eram atribuídas de outra forma. Semanas com menos de 20 vagas marcadas ficam em branco.
Dados do gráfico
| Semana | 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 |
Países ao longo do tempo
Como mudou, por semana, a proporção de vagas de Engenheiro de ML em cada um dos principais países.
Vagas no país, %
Dados do gráfico
| Período | EUA | Reino Unido | Singapura |
|---|---|---|---|
| 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 |
Proporção entre as vagas com país conhecido; o gráfico mostra os cinco países com mais vagas em seis meses. Semanas com menos de 20 vagas com país conhecido ficam em branco. Uma proporção em alta pode indicar uma fonte recém-conectada naquele país, e não crescimento do mercado.
Dados do gráfico
| Semana | EUA | Reino Unido | Singapura | Polônia | Índia |
|---|---|---|---|---|---|
| 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 |
Mercado limpo: índice de contratação
Os mesmos 7.505 sites de carreira de empregadores; o número de vagas vem do próprio site. Conectar novas fontes não move este índice — ele mostra o mercado, não a nossa cobertura. É todo o mercado do painel, não apenas Engenheiro de ML.
Índice de contratação, 16 de out. = 100
Dados do gráfico
| Período | Índice de contratação |
|---|---|
| 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 |
Índice encadeado: cada dia compara apenas os sites consultados naquele dia e no anterior; valores discrepantes e falhas de consulta de uma plataforma inteira são excluídos. Dias sem pares comparáveis ficam em branco.
Dados do gráfico
| Dia | Índice de contratação |
|---|---|
| 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 |
Quantas vagas abertas de Engenheiro de ML existem e quantos especialistas compatíveis o Zorky observa.
Demanda e oferta observada
Dados do gráfico
| Indicador | Valor |
|---|---|
| Demanda aberta | 2.291 |
| Demanda aberta | 2.291 |
| Oferta observada | — não publicado |
ML Engineer — o maior cargo de IA/ML, crescimento da demanda 2026 impulsionado pelo boom de LLM/IA Generativa: implantação de Foundation Models, aplicações de RAG, agentes de IA, produtos de voz/multimodais. Empresas de produto russas — fluxo estável. A AI Practice da EPAM/Luxoft — o maior canal de outsourcing para projetos de IA dos EUA.
⚠ candidatos compatíveis com uma vaga ainda não são contados: são mostrados a demanda e o pool observado
Como se distribuem os salários nas vagas de Engenheiro de ML, em dólares americanos por mês.
Distribuição de salários
Dados do gráfico
| Indicador | Valor |
|---|---|
| <$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 |
- utilizável no cálculo: 309 (13,5%)
- informado, mas não convertido para USD/mês: 372 (16,2%)
- não informado: 1.610 (70,3%)
Uma em cada dez vagas oferece menos de $5.027, uma em cada dez mais de $20.916. Metade das vagas oferece entre $9.600 e $17.416. Amostra: 309.
Dados do gráfico
| Indicador | Limite inferior | Limite superior | Quantidade |
|---|---|---|---|
| <$1k | 0 | 1.000 | 4 |
| $1–2k | 1.000 | 2.000 | 2 |
| $2–3k | 2.000 | 3.000 | 7 |
| $3–4k | 3.000 | 4.000 | 7 |
| $4–5k | 4.000 | 5.000 | 9 |
| $5–6k | 5.000 | 6.000 | 14 |
| $6–7k | 6.000 | 7.000 | 11 |
| $7–8k | 7.000 | 8.000 | 4 |
| $8–9k | 8.000 | 9.000 | 9 |
| $9–10k | 9.000 | 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 |
Em quais países há mais vagas abertas de Engenheiro de ML.
Geografia da demanda
| país | vagas | proporção |
|---|---|---|
| Estados Unidos | 882 | 45,9% |
| Reino Unido | 160 | 8,3% |
| Índia | 120 | 6,2% |
| Polônia | 117 | 6,1% |
| Singapura | 86 | 4,5% |
| Canadá | 63 | 3,3% |
| Alemanha | 58 | 3% |
| França | 38 | 2% |
| Rússia | 34 | 1,8% |
| Países Baixos | 26 | 1,4% |
| Outros países | 338 | 17,6% |
O líder em número de vagas de ML Engineer é os EUA (882 vagas). A Polônia — hub da UE amigável a IA (Varsóvia/Cracóvia). A Alemanha — cluster de startups de IA de Berlim.
⚠ apenas número de vagas: o salário por país não é publicado
Dados do gráfico
| País | Vagas |
|---|---|
| US | 882 |
| GB | 160 |
| IN | 120 |
| PL | 117 |
| SG | 86 |
| CA | 63 |
| DE | 58 |
| FR | 38 |
| RU | 34 |
| NL | 26 |
Quais tecnologias são mais pedidas na mesma vaga que Engenheiro de ML.
Usada junto com
Participação: quantas das 2.291 vagas do mercado Engenheiro de ML mencionam esta tecnologia. Ordenado pelo número de vagas, não pela “força da associação”. Termos genéricos como cloud não são uma nuvem específica (AWS, Azure).
Top stack de ML Engineer 2026: Python (monopólio), PyTorch / TensorFlow / JAX (PyTorch domina), scikit-learn + XGBoost + LightGBM + CatBoost (clássico), pandas + NumPy + Polars (dados), Hugging Face + LangChain + LlamaIndex (LLM/NLP), sentence-transformers + Pinecone / Weaviate / Qdrant / Milvus (bancos vetoriais / RAG), MLflow + W&B + Neptune (tracking de experimentos), DVC, Airflow / Prefect / Dagster, Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe + vLLM / TGI / SGLang (serving de LLM), ONNX, Feast / Tecton (feature stores), Ray + Spark + Dask, AWS SageMaker / GCP Vertex AI / Azure ML, Optuna, Evidently AI (drift). Add-ons de Senior: fine-tuning LoRA / QLoRA, quantização, destilação.
Pares comuns: 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 (treinamento distribuído), Feast + Spark + Snowflake. Roadmap de aprendizado: Python + matemática → ML clássico (sklearn / XGBoost) → Deep Learning (PyTorch) → MLOps (MLflow + Docker + K8s) → especialização em LLM (Hugging Face + LangChain + RAG) → treinamento distribuído (Ray) → ML gerenciado em nuvem (SageMaker / Vertex AI).
Dados do gráfico
| Nome | Quantidade |
|---|---|
| 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 |
Quantas vagas de Engenheiro de ML há em cada nível, de júnior a principal.
Demanda por nível
| nível | vagas |
|---|---|
| senior | 794 |
| principal | 341 |
| junior | 102 |
| lead | 90 |
| middle | 87 |
Júnior — raro, entrada típica via Data Analyst → ML Júnior ou Backend Pleno → ML Júnior. Fluxo de carreira: Júnior (1-2 anos) → Pleno (2-3 anos) → Sênior → ou Staff / Principal ML Engineer (técnico profundo), ML Tech Lead / Engineering Manager, um movimento para Research (com PhD), ou ML CTO/Founder numa startup de IA.
⚠ apenas o lado da demanda: a senioridade do pool observado é desconhecida na maior parte
Dados do gráfico
| Nível | Quantidade |
|---|---|
| senior | 794 |
| principal | 341 |
| junior | 102 |
| lead | 90 |
| middle | 87 |
Quem mais contrata em Engenheiro de ML e quanto a demanda se concentra nas maiores empresas.
Empregadores
A demanda está distribuída entre 1.312 empregadores. O maior responde por 1.7%, os dez primeiros por 8.6%; os 91.4% restantes são cauda longa.
| proporção | valor |
|---|---|
| top 1 | 1.7% |
| top 3 | 3.9% |
| top 10 | 8.6% |
| cauda longa | 91.4% |
⚠ os nomes não são mostrados: o classificador ainda não distingue agências de recrutamento de empregadores finais
De quais sites de empresas e portais de vagas o Zorky coleta as vagas de Engenheiro de ML.
Onde o Zorky vê este mercado
Observado em 109 fontes; a maior responde por 20.7%: este mercado não depende de um único canal.
Vagas de ML Engineer: hh.ru, Habr Career, getmatch, Djinni, LinkedIn (enorme segmento internacional de IA), NoFluffJobs / JustJoin.it (Polônia amigável a IA), Telegram, páginas de carreira de EPAM AI / Luxoft AI / Andersen AI, boards especializados aijobs.net + ai-jobs.net + builtin.com/jobs/ai, Y Combinator Work at a Startup, páginas de carreira de startups de IA.
Dados do gráfico
| Classe | Nome | Nome em inglês | Quantidade | Proporção |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS e sites de carreira | 1.546 | 0,6748 |
| board | джоб-борды и агрегаторы | sites de vagas e agregadores | 616 | 0,2689 |
| telegram | Telegram | Telegram | 115 | 0,0502 |
| comunidade | сообщества и публичные профили | comunidade e perfis públicos | 14 | 0,0061 |
As vagas de Engenheiro de ML mais recentes dos sites de carreira das empresas.
Vagas recentes
- 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
Vagas de ML Engineer abertas mais recentes — as 10 posições mais recentes com qualidade de descrição adequada. A lista completa está no nosso CRM ou pelo link "ver todas" abaixo.
Mercados adjacentes
O ML Engineer se sobrepõe a Data Scientist (modelagem estatística + enquadramento de negócio), Research Engineer (arquiteturas inéditas + papers), MLOps Engineer (infraestrutura de plataforma de ML), Backend Engineer (disciplina de produção + design de sistemas). A comparação com data-scientist/research/mlops — no SiblingSubnichesChart acima.
⚠ mercados adjacentes para comparação ainda não foram definidos
Como é medido
- Vaga
- uma vaga aberta que passou pelo filtro de qualidade e lista pelo menos duas tecnologias
- Candidato observado
- um candidato cujo stack contém esta tecnologia; um agregado — nenhum registro individual sai do perímetro
- Candidato compatível
- ainda não contado
- Janela
- vagas abertas no momento em que o snapshot foi gerado
Sobre os dados
- Alguns detalhamentos estão ocultos: a cobertura de dados deles ainda não é suficiente.
- As estatísticas só aparecem onde a amostra passa por um controle de qualidade.
- A ausência de um bloco não significa valor zero.
Detalhamentos ocultos no momento: 8.
Área: IA / ML / Data Science
Especializações relacionadas
Dentro de ML Engineer: ML Engineer geral (universal, recsys/NLP/CV/fraude), Applied ML Engineer (foco em produto + métricas de negócio), Senior ML Engineer (pipelines de ponta a ponta + escalonamento), Staff / Principal ML Engineer (arquitetura de plataforma de ML para a organização), ML Tech Lead (liderança de time), ML Platform Engineer (infraestrutura para outros times de ML). A comparação com data-scientist/research/mlops — na barra abaixo.
Perguntas frequentes
As perguntas mais comuns sobre ML Engineer: pagamento, ML Engineer vs DS vs Research vs MLOps, stack de pipeline de ML em produção (10 componentes), como difere de Applied ML, remoto, como começar (8-14 meses a partir de Data Analyst / Backend Middle), skills de Senior (domínio de LLM + MLOps + distribuído). As respostas se recalculam automaticamente.
Quanto ganha um ML Engineer Júnior, Pleno, Sênior ou Lead?
Junior ML Engineer — raro (o mercado começa com Data Analyst ou Backend → ML). O salto Júnior → Pleno — depois de dominar o primeiro pipeline de ML em produção de ponta a ponta (feature engineering → treinamento → deploy → monitoramento). Pleno → Sênior — propriedade multi-pipeline + experiência com LLM/RAG + escalonamento de treinamento distribuído + otimização de custo. Sênior → Staff/Principal — arquitetura de plataforma de ML, estratégia de ML multi-time. Fluxo de carreira: Data Analyst (1-2 anos) → Junior ML Engineer (1-2 anos) → Pleno (2-3 anos) → Sênior → ou Staff ML Engineer (técnico profundo), ML Tech Lead (gestão), um movimento para Research (trilha de PhD), ou ML Founder/CTO numa startup.
De qual stack um ML Engineer mais precisa?
Top 5: python, cloud, pytorch, llm, aws. Python é o monopólio (R quase não aparece em ML de produção 2026). ML clássico: scikit-learn + XGBoost + LightGBM + CatBoost — base, obrigatório para dados tabulares. Manipulação de dados: pandas + NumPy + Polars (moderno, em ascensão 2026 — 10-100× mais rápido), PyArrow para dados cross-framework. Computer Vision: OpenCV, torchvision, Detectron2, MMDetection, Ultralytics YOLO. Experiment tracking: MLflow (padrão open-source) ou Weights & Biases (UI premium) ou Neptune. Data version control: DVC. Orquestração: Airflow + Prefect + Dagster (um a fundo). Deployment: domínio de Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe (um a fundo). Inferência cross-framework: ONNX. Feature stores: Feast (open-source) ou Tecton (gerenciado). Compute distribuído: Spark + Ray + Dask. ML cloud-managed: AWS SageMaker / GCP Vertex AI / Azure ML (um a fundo). Extras de Senior: quantization (quantização do PyTorch, bitsandbytes), distillation, fine-tuning LoRA/QLoRA, vLLM/TGI/SGLang para LLM serving, Optuna para hyperparameter tuning.
ML Engineer vs Data Scientist vs Research vs MLOps — qual é a diferença?
Data Scientist — foco na formulação de problemas de negócio + modelagem estatística + testes A/B + comunicação de insights. Stack: pandas + sklearn + Jupyter + SQL + Tableau/Looker. Menos carregado de infraestrutura. Veja Data Scientist. ML Engineer (esta página) — foco em pipelines de ML em produção + implantação + escalabilidade. Stack como o de DS + Docker/K8s + MLflow + Airflow + ML gerenciado na nuvem. Research Engineer / Scientist — foco em novos modelos, papers, arquiteturas inéditas. Muitas vezes trilha de PhD. Stack: PyTorch a fundo + JAX + infraestrutura intensa em experimentos. Veja Research Engineer / Scientist. MLOps Engineer — foco na infraestrutura da plataforma de ML (feature stores, model registry, monitoramento, observabilidade, otimização de custos). Stack: K8s + Terraform + MLflow/Kubeflow + Prometheus/Grafana + nuvem. Veja MLOps Engineer. Mudança de carreira ML Engineer ↔ DS — 1-3 meses. ML Engineer ↔ MLOps — 2-4 meses (se houver base de K8s). O caminho de pesquisa exige PhD ou 3+ anos de especialização profunda.
Como é o stack do pipeline de ML em produção em 2026?
Stack para ML em produção de referência 2026: 1) Ingestão de dados — Airflow/Prefect/Dagster puxa dados brutos dos sistemas de origem (DB/Kafka/S3). 2) Feature engineering — Spark/Pandas/Polars transforma → Feature Store (Feast ou Tecton — armazenamento centralizado, correção point-in-time, serving online+offline). 3) Experimentação — Jupyter + tracking W&B/MLflow + DVC para versionamento de dados + Optuna para busca de hiperparâmetros. 4) Treinamento — Ray Train ou PyTorch Lightning + distribuído (multi-GPU/multi-node), checkpointing em S3/GCS, quantização (INT8/FP16) para custo de inferência. 5) Model registry — MLflow Model Registry ou SageMaker Model Registry (versionamento + estágios: staging/production/archived). 6) Validação — testes automatizados (data drift, qualidade de predição), shadow deployment, configuração de teste A/B. 7) Serving — Triton Inference Server (NVIDIA, multi-framework + dynamic batching) ou BentoML ou TorchServe ou vLLM (para LLM). Wrapper FastAPI para o contrato de API. 8) Deployment — Kubernetes (padrão de produção) + Helm + ArgoCD para GitOps. 9) Monitoramento — Prometheus + Grafana (latência/throughput/taxa de erro) + detecção de drift customizada (Evidently AI/WhyLabs) + dashboards de custo. 10) Loop de feedback — logar predições + ground truth → gatilho de retreinamento. Plataforma de ML para toda a organização — Kubeflow ou Metaflow ou SageMaker Pipelines. Stack específica de LLM: vLLM/TGI/SGLang para serving + prompt engineering (LangChain/LlamaIndex) + RAG (vector DBs Pinecone/Weaviate/Qdrant) + fine-tuning via LoRA/QLoRA + avaliação (RAGAS, DeepEval, benchmarks customizados).
Qual é a proporção de vagas remotas?
Entre as vagas com modalidade de trabalho informada, 32% são remotas. Vagas sem modalidade informada são excluídas do denominador; trabalho híbrido não é contado como remoto.
Em que o ML Engineer difere do Applied ML Engineer?
ML Engineer (geral) — pode atuar em qualquer domínio de ML (recsys, NLP, CV, detecção de fraude, ranqueamento). O stack é universal. Applied ML Engineer — foco em uma tarefa específica de ML do produto + responsabilidade por métricas de negócio (CTR, conversão, aumento de receita). O stack é o mesmo, mas soma-se pensamento de produto + domínio de testes A/B + comunicação com stakeholders. Remuneração comparável (mediana), mas em empresas de produto o Applied ML costuma ser um pouco mais alto no nível Sênior graças à responsabilidade pelo impacto no negócio. ML Platform Engineer (um subnicho separado — mais próximo de MLOps) — constrói infraestrutura para outros ML Engineers (Feature Store, infraestrutura de MLflow, plataforma de treinamento). Escolha de carreira: ML Engineer se universalidade e portabilidade importam mais, Applied ML Engineer se o impacto no produto é o que interessa, ML Platform Engineer se infraestrutura e ferramentas. Os três são caminhos legítimos para Sênior+, nenhum é melhor ou pior.
Por onde começar em ML Engineering em 2026?
Roadmap: 1) Python a fundo até o nível Backend Middle (clean code, design patterns, async). Livros: "Fluent Python" Ramalho, "Effective Python" Slatkin. 2) Matemática — álgebra linear + cálculo + probabilidade/estatística no nível de "entender o que está por trás do backprop". MIT 18.06 Linear Algebra (Strang), 3Blue1Brown "Essence of Linear Algebra". 3) ML clássico — domínio de scikit-learn + XGBoost + LightGBM. Andrew Ng "Machine Learning Specialization" (Coursera). Livro "Hands-On Machine Learning" Géron (leitura obrigatória 2026). 4) Deep Learning — PyTorch a fundo (forward/backward/optimizers/training loops do zero). "Deep Learning Specialization" Andrew Ng. "Deep Learning with PyTorch" Stevens. 5) Track NLP/LLM: curso da Hugging Face (gratuito) → fine-tuning de LLMs pequenos (Mistral 7B/Llama 3 8B) com LoRA/QLoRA → construa uma aplicação RAG com LangChain + Qdrant. 6) Track de Computer Vision (alternativa): torchvision + Detectron2 + Ultralytics YOLO + treinamento com dataset customizado. 7) Noções de MLOps: MLflow + DVC + Airflow + Docker + Kubernetes para serving de ML. "Designing Machine Learning Systems" Chip Huyen — leitura obrigatória para ML em produção. 8) ML em cloud: um de AWS SageMaker / GCP Vertex AI / Azure ML — faça um tutorial e2e. 9) Treinamento distribuído: Ray Train + PyTorch DDP. 10) Pet project: sistema de ML e2e completo (pipeline de dados + feature store + treinamento + tracking MLflow + deployment em Kubernetes + monitoramento) em um dataset aberto (Kaggle). Internacional (EN): fast.ai "Practical Deep Learning", Hugging Face NLP Course, DeepLearning.AI (Andrew Ng). Livros clássicos: "Pattern Recognition and Machine Learning" Bishop, "The Hundred-Page Machine Learning Book" Burkov. Conferências: NeurIPS, ICML, ICLR (papers — leitura obrigatória para Senior). Data Analyst ou Backend Middle → ML Engineer Junior — 8-14 meses.
Quantas vagas abertas estão nesta amostra?
A amostra publicada contém 2291 vagas abertas após agrupar republicações. É o mesmo número do indicador principal. A seção geográfica descreve a cobertura da amostra; não é uma estimativa de todo o mercado.
De quais skills um Senior ML Engineer precisa?
Um ML Engineer Sênior é dono do ciclo completo de ML em produção + liderança técnica. Domínio de programação: Python no nível de Backend Sênior (código limpo, async, profiling, otimização de memória). Fundamentos matemáticos: álgebra linear + cálculo + probabilidade no nível de "ler artigos sem travar". Domínio de ML clássico: feature engineering profunda, justificativa da escolha de modelos, calibração, trade-offs entre métricas de avaliação, design de modelos alinhado ao negócio. Domínio de Deep Learning: PyTorch a fundo (Layers/Modules/Optimizers personalizados), treinamento distribuído (DDP, FSDP), precisão mista, quantização (INT8/FP16), destilação, exportação para ONNX. Domínio de LLMs (2026 obrigatório para Sênior): fine-tuning via LoRA/QLoRA, engenharia de prompts, arquitetura RAG (bancos vetoriais Pinecone/Weaviate/Qdrant), avaliação (RAGAS, DeepEval), vLLM/TGI/SGLang para serving. MLOps: domínio de MLflow / W&B, DVC, Airflow / Prefect / Dagster, Feature Stores (Feast / Tecton), domínio de Docker + Kubernetes para serving de ML, Helm + ArgoCD. ML em nuvem: uma entre AWS SageMaker / GCP Vertex AI / Azure ML a fundo. Computação distribuída: domínio de Ray + Spark. Monitoramento: integração de Prometheus + Grafana + Evidently AI (detecção de drift). Otimização de custos: utilização de GPU, dimensionamento de lotes, quantização de modelos, estratégias de cache. System design para ML: projetar sistemas de ML no quadro branco na escala de 100M+ usuários (sistemas de recomendação / antifraude / ranqueamento / chatbot). Soft skills: leitura de artigos (NeurIPS / ICML / ICLR), redação técnica (ADRs, documentos de design), code review para vários times, mentoria de ML Engineers Pleno, comunicação com times de produto/dados/backend, design de testes A/B + análise estatística. Inglês para Sênior+ OBRIGATÓRIO — a comunidade e os artigos de ML/IA são em inglês. Bônus: contribuições open-source (PyTorch / Hugging Face / LangChain) — aumentam muito o valor de mercado.
Deixar uma solicitação
Descreva a tarefa e deixe um contato: a solicitação chega ao nosso CRM e respondemos no contato informado.