Usamos cookies técnicos e o registro de visitas anonimizado do Zorky. O Yandex Metrica (dados armazenados em servidores na Rússia) só funciona com o seu consentimento. Nunca vendemos dados. Mais sobre cookies e estatísticas.
O Zorky está em modo de teste — tudo é gratuito. As vagas e as páginas das empresas são abertas a todos; os links dos anúncios e sua seleção pessoal abrem após o cadastro. Cadastre-se →

MLOps: mercado

Dados de 19 de novembro de 2026: vagas abertas de MLOps — 354, 31% remotas entre as vagas que informam o modelo de trabalho; salário mediano anunciado $8.315/mês (de 41 vagas que informam salário). Fonte: Zorky, atualizado diariamente.

MLOps Engineer — infraestrutura para times de ML/IA. Na interseção de DevOps + ML Engineering + Platform Engineering. Constrói e opera a plataforma de ML para outros times de DS / ML Engineer / Pesquisa: feature stores, model registry, infraestrutura de treinamento, stack de serving, monitoramento, otimização de custos. Família de cargos: MLOps Engineer (pleno — infra para um único time de produto), Senior MLOps Engineer (plataforma para vários times + otimização de custos + escalabilidade), ML Platform Engineer (constrói uma plataforma reutilizável para toda a organização — Feature Store / Model Registry / Training Platform), Staff / Principal MLOps (arquitetura da plataforma de ML para uma organização com vários produtos), MLOps Tech Lead (liderança do time + estratégia da plataforma + integração com DevOps / SRE). Stack: Python (principal), domínio de Docker+Kubernetes (serving de ML em produção), Helm+Kustomize+ArgoCD (GitOps), Terraform/Pulumi/CloudFormation (infraestrutura como código para recursos de ML gerenciados na nuvem), MLflow (model registry + rastreamento — padrão open-source), Kubeflow+Kubeflow Pipelines (orquestração de ML nativa do K8s), Airflow/Prefect/Dagster (pipelines de dados + ML), Feast/Tecton (feature stores), Triton Inference Server+BentoML+TorchServe+vLLM/TGI/SGLang (serving de modelos — específico para LLM), Prometheus+Grafana+Loki (observabilidade), Evidently AI/WhyLabs/Arize AI/Fiddler (monitoramento de ML + detecção de drift), DVC+LakeFS (versionamento de dados), AWS SageMaker/GCP Vertex AI/Azure ML/Databricks/Domino Data Lab (ML gerenciado na nuvem), Spark+Ray (plataformas de computação distribuída), FluxCD+Tekton (CI/CD para pipelines de ML), OpenTelemetry (tracing). Stack principal: mlops, ci/cd, cloud, aws, python. Entre as vagas com modalidade de trabalho informada, 31% são remotas.

Dados em:

Os principais números do mercado de MLOps: vagas abertas, salário mediano, grupo de especialistas observado e parcela de remoto.

354
vagas abertas — por cargo, republicações mescladas
$8.315
mediana $/mês
31%
remoto

O mercado de MLOps tem agora 354 vagas abertas, 304 delas observadas recentemente. Median salary $8.315/mo.

Entre as vagas com modalidade de trabalho informada, 31% são remotas. O trabalho de MLOps é baseado em nuvem como padrão. Empresas de outsourcing (EPAM AI Platform / Luxoft AI) — quase sempre remoto. Bancos russos (Sber AI bancário / VTB) — híbrido/escritório por compliance de segurança. Empresas internacionais de plataformas de ML — totalmente remoto como padrão. ML Platform nas Big Techs — híbrido como padrão.

⚠ salário conhecido para 41 de 354 vagas; participação de remoto a partir de 290 com formato informado; 304 contadas como observações recentes; tendência e dificuldade de contratação não são mostradas

Linha do tempo: vagas e fontes

Quantas vagas de MLOps 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
Novas vagas por semana. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoNovas vagas por semana
2026-06-0125
2026-06-0818
2026-06-1512
2026-06-2256
2026-06-2938
2026-07-0644
2026-07-1367
2026-07-2044
2026-07-2724
2026-08-0325
2026-08-1029
2026-08-1720
2026-08-2424
2026-08-3130
2026-09-0724
2026-09-1434
2026-09-2153
2026-09-2859
2026-10-0556
2026-10-12151
2026-10-1954
2026-10-2670
2026-11-0285
2026-11-0973

Fontes ativas por semana

Fontes no período: 124. ▲ — semana em que muitas fontes novas foram conectadas.

Dados do gráfico
Fontes ativas por semana. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoFontes ativas
2026-06-0111
2026-06-088
2026-06-155
2026-06-2211
2026-06-2923
2026-07-0619
2026-07-1328
2026-07-2014
2026-07-2714
2026-08-0319
2026-08-1018
2026-08-1715
2026-08-2412
2026-08-3120
2026-09-0714
2026-09-1418
2026-09-2124
2026-09-2823
2026-10-0522
2026-10-1232
2026-10-1927
2026-10-2629
2026-11-0236
2026-11-0941
Novas fontes conectadas: 29 de jun. +14 · 6 de jul. +8 · 13 de jul. +15 · 9 de nov. +14 · todas as semanas (23) na tabela
SemanaFontes novasVagas novas
8 de jun.+318
15 de jun.+112
22 de jun.+556
29 de jun.+1438
6 de jul.+844
13 de jul.+1567
20 de jul.+544
27 de jul.+324
3 de ago.+325
10 de ago.+429
17 de ago.+620
24 de ago.+124
31 de ago.+430
7 de set.+224
14 de set.+334
21 de set.+553
28 de set.+159
5 de out.+256
12 de out.+5151
19 de out.+254
26 de out.+370
2 de nov.+485
9 de nov.+1473

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
Linha do tempo: vagas e fontes — MLOps. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaNovas vagas por semanaFontes ativas
2026-06-012511
2026-06-08188
2026-06-15125
2026-06-225611
2026-06-293823
2026-07-064419
2026-07-136728
2026-07-204414
2026-07-272414
2026-08-032519
2026-08-102918
2026-08-172015
2026-08-242412
2026-08-313020
2026-09-072414
2026-09-143418
2026-09-215324
2026-09-285923
2026-10-055622
2026-10-1215132
2026-10-195427
2026-10-267029
2026-11-028536
2026-11-097341

Os salários ao longo do tempo

Salário mediano de MLOps por semana, USD por mês.

Salário mediano, USD por mês

Dados do gráfico
Salário mediano, USD por mês. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoMedianaVagas com salário por semana (n)
2026-10-199.55012
2026-10-269.45716
2026-11-027.75013
2026-11-09—7

A série começa em 19 de out.: antes disso não há dados.

Vagas com salário por semana (n)

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
Os salários ao longo do tempo — MLOps. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaMediana
2026-06-01—
2026-06-08—
2026-06-15—
2026-06-22—
2026-06-29—
2026-07-06—
2026-07-13—
2026-07-20—
2026-07-27—
2026-08-03—
2026-08-10—
2026-08-17—
2026-08-24—
2026-08-31—
2026-09-07—
2026-09-14—
2026-09-21—
2026-09-28—
2026-10-05—
2026-10-12—
2026-10-199.550
2026-10-269.457
2026-11-027.750
2026-11-09—

O trabalho remoto ao longo do tempo

Proporção de vagas de MLOps com trabalho totalmente remoto, por semana.

Vagas remotas, %

Dados do gráfico
Vagas remotas, %. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoRemoto
2026-06-0164,7
2026-06-0850
2026-06-15—
2026-06-2246,9
2026-06-2954,5
2026-07-0648,3
2026-07-1342,9
2026-07-2063,4
2026-07-2776,5
2026-08-039,5
2026-08-1045
2026-08-1716,7
2026-08-2425
2026-08-3152,2
2026-09-0723,8
2026-09-1426,1
2026-09-2135,7
2026-09-2849
2026-10-0528
2026-10-1232,7
2026-10-1915,4
2026-10-2629,7
2026-11-0230,6
2026-11-0943,9

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
O trabalho remoto ao longo do tempo — MLOps. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaRemoto
2026-06-0164,7
2026-06-0850
2026-06-15—
2026-06-2246,9
2026-06-2954,5
2026-07-0648,3
2026-07-1342,9
2026-07-2063,4
2026-07-2776,5
2026-08-039,5
2026-08-1045
2026-08-1716,7
2026-08-2425
2026-08-3152,2
2026-09-0723,8
2026-09-1426,1
2026-09-2135,7
2026-09-2849
2026-10-0528
2026-10-1232,7
2026-10-1915,4
2026-10-2629,7
2026-11-0230,6
2026-11-0943,9

As tecnologias ao longo do tempo

Como mudou a proporção de vagas de MLOps que mencionam cada uma das principais tecnologias.

Vagas que mencionam a tecnologia, %

Dados do gráfico
Vagas que mencionam a tecnologia, %. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoMLOpscloudPython
2026-08-10961616
2026-08-171002520
2026-08-248717,430,4
2026-08-3196,27,738,5
2026-09-0791,326,18,7
2026-09-14976,13
2026-09-2195,930,636,7
2026-09-2894,944,150,8
2026-10-0594,431,553,7
2026-10-1289,345,630,9
2026-10-1994,360,456,6
2026-10-2686,230,853,8
2026-11-0285,938,546,2
2026-11-0991,849,338,4
Até 5 no gráfico:

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
As tecnologias ao longo do tempo — MLOps. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaMLOpscloudAWSPythonDocker
2026-08-10961641612
2026-08-1710025252025
2026-08-248717,48,730,421,7
2026-08-3196,27,7038,534,6
2026-09-0791,326,18,78,78,7
2026-09-14976,10312,1
2026-09-2195,930,618,436,720,4
2026-09-2894,944,137,350,832,2
2026-10-0594,431,522,253,718,5
2026-10-1289,345,631,530,930,2
2026-10-1994,360,432,156,628,3
2026-10-2686,230,827,753,829,2
2026-11-0285,938,532,146,221,8
2026-11-0991,849,332,938,427,4

Países ao longo do tempo

Como mudou, por semana, a proporção de vagas de MLOps em cada um dos principais países.

Vagas no país, %

Dados do gráfico
Vagas no país, %. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoPolôniaReino UnidoRússia
2026-06-0124816
2026-06-08———
2026-06-15———
2026-06-2277,81,91,9
2026-06-2930,62,822,2
2026-07-0613,210,523,7
2026-07-1332,75,51,8
2026-07-2063,42,419,5
2026-07-27504,518,2
2026-08-034,823,84,8
2026-08-10022,225,9
2026-08-17———
2026-08-24043,517,4
2026-08-31011,550
2026-09-07———
2026-09-1415,47,723,1
2026-09-2114,921,314,9
2026-09-2835,315,72
2026-10-0532,722,44,1
2026-10-1222,57,82,3
2026-10-1913,324,46,7
2026-10-2613,817,210,3
2026-11-0213,417,91,5
2026-11-0911,16,312,7
Até 5 no gráfico:

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
Países ao longo do tempo — MLOps. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaPolôniaReino UnidoEUARússiaÍndia
2026-06-01248281616
2026-06-08—————
2026-06-15—————
2026-06-2277,81,93,71,93,7
2026-06-2930,62,811,122,25,6
2026-07-0613,210,510,523,710,5
2026-07-1332,75,5201,814,5
2026-07-2063,42,4019,54,9
2026-07-27504,54,518,20
2026-08-034,823,8194,89,5
2026-08-10022,23,725,911,1
2026-08-17—————
2026-08-24043,58,717,44,3
2026-08-31011,53,8503,8
2026-09-07—————
2026-09-1415,47,77,723,115,4
2026-09-2114,921,314,914,92,1
2026-09-2835,315,711,825,9
2026-10-0532,722,422,44,10
2026-10-1222,57,810,12,312,4
2026-10-1913,324,415,66,715,6
2026-10-2613,817,224,110,35,2
2026-11-0213,417,911,91,59
2026-11-0911,16,314,312,711,1

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 MLOps.

Índice de contratação, 16 de out. = 100

Dados do gráfico
Índice de contratação, 16 de out. = 100. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoÍndice de contratação
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

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
Mercado limpo: índice de contratação — MLOps. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
DiaÍndice de contratação
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Quantas vagas abertas de MLOps existem e quantos especialistas compatíveis o Zorky observa.

Demanda e oferta observada

Dados do gráfico
Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
IndicadorValor
Demanda aberta354
Demanda aberta354
Oferta observada— não publicado

MLOps Engineer — o nicho de IA/ML mais "resistente a recessão" (a produção precisa dele continuamente). Crescimento 2026 impulsionado por: infraestrutura de serving de LLM (adoção de vLLM / TGI / SGLang), implantação de foundation models em enterprise, construção de ferramental interno de plataforma de ML, pressão por otimização de custo (custos de GPU de $10K+/mês por time são típicos). Mercado russo — fluxo estável. Empresas internacionais de plataforma de ML (Truefoundry / Bento / Determined AI / Run:AI) — segmento remoto premium.

⚠ 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 MLOps, em dólares americanos por mês.

Distribuição de salários

P25 $6.000 · P50 $8.315 · P75 $11.608
Dados do gráfico
Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
IndicadorValor
<$1k0
$1–2k1
$2–3k1
$3–4k3
$4–5k3
$5–6k1
$6–7k7
$7–8k3
$8–9k6
$9–10k3
$10–12k4
$12–15k5
$15–20k3
$20k+1
Salário nas vagas: base 354
  • utilizável no cálculo: 41 (11,6%)
  • informado, mas não convertido para USD/mês: 49 (13,8%)
  • não informado: 264 (74,6%)

Uma em cada dez vagas oferece menos de $3.894, uma em cada dez mais de $13.750. Metade das vagas oferece entre $6.000 e $11.608. Amostra: 41.

Dados do gráfico
Distribuição de salários — MLOps. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
IndicadorLimite inferiorLimite superiorQuantidade
<$1k01.0000
$1–2k1.0002.0001
$2–3k2.0003.0001
$3–4k3.0004.0003
$4–5k4.0005.0003
$5–6k5.0006.0001
$6–7k6.0007.0007
$7–8k7.0008.0003
$8–9k8.0009.0006
$9–10k9.00010.0003
$10–12k10.00012.0004
$12–15k12.00015.0005
$15–20k15.00020.0003
$20k+20.000—1

Em quais países há mais vagas abertas de MLOps.

Geografia da demanda

paísvagasproporção
Estados Unidos5819,7%
Polônia5016,9%
Índia268,8%
Reino Unido237,8%
Alemanha186,1%
França165,4%
Rússia165,4%
Canadá124,1%
Romênia93,1%
Países Baixos51,7%
Outros países6221%

O líder em número de vagas de MLOps são os EUA (58 vagas). A Polônia — hub da UE amigável a AI Platform. Alemanha — cluster de IA de Berlim. Grande remoto internacional via empresas de plataforma de ML (Truefoundry / Bento / W&B / Comet / Determined AI) + times de MLOps de startups de IA.

⚠ apenas número de vagas: o salário por país não é publicado

Dados do gráfico
Geografia da demanda — MLOps. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PaísVagas
US58
PL50
IN26
GB23
DE18
FR16
RU16
CA12
RO9
NL5

Quais tecnologias são mais pedidas na mesma vaga que MLOps.

Usada junto com

mlops
27778,2%
cloud
14741,5%
aws
12234,5%
python
11933,6%
docker
10529,7%
kubernetes
10228,8%
azure
8323,4%
mlflow
5615,8%
gcp
5214,7%
llm
5014,1%

Participação: quantas das 354 vagas do mercado MLOps 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 MLOps 2026: Python + Go como bônus, domínio de Docker + domínio de Kubernetes (padrão de produção), Helm + Kustomize + ArgoCD / FluxCD (GitOps), Terraform + Pulumi / CloudFormation (IaC), MLflow (model registry + tracking — padrão open-source) + Kubeflow + Kubeflow Pipelines, Airflow / Prefect / Dagster (workflow), Feast / Tecton (feature stores), Triton Inference Server + BentoML + TorchServe + KServe (serving de modelos), vLLM + TGI + SGLang + Ollama (serving de LLM — obrigatório 2026), Prometheus + Grafana + Loki + OpenTelemetry, Evidently AI + WhyLabs + Arize AI + Fiddler (monitoramento de ML + drift), DVC + LakeFS, AWS SageMaker / GCP Vertex AI / Azure ML / Databricks (ML gerenciado em nuvem), Spark + Ray (compute distribuído), NVIDIA GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows (operators de ML no K8s).

Pares comuns: Kubernetes + Helm + ArgoCD + Terraform, MLflow + Kubeflow + Feast, Triton + KServe + Prometheus + Grafana, vLLM + TGI + SGLang (stack de serving de LLM), AWS SageMaker + Terraform + GitHub Actions, GCP Vertex AI + Kubeflow Pipelines, Databricks + MLflow + Spark, Evidently AI + Prometheus + Grafana (observability de ML). Roadmap de aprendizado: fundamentos de DevOps (Linux + Docker + K8s) → Terraform + plataforma de nuvem a fundo → CI/CD + GitOps → noções de ML (Python + sklearn + PyTorch) → MLflow + Feast (base de plataforma de ML) → Triton / vLLM (serving) → Evidently AI (monitoramento) → pet project de plataforma de ML → contribuições open-source.

Dados do gráfico
Usada junto com — MLOps. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
NomeQuantidade
mlops277
cloud147
aws122
python119
docker105
kubernetes102
azure83
mlflow56
gcp52
llm50
airflow48
databricks37

Quantas vagas de MLOps há em cada nível, de júnior a principal.

Demanda por nível

nívelvagas
senior126
middle30
principal24
lead16
junior11

Júnior — entrada típica: DevOps Pleno + interesse em ML OU ML Engineer Pleno + interesse em infra OU Backend Sênior + cursos de ML. Fluxo de carreira: Júnior (1-2 anos) → Pleno (2-3 anos) → Sênior → ou Staff / Principal MLOps (técnico profundo), MLOps Tech Lead / Platform Engineering Manager, ou Founder numa startup de plataforma de ML.

⚠ apenas o lado da demanda: a senioridade do pool observado é desconhecida na maior parte

Dados do gráfico
Demanda por nível — MLOps. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
NívelQuantidade
senior126
middle30
principal24
lead16
junior11

Quem mais contrata em MLOps e quanto a demanda se concentra nas maiores empresas.

Empregadores

A demanda está distribuída entre 280 empregadores. O maior responde por 1.2%, os dez primeiros por 9.3%; os 90.7% restantes são cauda longa.

o maior 1,2%2.º–3.º 2,2%4.º–10.º 5,9%os demais 90,7%
proporçãovalor
top 11.2%
top 33.4%
top 109.3%
cauda longa90.7%

⚠ 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 MLOps.

Onde o Zorky vê este mercado

Observado em 71 fontes; a maior responde por 9.6%: este mercado não depende de um único canal.

Dados do gráfico
Onde o Zorky vê este mercado — MLOps. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
ClasseNomeNome em inglêsQuantidadeProporção
atsATS и карьерные сайтыATS e sites de carreira1810,5113
boardджоб-борды и агрегаторыsites de vagas e agregadores1460,4124
telegramTelegramTelegram250,0706
comunidadeсообщества и публичные профилиcomunidade e perfis públicos20,0056

As vagas de MLOps mais recentes dos sites de carreira das empresas.

Vagas recentes

Todas as vagas →

Vagas de MLOps 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.

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 MLOps: MLOps Engineer (pleno — infra para um único time de produto), Senior MLOps (plataforma multi-time + otimização de custo), ML Platform Engineer (plataforma reutilizável como produto para a organização), Staff / Principal MLOps (arquitetura para organização multiproduto), MLOps Tech Lead (gestão de time + estratégia de plataforma). A comparação com ml-engineer/data-scientist/research — na barra abaixo.

Engenheiro de IA / LLMVisão ComputacionalCientista de DadosEngenheiro de MLEngenheiro de PLNEngenheiro de Pesquisa

Perguntas frequentes

As perguntas mais comuns sobre MLOps Engineer: pagamento, MLOps vs DevOps vs Platform Engineer, MLflow vs Kubeflow vs Vertex AI vs SageMaker (árvore de decisão de 7 opções), diferenças do ML Platform Engineer, remoto, como se tornar (4-10 meses a partir de DevOps Middle / ML Engineer Middle), skills de Senior (serving de LLM + otimização de custos + plataforma multi-equipe). As respostas se recalculam automaticamente.

Quanto ganha um MLOps Júnior, Pleno, Sênior ou Lead?

Junior MLOps — entrada típica: 1) DevOps / SRE Pleno + interesse em ML, 2) ML Engineer Pleno + interesse em infra, 3) Backend Sênior + conhecimento de ML (via cursos). Salto Júnior → Pleno — depois da primeira implantação de plataforma de ML de ponta a ponta (Feature Store + Model Registry + stack de Serving + Monitoramento). Pleno → Sênior — propriedade de plataforma multi-time + otimização de custo. Sênior → Staff / Principal — arquitetura de plataforma de ML para organização multiproduto + estratégia de integração com times de DevOps / SRE / Data Platform. Fluxo de carreira: DevOps Pleno / ML Engineer Pleno → Junior MLOps (1-2 anos) → Pleno (2-3 anos) → Sênior → ou Staff / Principal MLOps (profundo), MLOps Tech Lead (gestão), ou Founder numa startup de plataforma de ML.

De qual stack um MLOps mais precisa?

Top 5: mlops, ci/cd, cloud, aws, python. Python (principal — para infraestrutura customizada), Go bônus (para componentes de infra performance-critical — ex.: serving proxies). Domínio de Docker (multi-stage builds para imagens de ML otimizadas, containers de GPU). Domínio de Kubernetes (padrão de produção para ML serving — Deployment / StatefulSet / DaemonSet / Job / CronJob, RBAC, Network Policies, Resource Quotas, HPA / VPA / Cluster Autoscaler). GPU operator (NVIDIA GPU Operator para GPU scheduling em K8s). Operators de K8s para ML: Kubeflow Training Operator + Spark Operator + Argo Workflows. Helm + Kustomize + ArgoCD / FluxCD — padrão de GitOps. Terraform / Pulumi / CloudFormation (IaC para ML cloud-managed — recursos AWS / GCP / Azure). Domínio de MLflow (padrão open-source para model registry + tracking — o Senior é dono da customização de MLflow Plugins). Kubeflow + Kubeflow Pipelines (orquestração de ML K8s-native — grande enterprise frequentemente exige). Orquestradores de workflow: Airflow + Prefect + Dagster (um a fundo — Dagster em ascensão 2026). Feature stores: Feast (open-source) ou Tecton (gerenciado) — obrigatório para Senior MLOps. Model serving: Triton Inference Server (NVIDIA — multi-framework + dynamic batching) + BentoML (Python-friendly) + TorchServe + KServe (serving K8s-native). Serving específico de LLM: vLLM (PagedAttention — recorde para LLM serving de alto throughput), Text Generation Inference (TGI) da Hugging Face, SGLang (modelo de programação para LLM serving + caching), Ollama (LLM serving local). Observabilidade: Prometheus + Grafana + Loki + OpenTelemetry. ML monitoring + drift detection: Evidently AI + WhyLabs + Arize AI + Fiddler (um a fundo). Data version control: DVC + LakeFS. ML cloud-managed: um de AWS SageMaker / GCP Vertex AI / Azure ML / Databricks a fundo. Plataformas de compute distribuído: domínio de Spark + Ray. Otimização de custo: estratégia de spot instances, compartilhamento de GPU (NVIDIA MIG), integração de quantização, estratégias de caching (Redis para resultados de inferência), análise de custo de inferência batch vs real-time.

MLOps vs DevOps vs Platform Engineer — qual é a diferença?

DevOps Engineer — foco em infraestrutura geral de aplicações (CI/CD + monitoramento + nuvem + Kubernetes + IaC). Stack: Docker / K8s / Terraform / Prometheus / Grafana / Ansible / Jenkins / GitHub Actions / nuvem (AWS / GCP / Azure). Veja DevOps Engineer (geral) (quando a página for publicada). Platform Engineer — DevOps + foco em ferramentas internas. Constrói uma plataforma para os engenheiros (gestão de clusters K8s + ArgoCD + IDP — Internal Developer Platform — Backstage / Port / Cortex). MLOps Engineer (esta página) — DevOps + foco específico em ML. Constrói uma plataforma de ML para times de DS / ML Engineer / Pesquisa. Além do stack de DevOps: MLflow / Kubeflow / Feature Stores / Model Serving (Triton / vLLM) / Monitoramento de ML (Evidently / WhyLabs) / ML gerenciado na nuvem (SageMaker / Vertex AI). ML Platform Engineer — MLOps Sênior com foco em plataforma reutilizável como produto (para toda a organização, não para um único time). Sobreposição de carreira: DevOps Pleno → MLOps Júnior — 6-12 meses (aprender stack de ML + Kubeflow / MLflow + ML gerenciado na nuvem). MLOps Sênior ↔ Platform Engineer Sênior — transição lateral fácil (muito stack em comum). ML Engineer Pleno → MLOps Júnior — 4-8 meses (já conhece o stack de ML, precisa aprofundar Kubernetes + Terraform + observabilidade). DevOps → MLOps — transição mais distante que a de Platform Engineer (lacuna de conhecimento em ML).

MLflow vs Kubeflow vs Vertex AI vs SageMaker — o que escolher?

Árvore de decisão para a escolha de plataforma de ML 2026: 1) MLflow (open-source, neutro em relação a fornecedores) — o melhor para rastreamento de experimentos + model registry + implantação simples. Leve. Self-hosted ou gerenciado (Databricks). Caso de uso: base da plataforma de ML para a maioria das organizações. Padrão em 2026 para rastreamento de ML no nível da equipe. 2) Kubeflow + Kubeflow Pipelines (open-source, nativo de Kubernetes) — o melhor para grandes empresas K8s-first que querem um stack completo de plataforma de ML sem dependência de fornecedor. Setup mais pesado. Inclui: Pipelines (workflow) + Training Operator (treinamento distribuído) + Serving (KFServing → KServe) + Notebooks. Caso de uso: grande empresa + equipe madura em Kubernetes + requisito multi-cloud / on-prem. 3) AWS SageMaker (gerenciado) — o melhor para organizações nativas da AWS. Abrangente: SageMaker Studio (IDE) + Training Jobs + Hyperparameter Tuning + Pipelines + Endpoints (tempo real + batch) + Model Registry + Feature Store + Clarify (detecção de viés). Dependência da AWS. Caso de uso: organização AWS-first + equipe de ML pequena — compensa graças à quantidade de recursos em uma só plataforma. Caro em escala. 4) GCP Vertex AI (gerenciado) — o equivalente do Google ao SageMaker. Forte em: Vertex AI Workbench (Jupyter na nuvem), Pipelines (baseado em Kubeflow — portátil), AutoML, acesso a TPU (para pesquisa / grandes treinamentos), Model Garden (modelos pré-treinados). Caso de uso: organização GCP-first + a portabilidade do Kubeflow importa. 5) Azure ML (gerenciado) — o equivalente do Azure. Forte em: Designer (construtor visual de pipelines de ML), AutoML, recursos de MLOps, integração nativa com o Azure. Caso de uso: organização Azure / Microsoft-first. 6) Databricks (gerenciado, multi-cloud) — o melhor para workloads de ML Spark-first + Lakehouse. Criadores do MLflow. Preço premium. Caso de uso: organizações intensivas em dados com padrão Spark / Lakehouse. 7) Plataformas especializadas: Weights & Biases (melhor UX para rastreamento de experimentos — favorita da pesquisa), Comet (alternativa ao W&B), Neptune, Determined AI (plataforma de treinamento distribuído), Run:AI (orquestração de GPUs — adquirida pela NVIDIA), Truefoundry + Bento (serving moderno de modelos). Padrão 2026 para uma nova equipe de ML: MLflow self-hosted (ou Databricks gerenciado se for intensivo em Spark) + serving em Kubernetes (Triton / vLLM) + Feast (feature store) + Prometheus + Grafana + Evidently AI. Padrão para empresa nativa da AWS: SageMaker (se o custo for aceitável + equipe pequena) ou MLflow no EKS + serviços customizados (mais barato em escala). Padrão para empresa madura em Kubernetes: Kubeflow + MLflow.

Qual é a proporção de vagas remotas?

Entre as vagas com modalidade de trabalho informada, 31% são remotas. Vagas sem modalidade informada são excluídas do denominador; trabalho híbrido não é contado como remoto.

Em que o ML Platform Engineer difere do MLOps Engineer?

MLOps Engineer (geral) — pode trabalhar em qualquer time de ML (time de produto / lab de research / consultoria de AI). Stack: MLOps universal. ML Platform Engineer — Senior MLOps com foco em uma plataforma-como-produto reutilizável para toda a organização (não para um único time). Além disso: design de API interna (para outros ML Engineers / DS), ferramentas self-service (templates / scaffolding / ferramentas CLI — tipo generate-new-model-project), gestão de SLA para componentes da plataforma (metas de uptime / latência / throughput), sistemas de cost-chargeback (rastreamento de uso de compute por time + billing), documentação de onboarding + programas de treino para outros membros do time de ML, gestão de backwards-compatibility para componentes compartilhados da plataforma, contribuição open-source para componentes da plataforma (ex. contribuições para Feast / Kubeflow). Staff / Principal MLOps — ainda mais alto, tipicamente gerenciando um time de plataforma de ML (3-7 engenheiros de MLOps + integrações com leads de DevOps / SRE / Data Platform). Escolha de carreira: MLOps Engineer se você gosta de ser hands-on com um problema novo todo dia, ML Platform Engineer se você gosta de construir sistemas reutilizáveis e trabalhar com vários times consumidores. Os três são caminhos Senior+ legítimos.

Por onde começar em MLOps em 2026?

Roadmap: 1) Base de DevOps forte — Linux + networking + domínio de bash, domínio de Docker (builds multi-stage + otimização de layers + varredura de segurança), domínio profundo de Kubernetes (Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA + noções de CRDs customizados). Livros: "Kubernetes in Action" Lukša, "The Kubernetes Book" Poulton. 2) Domínio de IaC: Terraform a fundo (modules / state management / workspaces) + entendimento de padrões específicos de provedor cloud. Curso HashiCorp Learn (gratuito). Padrões de GitOps com ArgoCD / FluxCD. 4) Plataforma cloud a fundo — escolha um de AWS / GCP / Azure e passe na certificação Solutions Architect Associate / Professional. 5) Noções de ML — mínimo: Python + pandas + scikit-learn + PyTorch (noções) + entender loops de treinamento / inferência. Curso fast.ai "Practical Deep Learning" Part 1. "Designing Machine Learning Systems" Chip Huyen — leitura obrigatória de MLOps 2026 (para entender o workflow de ML do treinamento ao deployment). 6) Experiment tracking + model registry: domínio profundo de MLflow (Tracking + Registry + Projects + Models). Configure um MLflow self-hosted no EKS / GKE / AKS. 7) Stack de serving de ML: Triton Inference Server (multi-framework + dynamic batching) + BentoML + KServe. Serving de LLM: domínio de vLLM (PagedAttention + continuous batching) + TGI + SGLang. 8) Feature Store: Feast (open-source) — configure ponta a ponta em um projeto de teste (offline + online + retrieval). 9) Orquestração: um de Airflow / Prefect / Dagster + noções de Kubeflow Pipelines. 10) Monitoramento de ML: Evidently AI (detecção de drift + qualidade de dados) + WhyLabs ou Arize AI ou Fiddler — um a fundo. 11) Pet project: deployment completo de plataforma de ML (cluster K8s + MLflow + Feast + Triton + Prometheus + Grafana + Evidently AI) com ciclo de vida de modelo simples (treinar → registrar → deploy → monitorar → retreinar). Documente no README do GitHub. 12) Contribuição para open-source — Feast / Kubeflow / MLflow / vLLM / Triton — aumenta drasticamente o valor do currículo de MLOps. Cursos russos: Karpov.Courses "MLOps", Otus "MLOps", SkillFactory track MLOps, Slurm MLOps intensive. Internacional (EN): curso "Made with ML" MLOps Goku Mohandas (gratuito, abrangente), Hugging Face MLOps course, Coursera "MLOps Specialization" DeepLearning.AI, Databricks Academy MLOps. Livros de leitura obrigatória: "Designing Machine Learning Systems" Chip Huyen, "Machine Learning Design Patterns" Lakshmanan, "Reliable Machine Learning" Cathy Chen. DevOps Middle / ML Engineer Middle → Junior MLOps — 4-10 meses. Backend Senior → Junior MLOps — 8-14 meses (precisa aprender a stack de ML).

Quantas vagas abertas estão nesta amostra?

A amostra publicada contém 354 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 MLOps precisa?

Um MLOps Sênior é dono do ciclo completo de engenharia de plataformas de ML + liderança técnica. Domínio de programação: Python a fundo + Go como bônus para infraestrutura crítica de desempenho. Domínio de Docker: builds multi-stage, otimização de camadas, contêineres com GPU, varredura de segurança (Trivy / Snyk). Domínio profundo de Kubernetes: Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA / VPA / Cluster Autoscaler, noções de CRDs personalizados, GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows. Domínio de IaC: Terraform a fundo (módulos / state / workspaces), Pulumi / CloudFormation como bônus. Domínio de GitOps: ArgoCD / FluxCD + padrões de Kustomize / Helm. Plataforma de nuvem a fundo: uma entre AWS / GCP / Azure no nível de Solutions Architect Professional. Domínio de MLflow: personalização profunda + plugins + padrões de multitenancy. Kubeflow Pipelines: deploy em escala corporativa + componentes personalizados + multitenancy. Domínio de Feature Store: Feast a fundo (offline + online + recuperação + monitoramento + multitenancy) ou Tecton (gerenciado). Domínio de serving de modelos: Triton Inference Server a fundo (ensembles + batching dinâmico + repositórios de modelos) + BentoML + KServe. Domínio de serving de LLMs (2026 obrigatório): vLLM a fundo (PagedAttention + continuous batching + speculative decoding + otimização de KV cache) + TGI + SGLang + Ollama. Plataformas de computação distribuída: domínio de Spark + Ray (Spark Operator em K8s, Ray Train + Ray Serve). Observabilidade a fundo: Prometheus + Grafana + Loki + OpenTelemetry + métricas personalizadas + estratégias de alertas. Monitoramento de ML: padrões de integração com Evidently AI + WhyLabs / Arize AI / Fiddler. Domínio de otimização de custos: estratégia de instâncias spot + compartilhamento de GPU (NVIDIA MIG) + integração de quantização (INT8 / FP16 / FP4) + estratégias de cache (Redis para resultados de inferência) + análise de custo entre inferência em lote e em tempo real + planejamento de instâncias reservadas. Domínio de segurança: gestão de segredos (Vault / KMS da nuvem), network policies, segurança da cadeia de suprimentos (imagens assinadas), privacidade de dados (tratamento de PII em pipelines de ML). System design para plataformas de ML: projetar plataformas de ML no quadro branco na escala de 100M+ previsões/dia + multitenant + multirregião. Soft skills: escrita de ADRs para decisões de plataforma, redação técnica (documentação da plataforma + materiais de onboarding), code review para vários times, mentoria de MLOps Pleno, colaboração entre times (DevOps / SRE / Data Platform / ML Engineer / DS / Research). Inglês para Sênior+ OBRIGATÓRIO — MLOps envolve trabalho intenso entre times em inglês. Bônus opcional: contribuições open-source para Feast / Kubeflow / MLflow / vLLM / Triton — aumentam muito o valor de mercado para laboratórios de IA de fronteira + empresas de plataformas de ML.

Deixar uma solicitação

Descreva a tarefa e deixe um contato: a solicitação chega ao nosso CRM e respondemos no contato informado.

Ao enviar, você concorda com a política de privacidade.