Мы используем технические cookie и обезличенный журнал посещений Zorky. Яндекс Метрику (данные хранятся на серверах в РФ) включаем только с вашего согласия. Данные не продаём. Подробнее о cookie и статистике.
Zorky в тестовом режиме — всё бесплатно. Вакансии и страницы компаний открыты всем; ссылки на объявления и личная подборка — после регистрации. Зарегистрироваться →

ML Engineer: рынок

Данные на 19 ноября 2026: открытых вакансий ML Engineer — 2 291, удалённых — 32% среди вакансий с указанным форматом работы; медианная зарплата в объявлениях — $13 666/мес (по 309 вакансиям с указанной зарплатой). Источник — Zorky, обновляется ежедневно.

ML Engineer — самая ёмкая роль внутри AI/ML/DS-направления (самый большой pool среди ML-субниш). Production ML — берёт модель (свою или от Data Scientist), доводит до production-сервиса со стабильным SLA. Семейство ролей: ML Engineer (general — feature engineering + training + deployment), Senior ML Engineer (end-to-end ML pipelines + scaling), Staff ML Engineer/Principal ML Engineer (ML platform architecture для всей organization), ML Tech Lead (team leadership + ML infrastructure decisions), Applied ML Engineer (продуктовая ML-разработка с фокусом на business metrics). Стек: Python (монопольно), PyTorch/TensorFlow/JAX (deep learning — PyTorch доминирует 2026), scikit-learn+XGBoost+LightGBM+CatBoost (classical ML — обязателен), pandas+NumPy+Polars (data manipulation), Hugging Face Transformers+LangChain+LlamaIndex (LLM/NLP), MLflow+Weights & Biases+Neptune (experiment tracking), DVC (data version control), Airflow/Prefect/Dagster (orchestration), Docker+Kubernetes (deployment), FastAPI+Triton Inference Server+BentoML+TorchServe (model serving), ONNX (cross-framework inference), Feast/Tecton (feature stores), Spark+Ray+Dask (distributed compute), AWS SageMaker/GCP Vertex AI/Azure ML (cloud-managed). Топ-стек: python, cloud, pytorch, llm, aws. Среди вакансий с указанным форматом работы 32% — удалённые.

Данные на:

Главные цифры рынка ML Engineer: открытые вакансии, медианная зарплата, наблюдаемый пул специалистов и доля удалёнки.

2 291
открытых вакансий — по заголовку вакансии, без перепубликаций
$13 666
медиана $/мес
32%
удалённых

На рынке ML Engineer сейчас 2 291 открытых вакансий, из них 2 024 со свежим наблюдением. Медианная зарплата $13 666/мес.

Среди вакансий с указанным форматом работы 32% — удалённые. ML work cloud-based (training в cloud GPUs, serving в K8s). Аутсорсеры (EPAM AI / Luxoft AI) — почти всегда remote. Российские банки (Сбер AI banking ML) — гибрид/офис compliance. Международные AI-companies — full-remote standard.

⚠ зарплата известна у 309 из 2291 вакансий; доля удалёнки — от 1926 с указанным форматом; свежими наблюдениями считаются 2024; тренд и сложность найма не показываются

Динамика: вакансии и источники

Сколько вакансий ML Engineer появлялось каждую неделю с 1 июн. и из скольких источников они пришли. Нижний график нужен, чтобы отличать рост рынка от роста нашего охвата: скачок вакансий в неделю, когда подключились новые источники, — это мы стали видеть больше, а не рынок вырос.

Новые вакансии за неделю

Данные графика
Новые вакансии за неделю. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодНовые вакансии за неделю
2026-06-01104
2026-06-08142
2026-06-1577
2026-06-22175
2026-06-29332
2026-07-06286
2026-07-13353
2026-07-20283
2026-07-27170
2026-08-03215
2026-08-10128
2026-08-17115
2026-08-24132
2026-08-31115
2026-09-07127
2026-09-14186
2026-09-21612
2026-09-28370
2026-10-05373
2026-10-12794
2026-10-19492
2026-10-26519
2026-11-02406
2026-11-09463

Активных источников за неделю

Источников всего за период: 217. ▲ — неделя, когда подключилось много новых источников.

Данные графика
Активных источников за неделю. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодАктивных источников
2026-06-0117
2026-06-0823
2026-06-1515
2026-06-2232
2026-06-2953
2026-07-0644
2026-07-1354
2026-07-2057
2026-07-2746
2026-08-0346
2026-08-1031
2026-08-1729
2026-08-2435
2026-08-3140
2026-09-0741
2026-09-1435
2026-09-2156
2026-09-2852
2026-10-0561
2026-10-1263
2026-10-1966
2026-10-2666
2026-11-0263
2026-11-0976
Подключение новых источников: 29 июн. +30 · 6 июл. +18 · 13 июл. +18 · все недели (23) — в таблице
НеделяНовых источниковНовых вакансий
8 июн.+11142
15 июн.+277
22 июн.+15175
29 июн.+30332
6 июл.+18286
13 июл.+18353
20 июл.+11283
27 июл.+8170
3 авг.+2215
10 авг.+7128
17 авг.+2115
24 авг.+5132
31 авг.+9115
7 сент.+4127
14 сент.+4186
21 сент.+10612
28 сент.+3370
5 окт.+10373
12 окт.+3794
19 окт.+9492
26 окт.+4519
2 нояб.+5406
9 нояб.+10463

Текущая неделя ещё не закончилась и не показана: неполная неделя выглядела бы как спад.

Неделя — по дате появления вакансии, все статусы; отбор вакансий — то же правило, что у счётчика этой страницы. Источники — различные каналы сбора, их имена не публикуются.

Данные графика
Динамика: вакансии и источники — ML Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяНовые вакансии за неделюАктивных источников
2026-06-0110417
2026-06-0814223
2026-06-157715
2026-06-2217532
2026-06-2933253
2026-07-0628644
2026-07-1335354
2026-07-2028357
2026-07-2717046
2026-08-0321546
2026-08-1012831
2026-08-1711529
2026-08-2413235
2026-08-3111540
2026-09-0712741
2026-09-1418635
2026-09-2161256
2026-09-2837052
2026-10-0537361
2026-10-1279463
2026-10-1949266
2026-10-2651966
2026-11-0240663
2026-11-0946376

Зарплаты во времени

Медиана зарплат в вакансиях ML Engineer по неделям, в долларах США в месяц.

Медиана зарплаты, $ в месяц

Данные графика
Медиана зарплаты, $ в месяц. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодМедианаСколько вакансий с зарплатой за неделю (n)
2026-09-2112 54516
2026-09-2810 23828
2026-10-059 45739
2026-10-129 80556
2026-10-1913 91992
2026-10-2613 13493
2026-11-0213 75085
2026-11-0912 929110

Ряд начинается с 21 сент.: раньше данных нет.

Сколько вакансий с зарплатой за неделю (n)

Только вакансии с зарплатой в долларах и известным периодом (месяц или год), от $500 до $50 000 в месяц. Недели, где таких вакансий меньше 10, пропущены — это «нет данных», а не ноль.

Данные графика
Зарплаты во времени — ML Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяМедиана
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—
2026-09-2112 545
2026-09-2810 238
2026-10-059 457
2026-10-129 805
2026-10-1913 919
2026-10-2613 134
2026-11-0213 750
2026-11-0912 929

Удалённая работа во времени

Какая доля вакансий ML Engineer предлагала полностью удалённую работу — по неделям.

Доля удалённых вакансий, %

Данные графика
Доля удалённых вакансий, %. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодУдалённо
2026-06-0144,4
2026-06-0819,1
2026-06-1511,5
2026-06-2222
2026-06-2925,5
2026-07-0634,2
2026-07-1328,4
2026-07-2047,3
2026-07-2736,5
2026-08-0331,2
2026-08-1034,3
2026-08-1741,8
2026-08-2441,7
2026-08-3134,6
2026-09-0728,4
2026-09-1425
2026-09-2128
2026-09-2835,7
2026-10-0537,6
2026-10-1238,8
2026-10-1937,8
2026-10-2646,9
2026-11-0235,1
2026-11-0935,3

Доля считается среди вакансий, где формат указан (удалённо, гибрид, офис). Недели, где таких меньше 10, пропущены.

Данные графика
Удалённая работа во времени — ML Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяУдалённо
2026-06-0144,4
2026-06-0819,1
2026-06-1511,5
2026-06-2222
2026-06-2925,5
2026-07-0634,2
2026-07-1328,4
2026-07-2047,3
2026-07-2736,5
2026-08-0331,2
2026-08-1034,3
2026-08-1741,8
2026-08-2441,7
2026-08-3134,6
2026-09-0728,4
2026-09-1425
2026-09-2128
2026-09-2835,7
2026-10-0537,6
2026-10-1238,8
2026-10-1937,8
2026-10-2646,9
2026-11-0235,1
2026-11-0935,3

Технологии во времени

Как менялась доля вакансий ML Engineer, где упоминается каждая из главных технологий.

Доля вакансий с технологией, %

Данные графика
Доля вакансий с технологией, %. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодPythoncloudllm
2026-08-10402017,8
2026-08-1737,726,430,2
2026-08-24322025,3
2026-08-3148,123,126,9
2026-09-0734,513,829,3
2026-09-1437,226,921,8
2026-09-2155,536,132,3
2026-09-2859,933,728,2
2026-10-0563,139,735,9
2026-10-1255,635,428,6
2026-10-196341,244,3
2026-10-2666,637,935,1
2026-11-026529,135,6
2026-11-0968,937,736,6
На графике до 5:

Доля — среди вакансий с размеченным стеком; ряд начинается с 10 авг.: раньше метки стека ставились по-другому. Недели, где размеченных вакансий меньше 20, пропущены.

Данные графика
Технологии во времени — ML Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяPythoncloudllmpytorchAWS
2026-08-10402017,88,98,9
2026-08-1737,726,430,2179,4
2026-08-24322025,318,76,7
2026-08-3148,123,126,917,311,5
2026-09-0734,513,829,320,713,8
2026-09-1437,226,921,819,26,4
2026-09-2155,536,132,332,916
2026-09-2859,933,728,236,922,6
2026-10-0563,139,735,933,827,5
2026-10-1255,635,428,632,220,2
2026-10-196341,244,334,326,7
2026-10-2666,637,935,132,927,2
2026-11-026529,135,637,416,3
2026-11-0968,937,736,636,329,5

Страны во времени

Как менялась доля вакансий ML Engineer в каждой из главных стран — по неделям.

Доля вакансий в стране, %

Данные графика
Доля вакансий в стране, %. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодСШАВеликобританияСингапур
2026-06-0164,620
2026-06-0868,90,83,8
2026-06-1565,85,51,4
2026-06-2233,11,218,4
2026-06-2918,20,747,9
2026-07-0652,26,56,1
2026-07-1345,63,311,8
2026-07-2038,88,615,5
2026-07-2750,7311,9
2026-08-0340,215,66,1
2026-08-1038,214,72,9
2026-08-173814,10
2026-08-2433,624,30
2026-08-3121,1301,1
2026-09-0730,928,72,1
2026-09-143827,22,5
2026-09-2143,6147,5
2026-09-2830,219,96,9
2026-10-0531,818,24,5
2026-10-1232,111,22
2026-10-1929,114,34,4
2026-10-2629,2123,9
2026-11-0235,9148,6
2026-11-0944,9112,2
На графике до 5:

Доля — среди вакансий, где страна известна; на графике пять стран с наибольшим числом вакансий за полгода. Недели, где вакансий с известной страной меньше 20, пропущены. Рост доли страны может означать подключение нового источника в этой стране, а не рост рынка.

Данные графика
Страны во времени — ML Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяСШАВеликобританияСингапурПольшаИндия
2026-06-0164,62016,26,1
2026-06-0868,90,83,86,86,8
2026-06-1565,85,51,46,82,7
2026-06-2233,11,218,421,53,7
2026-06-2918,20,747,94,35,9
2026-07-0652,26,56,14,94,9
2026-07-1345,63,311,83,69,2
2026-07-2038,88,615,513,55,7
2026-07-2750,7311,910,44,5
2026-08-0340,215,66,14,55,6
2026-08-1038,214,72,929,8
2026-08-173814,1004,3
2026-08-2433,624,303,78,4
2026-08-3121,1301,11,18,9
2026-09-0730,928,72,12,19,6
2026-09-143827,22,53,85,7
2026-09-2143,6147,52,24,9
2026-09-2830,219,96,98,56,9
2026-10-0531,818,24,59,96,4
2026-10-1232,111,228,28
2026-10-1929,114,34,49,96,2
2026-10-2629,2123,95,67,2
2026-11-0235,9148,646
2026-11-0944,9112,26,84,9

Чистый рынок: индекс найма

Одни и те же 7 505 досок вакансий работодателей; число вакансий берётся с самой доски. Подключение новых источников этот индекс не двигает — он показывает рынок, а не наш охват. Это весь рынок по панели, а не только ML Engineer.

Индекс найма, 16 окт. = 100

Данные графика
Индекс найма, 16 окт. = 100. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодИндекс найма
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

Цепной индекс: каждый день сравниваются только доски, опрошенные и в этот, и в предыдущий день; выбросы и сбои опроса целой платформы исключаются. Дни без сопоставимых пар пропущены.

Данные графика
Чистый рынок: индекс найма — ML Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ДеньИндекс найма
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

Сколько открытых вакансий ML Engineer и сколько подходящих специалистов видит Zorky.

Спрос и наблюдаемый пул

Данные графика
Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПоказательЗначение
Открытый спрос2 291
Открытый спрос2 291
Наблюдаемый пул— не публикуется

ML Engineer — самая ёмкая AI/ML-роль, рост спроса 2026 драйвится LLM/Generative AI bumom: Foundation Model deployment, RAG-приложения, AI agents, voice/multimodal продукты. Российские продуктовые — стабильный поток. EPAM/Luxoft AI Practice — крупнейший аутсорс-канал на US AI-projects.

⚠ подходящих под вакансию кандидатов пока не считаем: показаны спрос и наблюдаемый пул

Как распределены зарплаты в вакансиях ML Engineer, в долларах США в месяц.

Распределение зарплат

P25 $9 600 · P50 $13 666 · P75 $17 416
Данные графика
Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПоказательЗначение
<$1k4
$1–2k2
$2–3k7
$3–4k7
$4–5k9
$5–6k14
$6–7k11
$7–8k4
$8–9k9
$9–10k16
$10–12k31
$12–15k68
$15–20k83
$20k+44
Зарплата в вакансиях: база 2 291
  • пригодна для расчёта: 309 (13,5%)
  • указана, но не приведена к $/мес: 372 (16,2%)
  • не указана: 1 610 (70,3%)

В каждой десятой вакансии вилка ниже $5 027, в каждой десятой — выше $20 916. Половина вакансий предлагает от $9 600 до $17 416. Выборка: 309.

Данные графика
Распределение зарплат — ML Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПоказательНижняя границаВерхняя границаКоличество
<$1k01 0004
$1–2k1 0002 0002
$2–3k2 0003 0007
$3–4k3 0004 0007
$4–5k4 0005 0009
$5–6k5 0006 00014
$6–7k6 0007 00011
$7–8k7 0008 0004
$8–9k8 0009 0009
$9–10k9 00010 00016
$10–12k10 00012 00031
$12–15k12 00015 00068
$15–20k15 00020 00083
$20k+20 000—44

В каких странах больше всего открытых вакансий ML Engineer.

География спроса

странавакансийдоля
Соединенные Штаты88245,9%
Великобритания1608,3%
Индия1206,2%
Польша1176,1%
Сингапур864,5%
Канада633,3%
Германия583%
Франция382%
Россия341,8%
Нидерланды261,4%
Остальные страны33817,6%

Лидер по числу ML Engineer-вакансий — США (882 позиций). Польша — AI-friendly EU-хаб (Варшава/Краков). Германия — Berlin AI-startup-cluster.

⚠ только число вакансий: зарплата по странам не публикуется

Данные графика
География спроса — ML Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
СтранаВакансии
US882
GB160
IN120
PL117
SG86
CA63
DE58
FR38
RU34
NL26

Какие технологии чаще всего требуют в одной вакансии с ML Engineer.

С чем используется вместе

python
93540,8%
cloud
57225%
llm
52122,7%
pytorch
51422,4%
aws
38416,8%
mlops
31313,7%
tensorflow
25911,3%
docker
25811,3%
azure
25010,9%
fine-tuning
2259,8%

Доля — сколько из 2 291 вакансий рынка «ML Engineer» упоминают эту технологию. Порядок — по числу вакансий, не по «силе связи». Обобщения вроде cloud не равны конкретному облаку (AWS, Azure).

Топ-стек ML Engineer 2026: Python (монопольно), PyTorch / TensorFlow / JAX (PyTorch доминирует), scikit-learn + XGBoost + LightGBM + CatBoost (classical), pandas + NumPy + Polars (data), Hugging Face + LangChain + LlamaIndex (LLM/NLP), sentence-transformers + Pinecone / Weaviate / Qdrant / Milvus (vector DBs / RAG), MLflow + W&B + Neptune (experiment tracking), DVC, Airflow / Prefect / Dagster, Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe + vLLM / TGI / SGLang (LLM serving), ONNX, Feast / Tecton (feature stores), Ray + Spark + Dask, AWS SageMaker / GCP Vertex AI / Azure ML, Optuna, Evidently AI (drift). Senior add-ons: LoRA / QLoRA fine-tuning, quantization, distillation.

Частые пары: 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 (distributed training), Feast + Spark + Snowflake. Learning-roadmap: Python + math → classical ML (sklearn / XGBoost) → Deep Learning (PyTorch) → MLOps (MLflow + Docker + K8s) → LLM specialization (Hugging Face + LangChain + RAG) → distributed training (Ray) → cloud-managed ML (SageMaker / Vertex AI).

Данные графика
С чем используется вместе — ML Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НазваниеКоличество
python935
cloud572
llm521
pytorch514
aws384
mlops313
tensorflow259
docker258
azure250
fine-tuning225
kubernetes225
gcp181

Сколько вакансий ML Engineer на каждом уровне — от junior до principal.

Спрос по уровням

уровеньвакансий
senior794
principal341
junior102
lead90
middle87

Junior — редкость, typical entry через Data Analyst → ML Junior или Backend Middle → ML Junior. Career-flow: Junior (1-2 года) → Middle (2-3 года) → Senior → либо Staff / Principal ML Engineer (deep technical), либо ML Tech Lead / Engineering Manager, либо переход в Research (с PhD), либо ML CTO/Founder в AI-startup.

⚠ только сторона спроса: грейд наблюдаемого пула неизвестен у большинства

Данные графика
Спрос по уровням — ML Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
УровеньКоличество
senior794
principal341
junior102
lead90
middle87

Кто больше всех нанимает по ML Engineer и насколько спрос сосредоточен у крупных компаний.

Работодатели

Спрос распределён между 1 312 работодателями. На крупнейшего приходится 1.7%, на десятку — 8.6%; остальные 91.4% — длинный хвост.

крупнейший 1,7%2–3-й 2,2%4–10-й 4,7%остальные 91,4%
долязначение
крупнейший1.7%
топ-33.9%
топ-108.6%
длинный хвост91.4%

⚠ имена не показываются: кадровые агентства и конечные работодатели пока не различаются классификацией

С каких сайтов компаний и досок Zorky собирает вакансии ML Engineer.

Откуда Zorky видит этот рынок

Наблюдение идёт из 109 источников; на крупнейший приходится 20.7% — рынок не держится на одном канале.

ML Engineer-вакансии: hh.ru, Habr Career, getmatch, Djinni, LinkedIn (огромный международный AI-сегмент), NoFluffJobs / JustJoin.it (Польша AI-friendly), Telegram, карьерные сайты EPAM AI / Luxoft AI / Andersen AI, специализированные борды aijobs.net + ai-jobs.net + builtin.com/jobs/ai, Y Combinator Work at a Startup, AI-startup careers pages.

Данные графика
Откуда Zorky видит этот рынок — ML Engineer. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
КлассНазваниеНазвание на английскомКоличествоДоля
atsATS и карьерные сайтыATS & career sites1 5460,6748
boardджоб-борды и агрегаторыjob boards & aggregators6160,2689
telegramTelegramTelegram1150,0502
communityсообщества и публичные профилиcommunity & public profiles140,0061

Самые новые вакансии ML Engineer с сайтов компаний.

Свежие вакансии

Все вакансии →

Свежие открытые ML Engineer-вакансии — последние 10 позиций с приемлемым качеством описания. Полный список — в нашем CRM или по ссылке «смотреть все» ниже.

Как это посчитано
Вакансия
открытая вакансия, прошедшая гейт качества и содержащая не менее двух технологий
Наблюдаемый кандидат
кандидат, чей стек содержит эту технологию; агрегат, без единой записи наружу
Подходящий кандидат
пока не считается
Окно
открытые вакансии на момент сборки снимка

О данных

  • Некоторые разрезы скрыты: по ним пока недостаточно полноты данных.
  • Статистика строится только там, где выборка проходит порог качества.
  • Отсутствие блока не означает нулевое значение.

Сейчас скрыто разрезов: 8.

Направление: AI / ML / DS

Соседние специализации

Внутри ML Engineer: general ML Engineer (универсальный, recsys/NLP/CV/fraud), Applied ML Engineer (продуктовый фокус + business metrics), Senior ML Engineer (end-to-end pipelines + scaling), Staff / Principal ML Engineer (ML platform architecture для organization), ML Tech Lead (team leadership), ML Platform Engineer (infrastructure для других ML-команд). Сравнение с data-scientist/research/mlops — в баре ниже.

AI / LLM EngineerComputer VisionData ScientistMLOps EngineerNLP EngineerResearch Engineer / Scientist

Частые вопросы

Самые частые вопросы про ML Engineer: зарплаты, ML Engineer vs DS vs Research vs MLOps, production ML pipeline stack (10 components), отличие от Applied ML, удалёнка, как стать (8-14 месяцев из Data Analyst / Backend Middle), Senior skills (LLM mastery + MLOps + distributed). Ответы пересчитываются автоматически.

Какой стек чаще всего требуют от ML Engineer?

Топ-5: python, cloud, pytorch, llm, aws. Python — монополист (R почти не встречается в production ML 2026). Classical ML: scikit-learn + XGBoost + LightGBM + CatBoost — base, must для tabular data. Data manipulation: pandas + NumPy + Polars (modern, rising 2026 — 10-100× faster), PyArrow для cross-framework data. Computer Vision: OpenCV, torchvision, Detectron2, MMDetection, Ultralytics YOLO. Experiment tracking: MLflow (open-source standard) или Weights & Biases (premium UI) или Neptune. Data version control: DVC. Orchestration: Airflow + Prefect + Dagster (один deeply). Deployment: Docker + Kubernetes mastery, FastAPI + Triton Inference Server + BentoML + TorchServe (один deeply). Cross-framework inference: ONNX. Feature stores: Feast (open-source) или Tecton (managed). Distributed compute: Spark + Ray + Dask. Cloud-managed ML: AWS SageMaker / GCP Vertex AI / Azure ML (один deeply). Дополнительно для Senior: quantization (PyTorch quantization, bitsandbytes), distillation, LoRA/QLoRA fine-tuning, vLLM/TGI/SGLang для LLM-serving, Optuna для hyperparameter tuning.

ML Engineer vs Data Scientist vs Research vs MLOps — в чём разница?

Data Scientist — фокус на business problem framing + statistical modeling + A/B testing + insights communication. Стек: pandas + sklearn + Jupyter + SQL + Tableau/Looker. Менее infrastructure-heavy. См. Data Scientist. ML Engineer (эта страница) — фокус на production ML pipelines + deployment + scaling. Стек как у DS + Docker/K8s + MLflow + Airflow + cloud-managed ML. Research Engineer / Scientist — фокус на новых моделях, papers, novel architectures. Часто PhD-track. Стек: PyTorch deep + JAX + experiment-heavy infrastructure. См. Research Engineer / Scientist. MLOps Engineer — фокус на ML platform infrastructure (feature stores, model registry, monitoring, observability, cost optimization). Стек: K8s + Terraform + MLflow/Kubeflow + Prometheus/Grafana + cloud. См. MLOps Engineer. Career-switch ML Engineer ↔ DS — за 1-3 месяца. ML Engineer ↔ MLOps — за 2-4 месяца (если есть K8s base). Research path требует PhD или 3+ years deep specialization.

Какой стек production ML pipeline на 2026?

Reference-stack для production ML 2026: 1) Data ingestion — Airflow/Prefect/Dagster pulls raw data из source systems (DB/Kafka/S3). 2) Feature engineering — Spark/Pandas/Polars transforms → Feature Store (Feast или Tecton — централизованное хранение, point-in-time correctness, online+offline serving). 3) Experimentation — Jupyter + W&B/MLflow tracking + DVC для data version control + Optuna для hyperparameter search. 4) Training — Ray Train или PyTorch Lightning + distributed (multi-GPU/multi-node), checkpointing в S3/GCS, quantization (INT8/FP16) для inference cost. 5) Model registry — MLflow Model Registry или SageMaker Model Registry (versioning + stages: staging/production/archived). 6) Validation — automated tests (data drift, prediction quality), shadow deployment, A/B test setup. 7) Serving — Triton Inference Server (NVIDIA, multi-framework + dynamic batching) или BentoML или TorchServe или vLLM (для LLM). FastAPI wrapper для API contract. 8) Deployment — Kubernetes (production standard) + Helm + ArgoCD для GitOps. 9) Monitoring — Prometheus + Grafana (latency/throughput/error rate) + custom drift detection (Evidently AI/WhyLabs) + cost dashboards. 10) Feedback loop — log predictions + ground truth → retraining trigger. ML platform для всей organization — Kubeflow или Metaflow или SageMaker Pipelines. LLM-specific stack: vLLM/TGI/SGLang для serving + prompt engineering (LangChain/LlamaIndex) + RAG (vector DBs Pinecone/Weaviate/Qdrant) + fine-tuning через LoRA/QLoRA + evaluation (RAGAS, DeepEval, custom benchmarks).

Какая доля вакансий предполагает удалённую работу?

Среди вакансий с указанным форматом работы 32% — удалённые. Вакансии без указанного формата не входят в знаменатель; гибридная работа не считается удалённой.

Чем ML Engineer отличается от Applied ML Engineer?

ML Engineer (general) — может работать в любом ML-домене (recsys, NLP, CV, fraud detection, ranking). Стек универсален. Applied ML Engineer — фокус на конкретной продуктовой ML-задаче + business metrics ownership (CTR, conversion, revenue lift). Стек тот же, но добавляется product-thinking + A/B testing mastery + stakeholder communication. Зарплаты сопоставимы (медиана), но в продуктовых компаниях Applied ML обычно несколько выше Senior за счёт business impact ownership. ML Platform Engineer (отдельная subniche — ближе к MLOps) — строит инфраструктуру для других ML Engineers (Feature Store, MLflow infrastructure, training platform). Career-выбор: ML Engineer если универсальность и portability важнее, Applied ML Engineer если product-impact интересен, ML Platform Engineer если infrastructure и tooling. Все три legitimate Senior+ paths, не лучше/хуже.

С чего начинать в ML Engineering в 2026?

Roadmap: 1) Python deep до Backend Middle уровня (clean code, design patterns, async). Книги: «Fluent Python» Ramalho, «Effective Python» Slatkin. 2) Математика — линейная алгебра + матанализ + теорвер/статистика на уровне «понимать что под капотом backprop». MIT 18.06 Linear Algebra (Strang), 3Blue1Brown «Essence of Linear Algebra». 3) Classical ML — scikit-learn + XGBoost + LightGBM mastery. Курс Andrew Ng «Machine Learning Specialization» (Coursera). Книга «Hands-On Machine Learning» Géron (must-read 2026). 4) Deep Learning — PyTorch deep (forward/backward/optimizers/training loops from scratch). Курс «Deep Learning Specialization» Andrew Ng. Книга «Deep Learning with PyTorch» Stevens. 5) NLP/LLM track: Hugging Face course (free) → fine-tuning small LLMs (Mistral 7B/Llama 3 8B) с LoRA/QLoRA → строить RAG-приложение с LangChain + Qdrant. 6) Computer Vision track (alternative): torchvision + Detectron2 + Ultralytics YOLO + custom dataset training. 7) MLOps basics: MLflow + DVC + Airflow + Docker + Kubernetes для ML serving. «Designing Machine Learning Systems» Chip Huyen — must-read для production ML. 8) Cloud ML: один из AWS SageMaker / GCP Vertex AI / Azure ML — пройти один e2e tutorial. 9) Distributed training: Ray Train + PyTorch DDP. 10) Pet-проект: full e2e ML system (data pipeline + feature store + training + MLflow tracking + Kubernetes deployment + monitoring) на open dataset (Kaggle). International (eng): fast.ai «Practical Deep Learning», Hugging Face NLP Course, DeepLearning.AI (Andrew Ng). Книги-классика: «Pattern Recognition and Machine Learning» Bishop, «The Hundred-Page Machine Learning Book» Burkov. Конференции: NeurIPS, ICML, ICLR (papers — must reading для Senior). Data Analyst или Backend Middle → ML Engineer Junior — 8-14 месяцев.

Сколько открытых вакансий в этой выборке?

В опубликованной выборке — 2291 открытых вакансий без перепубликаций. Это тот же показатель, что в верхнем блоке страницы. География выборки представлена в разделе географии; это не оценка всего рынка.

Какие навыки нужны Senior ML Engineer?

Senior ML Engineer владеет полным циклом production ML + technical leadership. Programming mastery: Python Backend Senior-уровень (clean code, async, profiling, memory optimization). Math foundations: линейная алгебра + матанализ + теорвер на уровне «читать papers без блоков». Classical ML mastery: feature engineering deep, model selection rationale, calibration, evaluation metrics tradeoffs, business-aligned model design. Deep Learning mastery: PyTorch deep (custom Layers/Modules/Optimizers), distributed training (DDP, FSDP), mixed-precision, quantization (INT8/FP16), distillation, ONNX export. LLM mastery (2026 must для Senior): fine-tuning через LoRA/QLoRA, prompt engineering, RAG architecture (vector DBs Pinecone/Weaviate/Qdrant), evaluation (RAGAS, DeepEval), vLLM/TGI/SGLang для serving. MLOps: MLflow / W&B mastery, DVC, Airflow / Prefect / Dagster, Feature Stores (Feast / Tecton), Docker + Kubernetes mastery для ML serving, Helm + ArgoCD. Cloud ML: один из AWS SageMaker / GCP Vertex AI / Azure ML deeply. Distributed compute: Ray + Spark mastery. Monitoring: Prometheus + Grafana + Evidently AI (drift detection) integration. Cost optimization: GPU utilization, batch sizing, model quantization, caching strategies. System design для ML: дизайнить ML systems на whiteboard под scale 100M+ users (recsys / fraud / ranking / chatbot). Soft: papers reading (NeurIPS / ICML / ICLR), technical writing (ADRs, design docs), code-review для multiple teams, mentoring Middle ML Engineers, общение с product/data/backend teams, A/B test design + statistical analysis. Английский для Senior+ MUST — ML/AI-сообщество и papers на английском. Бонус: contributions в open-source (PyTorch / Hugging Face / LangChain) — резко повышают market value.

Оставить заявку

Опишите задачу и оставьте контакт — заявка попадёт в CRM, ответим на указанный контакт.

Отправляя заявку, вы соглашаетесь с политикой обработки данных.