MLOps Engineer: рынок
Данные на 19 ноября 2026: открытых вакансий MLOps Engineer — 354, удалённых — 31% среди вакансий с указанным форматом работы; медианная зарплата в объявлениях — $8 315/мес (по 41 вакансиям с указанной зарплатой). Источник — Zorky, обновляется ежедневно.
MLOps Engineer — infrastructure для ML/AI команд. На пересечении DevOps + ML Engineering + Platform Engineering. Строит и поддерживает ML platform для других DS / ML Engineer / Research команд: feature stores, model registry, training infrastructure, serving stack, monitoring, cost optimization. Семейство ролей: MLOps Engineer (mid — infra для одной product-команды), Senior MLOps Engineer (multi-team platform + cost optimization + scaling), ML Platform Engineer (builds reusable platform для всей organization — Feature Store / Model Registry / Training Platform), Staff / Principal MLOps (ML platform architecture для multi-product organization), MLOps Tech Lead (team leadership + platform strategy + integration с DevOps / SRE). Стек: Python (основной), Docker+Kubernetes mastery (production ML serving), Helm+Kustomize+ArgoCD (GitOps), Terraform/Pulumi/CloudFormation (infra-as-code для cloud-managed ML resources), MLflow (model registry + tracking — open-source standard), Kubeflow+Kubeflow Pipelines (K8s-native ML orchestration), Airflow/Prefect/Dagster (data + ML pipelines), Feast/Tecton (feature stores), Triton Inference Server+BentoML+TorchServe+vLLM/TGI/SGLang (model serving — LLM-specific), Prometheus+Grafana+Loki (observability), Evidently AI/WhyLabs/Arize AI/Fiddler (ML monitoring + drift detection), DVC+LakeFS (data version control), AWS SageMaker/GCP Vertex AI/Azure ML/Databricks/Domino Data Lab (cloud-managed ML), Spark+Ray (distributed compute platforms), FluxCD+Tekton (CI/CD для ML pipelines), OpenTelemetry (tracing). Топ-стек: mlops, ci/cd, cloud, aws, python. Среди вакансий с указанным форматом работы 31% — удалённые.
Данные на:
Главные цифры рынка MLOps Engineer: открытые вакансии, медианная зарплата, наблюдаемый пул специалистов и доля удалёнки.
На рынке MLOps Engineer сейчас 354 открытых вакансий, из них 304 со свежим наблюдением. Медианная зарплата $8 315/мес.
Среди вакансий с указанным форматом работы 31% — удалённые. MLOps work cloud-based standard. Аутсорсеры (EPAM AI Platform / Luxoft AI) — почти всегда remote. Российские банки (Сбер AI banking / ВТБ) — гибрид/офис security compliance. Международные ML-platform-companies — full-remote standard. Big Tech ML Platform — гибрид-standard.
⚠ зарплата известна у 41 из 354 вакансий; доля удалёнки — от 290 с указанным форматом; свежими наблюдениями считаются 304; тренд и сложность найма не показываются
Динамика: вакансии и источники
Сколько вакансий MLOps 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
| Период | Новые вакансии за неделю |
|---|---|
| 2026-06-01 | 25 |
| 2026-06-08 | 18 |
| 2026-06-15 | 12 |
| 2026-06-22 | 56 |
| 2026-06-29 | 38 |
| 2026-07-06 | 44 |
| 2026-07-13 | 67 |
| 2026-07-20 | 44 |
| 2026-07-27 | 24 |
| 2026-08-03 | 25 |
| 2026-08-10 | 29 |
| 2026-08-17 | 20 |
| 2026-08-24 | 24 |
| 2026-08-31 | 30 |
| 2026-09-07 | 24 |
| 2026-09-14 | 34 |
| 2026-09-21 | 53 |
| 2026-09-28 | 59 |
| 2026-10-05 | 56 |
| 2026-10-12 | 151 |
| 2026-10-19 | 54 |
| 2026-10-26 | 70 |
| 2026-11-02 | 85 |
| 2026-11-09 | 73 |
Активных источников за неделю
Источников всего за период: 124. ▲ — неделя, когда подключилось много новых источников.
Данные графика
| Период | Активных источников |
|---|---|
| 2026-06-01 | 11 |
| 2026-06-08 | 8 |
| 2026-06-15 | 5 |
| 2026-06-22 | 11 |
| 2026-06-29 | 23 |
| 2026-07-06 | 19 |
| 2026-07-13 | 28 |
| 2026-07-20 | 14 |
| 2026-07-27 | 14 |
| 2026-08-03 | 19 |
| 2026-08-10 | 18 |
| 2026-08-17 | 15 |
| 2026-08-24 | 12 |
| 2026-08-31 | 20 |
| 2026-09-07 | 14 |
| 2026-09-14 | 18 |
| 2026-09-21 | 24 |
| 2026-09-28 | 23 |
| 2026-10-05 | 22 |
| 2026-10-12 | 32 |
| 2026-10-19 | 27 |
| 2026-10-26 | 29 |
| 2026-11-02 | 36 |
| 2026-11-09 | 41 |
Подключение новых источников: 29 июн. +14 · 6 июл. +8 · 13 июл. +15 · 9 нояб. +14 · все недели (23) — в таблице
| Неделя | Новых источников | Новых вакансий |
|---|---|---|
| 8 июн. | +3 | 18 |
| 15 июн. | +1 | 12 |
| 22 июн. | +5 | 56 |
| 29 июн. | +14 | 38 |
| 6 июл. | +8 | 44 |
| 13 июл. | +15 | 67 |
| 20 июл. | +5 | 44 |
| 27 июл. | +3 | 24 |
| 3 авг. | +3 | 25 |
| 10 авг. | +4 | 29 |
| 17 авг. | +6 | 20 |
| 24 авг. | +1 | 24 |
| 31 авг. | +4 | 30 |
| 7 сент. | +2 | 24 |
| 14 сент. | +3 | 34 |
| 21 сент. | +5 | 53 |
| 28 сент. | +1 | 59 |
| 5 окт. | +2 | 56 |
| 12 окт. | +5 | 151 |
| 19 окт. | +2 | 54 |
| 26 окт. | +3 | 70 |
| 2 нояб. | +4 | 85 |
| 9 нояб. | +14 | 73 |
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
| Неделя | Новые вакансии за неделю | Активных источников |
|---|---|---|
| 2026-06-01 | 25 | 11 |
| 2026-06-08 | 18 | 8 |
| 2026-06-15 | 12 | 5 |
| 2026-06-22 | 56 | 11 |
| 2026-06-29 | 38 | 23 |
| 2026-07-06 | 44 | 19 |
| 2026-07-13 | 67 | 28 |
| 2026-07-20 | 44 | 14 |
| 2026-07-27 | 24 | 14 |
| 2026-08-03 | 25 | 19 |
| 2026-08-10 | 29 | 18 |
| 2026-08-17 | 20 | 15 |
| 2026-08-24 | 24 | 12 |
| 2026-08-31 | 30 | 20 |
| 2026-09-07 | 24 | 14 |
| 2026-09-14 | 34 | 18 |
| 2026-09-21 | 53 | 24 |
| 2026-09-28 | 59 | 23 |
| 2026-10-05 | 56 | 22 |
| 2026-10-12 | 151 | 32 |
| 2026-10-19 | 54 | 27 |
| 2026-10-26 | 70 | 29 |
| 2026-11-02 | 85 | 36 |
| 2026-11-09 | 73 | 41 |
Зарплаты во времени
Медиана зарплат в вакансиях MLOps Engineer по неделям, в долларах США в месяц.
Медиана зарплаты, $ в месяц
Данные графика
| Период | Медиана | Сколько вакансий с зарплатой за неделю (n) |
|---|---|---|
| 2026-10-19 | 9 550 | 12 |
| 2026-10-26 | 9 457 | 16 |
| 2026-11-02 | 7 750 | 13 |
| 2026-11-09 | — | 7 |
Ряд начинается с 19 окт.: раньше данных нет.
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
| Неделя | Медиана |
|---|---|
| 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 | — |
| 2026-10-19 | 9 550 |
| 2026-10-26 | 9 457 |
| 2026-11-02 | 7 750 |
| 2026-11-09 | — |
Удалённая работа во времени
Какая доля вакансий MLOps Engineer предлагала полностью удалённую работу — по неделям.
Доля удалённых вакансий, %
Данные графика
| Период | Удалённо |
|---|---|
| 2026-06-01 | 64,7 |
| 2026-06-08 | 50 |
| 2026-06-15 | — |
| 2026-06-22 | 46,9 |
| 2026-06-29 | 54,5 |
| 2026-07-06 | 48,3 |
| 2026-07-13 | 42,9 |
| 2026-07-20 | 63,4 |
| 2026-07-27 | 76,5 |
| 2026-08-03 | 9,5 |
| 2026-08-10 | 45 |
| 2026-08-17 | 16,7 |
| 2026-08-24 | 25 |
| 2026-08-31 | 52,2 |
| 2026-09-07 | 23,8 |
| 2026-09-14 | 26,1 |
| 2026-09-21 | 35,7 |
| 2026-09-28 | 49 |
| 2026-10-05 | 28 |
| 2026-10-12 | 32,7 |
| 2026-10-19 | 15,4 |
| 2026-10-26 | 29,7 |
| 2026-11-02 | 30,6 |
| 2026-11-09 | 43,9 |
Доля считается среди вакансий, где формат указан (удалённо, гибрид, офис). Недели, где таких меньше 10, пропущены.
Данные графика
| Неделя | Удалённо |
|---|---|
| 2026-06-01 | 64,7 |
| 2026-06-08 | 50 |
| 2026-06-15 | — |
| 2026-06-22 | 46,9 |
| 2026-06-29 | 54,5 |
| 2026-07-06 | 48,3 |
| 2026-07-13 | 42,9 |
| 2026-07-20 | 63,4 |
| 2026-07-27 | 76,5 |
| 2026-08-03 | 9,5 |
| 2026-08-10 | 45 |
| 2026-08-17 | 16,7 |
| 2026-08-24 | 25 |
| 2026-08-31 | 52,2 |
| 2026-09-07 | 23,8 |
| 2026-09-14 | 26,1 |
| 2026-09-21 | 35,7 |
| 2026-09-28 | 49 |
| 2026-10-05 | 28 |
| 2026-10-12 | 32,7 |
| 2026-10-19 | 15,4 |
| 2026-10-26 | 29,7 |
| 2026-11-02 | 30,6 |
| 2026-11-09 | 43,9 |
Технологии во времени
Как менялась доля вакансий MLOps Engineer, где упоминается каждая из главных технологий.
Доля вакансий с технологией, %
Данные графика
| Период | MLOps | cloud | Python |
|---|---|---|---|
| 2026-08-10 | 96 | 16 | 16 |
| 2026-08-17 | 100 | 25 | 20 |
| 2026-08-24 | 87 | 17,4 | 30,4 |
| 2026-08-31 | 96,2 | 7,7 | 38,5 |
| 2026-09-07 | 91,3 | 26,1 | 8,7 |
| 2026-09-14 | 97 | 6,1 | 3 |
| 2026-09-21 | 95,9 | 30,6 | 36,7 |
| 2026-09-28 | 94,9 | 44,1 | 50,8 |
| 2026-10-05 | 94,4 | 31,5 | 53,7 |
| 2026-10-12 | 89,3 | 45,6 | 30,9 |
| 2026-10-19 | 94,3 | 60,4 | 56,6 |
| 2026-10-26 | 86,2 | 30,8 | 53,8 |
| 2026-11-02 | 85,9 | 38,5 | 46,2 |
| 2026-11-09 | 91,8 | 49,3 | 38,4 |
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
| Неделя | MLOps | cloud | AWS | Python | Docker |
|---|---|---|---|---|---|
| 2026-08-10 | 96 | 16 | 4 | 16 | 12 |
| 2026-08-17 | 100 | 25 | 25 | 20 | 25 |
| 2026-08-24 | 87 | 17,4 | 8,7 | 30,4 | 21,7 |
| 2026-08-31 | 96,2 | 7,7 | 0 | 38,5 | 34,6 |
| 2026-09-07 | 91,3 | 26,1 | 8,7 | 8,7 | 8,7 |
| 2026-09-14 | 97 | 6,1 | 0 | 3 | 12,1 |
| 2026-09-21 | 95,9 | 30,6 | 18,4 | 36,7 | 20,4 |
| 2026-09-28 | 94,9 | 44,1 | 37,3 | 50,8 | 32,2 |
| 2026-10-05 | 94,4 | 31,5 | 22,2 | 53,7 | 18,5 |
| 2026-10-12 | 89,3 | 45,6 | 31,5 | 30,9 | 30,2 |
| 2026-10-19 | 94,3 | 60,4 | 32,1 | 56,6 | 28,3 |
| 2026-10-26 | 86,2 | 30,8 | 27,7 | 53,8 | 29,2 |
| 2026-11-02 | 85,9 | 38,5 | 32,1 | 46,2 | 21,8 |
| 2026-11-09 | 91,8 | 49,3 | 32,9 | 38,4 | 27,4 |
Страны во времени
Как менялась доля вакансий MLOps Engineer в каждой из главных стран — по неделям.
Доля вакансий в стране, %
Данные графика
| Период | Польша | Великобритания | Россия |
|---|---|---|---|
| 2026-06-01 | 24 | 8 | 16 |
| 2026-06-08 | — | — | — |
| 2026-06-15 | — | — | — |
| 2026-06-22 | 77,8 | 1,9 | 1,9 |
| 2026-06-29 | 30,6 | 2,8 | 22,2 |
| 2026-07-06 | 13,2 | 10,5 | 23,7 |
| 2026-07-13 | 32,7 | 5,5 | 1,8 |
| 2026-07-20 | 63,4 | 2,4 | 19,5 |
| 2026-07-27 | 50 | 4,5 | 18,2 |
| 2026-08-03 | 4,8 | 23,8 | 4,8 |
| 2026-08-10 | 0 | 22,2 | 25,9 |
| 2026-08-17 | — | — | — |
| 2026-08-24 | 0 | 43,5 | 17,4 |
| 2026-08-31 | 0 | 11,5 | 50 |
| 2026-09-07 | — | — | — |
| 2026-09-14 | 15,4 | 7,7 | 23,1 |
| 2026-09-21 | 14,9 | 21,3 | 14,9 |
| 2026-09-28 | 35,3 | 15,7 | 2 |
| 2026-10-05 | 32,7 | 22,4 | 4,1 |
| 2026-10-12 | 22,5 | 7,8 | 2,3 |
| 2026-10-19 | 13,3 | 24,4 | 6,7 |
| 2026-10-26 | 13,8 | 17,2 | 10,3 |
| 2026-11-02 | 13,4 | 17,9 | 1,5 |
| 2026-11-09 | 11,1 | 6,3 | 12,7 |
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
| Неделя | Польша | Великобритания | США | Россия | Индия |
|---|---|---|---|---|---|
| 2026-06-01 | 24 | 8 | 28 | 16 | 16 |
| 2026-06-08 | — | — | — | — | — |
| 2026-06-15 | — | — | — | — | — |
| 2026-06-22 | 77,8 | 1,9 | 3,7 | 1,9 | 3,7 |
| 2026-06-29 | 30,6 | 2,8 | 11,1 | 22,2 | 5,6 |
| 2026-07-06 | 13,2 | 10,5 | 10,5 | 23,7 | 10,5 |
| 2026-07-13 | 32,7 | 5,5 | 20 | 1,8 | 14,5 |
| 2026-07-20 | 63,4 | 2,4 | 0 | 19,5 | 4,9 |
| 2026-07-27 | 50 | 4,5 | 4,5 | 18,2 | 0 |
| 2026-08-03 | 4,8 | 23,8 | 19 | 4,8 | 9,5 |
| 2026-08-10 | 0 | 22,2 | 3,7 | 25,9 | 11,1 |
| 2026-08-17 | — | — | — | — | — |
| 2026-08-24 | 0 | 43,5 | 8,7 | 17,4 | 4,3 |
| 2026-08-31 | 0 | 11,5 | 3,8 | 50 | 3,8 |
| 2026-09-07 | — | — | — | — | — |
| 2026-09-14 | 15,4 | 7,7 | 7,7 | 23,1 | 15,4 |
| 2026-09-21 | 14,9 | 21,3 | 14,9 | 14,9 | 2,1 |
| 2026-09-28 | 35,3 | 15,7 | 11,8 | 2 | 5,9 |
| 2026-10-05 | 32,7 | 22,4 | 22,4 | 4,1 | 0 |
| 2026-10-12 | 22,5 | 7,8 | 10,1 | 2,3 | 12,4 |
| 2026-10-19 | 13,3 | 24,4 | 15,6 | 6,7 | 15,6 |
| 2026-10-26 | 13,8 | 17,2 | 24,1 | 10,3 | 5,2 |
| 2026-11-02 | 13,4 | 17,9 | 11,9 | 1,5 | 9 |
| 2026-11-09 | 11,1 | 6,3 | 14,3 | 12,7 | 11,1 |
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 MLOps Engineer.
Индекс найма, 16 окт. = 100
Данные графика
| Период | Индекс найма |
|---|---|
| 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 |
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
| День | Индекс найма |
|---|---|
| 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 |
Сколько открытых вакансий MLOps Engineer и сколько подходящих специалистов видит Zorky.
Спрос и наблюдаемый пул
Данные графика
| Показатель | Значение |
|---|---|
| Открытый спрос | 354 |
| Открытый спрос | 354 |
| Наблюдаемый пул | — не публикуется |
MLOps Engineer — самая «recession-resistant» AI/ML-ниша (production needs continuously). Рост 2026 драйвится: LLM-serving infrastructure (vLLM / TGI / SGLang adoption), foundation model deployment в enterprise, ML platform internal-tooling buildouts, cost-optimization pressure (GPU costs $10K+/month per team typical). Российские — стабильный поток. Международные ML-platform-companies (Truefoundry / Bento / Determined AI / Run:AI) — премиум remote сегмент.
⚠ подходящих под вакансию кандидатов пока не считаем: показаны спрос и наблюдаемый пул
Как распределены зарплаты в вакансиях MLOps Engineer, в долларах США в месяц.
Распределение зарплат
Данные графика
| Показатель | Значение |
|---|---|
| <$1k | 0 |
| $1–2k | 1 |
| $2–3k | 1 |
| $3–4k | 3 |
| $4–5k | 3 |
| $5–6k | 1 |
| $6–7k | 7 |
| $7–8k | 3 |
| $8–9k | 6 |
| $9–10k | 3 |
| $10–12k | 4 |
| $12–15k | 5 |
| $15–20k | 3 |
| $20k+ | 1 |
- пригодна для расчёта: 41 (11,6%)
- указана, но не приведена к $/мес: 49 (13,8%)
- не указана: 264 (74,6%)
В каждой десятой вакансии вилка ниже $3 894, в каждой десятой — выше $13 750. Половина вакансий предлагает от $6 000 до $11 608. Выборка: 41.
Данные графика
| Показатель | Нижняя граница | Верхняя граница | Количество |
|---|---|---|---|
| <$1k | 0 | 1 000 | 0 |
| $1–2k | 1 000 | 2 000 | 1 |
| $2–3k | 2 000 | 3 000 | 1 |
| $3–4k | 3 000 | 4 000 | 3 |
| $4–5k | 4 000 | 5 000 | 3 |
| $5–6k | 5 000 | 6 000 | 1 |
| $6–7k | 6 000 | 7 000 | 7 |
| $7–8k | 7 000 | 8 000 | 3 |
| $8–9k | 8 000 | 9 000 | 6 |
| $9–10k | 9 000 | 10 000 | 3 |
| $10–12k | 10 000 | 12 000 | 4 |
| $12–15k | 12 000 | 15 000 | 5 |
| $15–20k | 15 000 | 20 000 | 3 |
| $20k+ | 20 000 | — | 1 |
В каких странах больше всего открытых вакансий MLOps Engineer.
География спроса
| страна | вакансий | доля |
|---|---|---|
| Соединенные Штаты | 58 | 19,7% |
| Польша | 50 | 16,9% |
| Индия | 26 | 8,8% |
| Великобритания | 23 | 7,8% |
| Германия | 18 | 6,1% |
| Франция | 16 | 5,4% |
| Россия | 16 | 5,4% |
| Канада | 12 | 4,1% |
| Румыния | 9 | 3,1% |
| Нидерланды | 5 | 1,7% |
| Остальные страны | 62 | 21% |
Лидер по числу MLOps-вакансий — США (58 позиций). Польша — AI Platform-friendly EU-хаб. Германия — Berlin AI-cluster. Большой международный remote через ML-platform-companies (Truefoundry / Bento / W&B / Comet / Determined AI) + AI-startup MLOps teams.
⚠ только число вакансий: зарплата по странам не публикуется
Данные графика
| Страна | Вакансии |
|---|---|
| US | 58 |
| PL | 50 |
| IN | 26 |
| GB | 23 |
| DE | 18 |
| FR | 16 |
| RU | 16 |
| CA | 12 |
| RO | 9 |
| NL | 5 |
Какие технологии чаще всего требуют в одной вакансии с MLOps Engineer.
С чем используется вместе
Доля — сколько из 354 вакансий рынка «MLOps Engineer» упоминают эту технологию. Порядок — по числу вакансий, не по «силе связи». Обобщения вроде cloud не равны конкретному облаку (AWS, Azure).
Топ-стек MLOps 2026: Python + Go bonus, Docker mastery + Kubernetes mastery (production standard), Helm + Kustomize + ArgoCD / FluxCD (GitOps), Terraform + Pulumi / CloudFormation (IaC), MLflow (model registry + tracking — open-source standard) + Kubeflow + Kubeflow Pipelines, Airflow / Prefect / Dagster (workflow), Feast / Tecton (feature stores), Triton Inference Server + BentoML + TorchServe + KServe (model serving), vLLM + TGI + SGLang + Ollama (LLM serving — 2026 must), Prometheus + Grafana + Loki + OpenTelemetry, Evidently AI + WhyLabs + Arize AI + Fiddler (ML monitoring + drift), DVC + LakeFS, AWS SageMaker / GCP Vertex AI / Azure ML / Databricks (cloud-managed ML), Spark + Ray (distributed compute), NVIDIA GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows (K8s ML operators).
Частые пары: Kubernetes + Helm + ArgoCD + Terraform, MLflow + Kubeflow + Feast, Triton + KServe + Prometheus + Grafana, vLLM + TGI + SGLang (LLM serving stack), AWS SageMaker + Terraform + GitHub Actions, GCP Vertex AI + Kubeflow Pipelines, Databricks + MLflow + Spark, Evidently AI + Prometheus + Grafana (ML observability). Learning-roadmap: DevOps fundamentals (Linux + Docker + K8s) → Terraform + cloud platform deep → CI/CD + GitOps → ML basics (Python + sklearn + PyTorch) → MLflow + Feast (ML platform foundation) → Triton / vLLM (serving) → Evidently AI (monitoring) → ML platform pet-проект → open-source contributions.
Данные графика
| Название | Количество |
|---|---|
| mlops | 277 |
| cloud | 147 |
| aws | 122 |
| python | 119 |
| docker | 105 |
| kubernetes | 102 |
| azure | 83 |
| mlflow | 56 |
| gcp | 52 |
| llm | 50 |
| airflow | 48 |
| databricks | 37 |
Сколько вакансий MLOps Engineer на каждом уровне — от junior до principal.
Спрос по уровням
| уровень | вакансий |
|---|---|
| senior | 126 |
| middle | 30 |
| principal | 24 |
| lead | 16 |
| junior | 11 |
Junior — typical entry: DevOps Middle + ML interest ИЛИ ML Engineer Middle + infra interest ИЛИ Backend Senior + ML courses. Career-flow: Junior (1-2 года) → Middle (2-3 года) → Senior → либо Staff / Principal MLOps (deep technical), либо MLOps Tech Lead / Platform Engineering Manager, либо Founder в ML-platform-startup.
⚠ только сторона спроса: грейд наблюдаемого пула неизвестен у большинства
Данные графика
| Уровень | Количество |
|---|---|
| senior | 126 |
| middle | 30 |
| principal | 24 |
| lead | 16 |
| junior | 11 |
Кто больше всех нанимает по MLOps Engineer и насколько спрос сосредоточен у крупных компаний.
Работодатели
Спрос распределён между 280 работодателями. На крупнейшего приходится 1.2%, на десятку — 9.3%; остальные 90.7% — длинный хвост.
| доля | значение |
|---|---|
| крупнейший | 1.2% |
| топ-3 | 3.4% |
| топ-10 | 9.3% |
| длинный хвост | 90.7% |
⚠ имена не показываются: кадровые агентства и конечные работодатели пока не различаются классификацией
С каких сайтов компаний и досок Zorky собирает вакансии MLOps Engineer.
Откуда Zorky видит этот рынок
Наблюдение идёт из 71 источников; на крупнейший приходится 9.6% — рынок не держится на одном канале.
Данные графика
| Класс | Название | Название на английском | Количество | Доля |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS & career sites | 181 | 0,5113 |
| board | джоб-борды и агрегаторы | job boards & aggregators | 146 | 0,4124 |
| telegram | Telegram | Telegram | 25 | 0,0706 |
| community | сообщества и публичные профили | community & public profiles | 2 | 0,0056 |
Самые новые вакансии MLOps Engineer с сайтов компаний.
Свежие вакансии
- Inżynier MLOps (k/m) · RO
- Senior Inżynier MLOps (k/m) · RO
- MLOps Mühendisi · RO
- Junior Inżynier MLOps (k/m) · RO
- Senior Data Engineer, Taxonomy, AI Data Modeling, MLOps, YouTube Business · US
- AI/ML Platform MLOps Engineer · BR
- Oversee AI optimization, monitoring, security, and MLOps/LLMOps practices.
- Sr MLOps Engineer · US
Свежие открытые MLOps-вакансии — последние 10 позиций с приемлемым качеством описания. Полный список — в нашем CRM или по ссылке «смотреть все» ниже.
Соседние рынки
MLOps Engineer пересекается с DevOps (foundational stack), Platform Engineer (internal-tooling focus — easy lateral move), ML Engineer (ML workflow understanding), SRE (reliability + observability deep), Backend Engineer (system design + API patterns). Сравнение с ml-engineer/data-scientist/research — в SiblingSubnichesChart выше.
⚠ соседние рынки для сравнения ещё не определены
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 MLOps: MLOps Engineer (mid — infra для одной product-команды), Senior MLOps (multi-team platform + cost optimization), ML Platform Engineer (reusable platform-as-product для organization), Staff / Principal MLOps (architecture для multi-product organization), MLOps Tech Lead (team management + platform strategy). Сравнение с ml-engineer/data-scientist/research — в баре ниже.
Частые вопросы
Самые частые вопросы про MLOps Engineer: зарплаты, MLOps vs DevOps vs Platform Engineer, MLflow vs Kubeflow vs Vertex AI vs SageMaker (decision tree из 7 options), ML Platform Engineer отличие, удалёнка, как стать (4-10 месяцев из DevOps Middle / ML Engineer Middle), Senior skills (LLM serving + cost optimization + multi-team platform). Ответы пересчитываются автоматически.
Какой стек чаще всего требуют от MLOps?
Топ-5: mlops, ci/cd, cloud, aws, python. Python (основной — для custom infrastructure), Go bonus (для performance-critical infra components — например serving proxies). Docker mastery (multi-stage builds для optimized ML images, GPU containers). Kubernetes mastery (production standard для ML serving — Deployment / StatefulSet / DaemonSet / Job / CronJob, RBAC, Network Policies, Resource Quotas, HPA / VPA / Cluster Autoscaler). GPU operator (NVIDIA GPU Operator для K8s GPU scheduling). K8s operators для ML: Kubeflow Training Operator + Spark Operator + Argo Workflows. Helm + Kustomize + ArgoCD / FluxCD — GitOps standard. Terraform / Pulumi / CloudFormation (IaC для cloud-managed ML — AWS / GCP / Azure resources). MLflow mastery (open-source standard для model registry + tracking — Senior владеет MLflow Plugins customization). Kubeflow + Kubeflow Pipelines (K8s-native ML orchestration — крупные enterprise часто требуют). Workflow orchestrators: Airflow + Prefect + Dagster (один deeply — Dagster rising 2026). Feature stores: Feast (open-source) или Tecton (managed) — must для Senior MLOps. Model serving: Triton Inference Server (NVIDIA — multi-framework + dynamic batching) + BentoML (Python-friendly) + TorchServe + KServe (K8s-native serving). LLM-specific serving: vLLM (PagedAttention — рекорд для high-throughput LLM serving), Text Generation Inference (TGI) от Hugging Face, SGLang (programming model для LLM serving + caching), Ollama (local LLM serving). Observability: Prometheus + Grafana + Loki + OpenTelemetry. ML monitoring + drift detection: Evidently AI + WhyLabs + Arize AI + Fiddler (один deeply). Data version control: DVC + LakeFS. Cloud-managed ML: один из AWS SageMaker / GCP Vertex AI / Azure ML / Databricks deeply. Distributed compute platforms: Spark + Ray mastery. Cost optimization: spot instances strategy, GPU sharing (NVIDIA MIG), quantization integration, caching strategies (Redis для inference results), batch vs real-time inference cost analysis.
MLOps vs DevOps vs Platform Engineer — в чём разница?
DevOps Engineer — фокус на general application infrastructure (CI/CD + monitoring + cloud + Kubernetes + IaC). Стек: Docker / K8s / Terraform / Prometheus / Grafana / Ansible / Jenkins / GitHub Actions / cloud (AWS / GCP / Azure). См. DevOps Engineer (general) (когда страница ship'нется). Platform Engineer — DevOps + internal-tooling focus. Строит developer-platform для разработчиков (К8s clusters management + ArgoCD + IDP — Internal Developer Platform — Backstage / Port / Cortex). MLOps Engineer (эта страница) — DevOps + ML-specific focus. Строит ML-platform для DS / ML Engineer / Research teams. Дополнительно к DevOps stack: MLflow / Kubeflow / Feature Stores / Model Serving (Triton / vLLM) / ML Monitoring (Evidently / WhyLabs) / cloud-managed ML (SageMaker / Vertex AI). ML Platform Engineer — Senior MLOps с focus на reusable platform-as-product (для всей organization, не single team). Career-overlap: DevOps Middle → MLOps Junior — за 6-12 месяцев (learn ML stack + Kubeflow / MLflow + cloud-managed ML). MLOps Senior ↔ Platform Engineer Senior — easy lateral move (much shared stack). ML Engineer Middle → MLOps Junior — за 4-8 месяцев (already knows ML stack, need to deepen Kubernetes + Terraform + observability). DevOps → MLOps — более distant чем Platform Engineer pivot (ML knowledge gap).
MLflow vs Kubeflow vs Vertex AI vs SageMaker — что выбрать?
Decision tree для ML platform choice 2026: 1) MLflow (open-source, vendor-neutral) — best для experiment tracking + model registry + simple deployment. Lightweight. Self-hosted или managed (Databricks). Use case: основа ML platform для большинства организаций. Default 2026 для team-level ML tracking. 2) Kubeflow + Kubeflow Pipelines (open-source, Kubernetes-native) — best для enterprise K8s-first организаций которые хотят полный ML-platform stack без vendor lock. Heavier setup. Includes: Pipelines (workflow) + Training Operator (distributed training) + Serving (KFServing → KServe) + Notebooks. Use case: large enterprise + Kubernetes-mature team + multi-cloud / on-prem requirement. 3) AWS SageMaker (managed) — best для AWS-native организаций. Comprehensive: SageMaker Studio (IDE) + Training Jobs + Hyperparameter Tuning + Pipelines + Endpoints (real-time + batch) + Model Registry + Feature Store + Clarify (bias detection). Vendor lock to AWS. Use case: AWS-first organization + small ML team — выгодно за counts of features в one platform. Cost-heavy at scale (expensive). 4) GCP Vertex AI (managed) — Google's SageMaker equivalent. Strong на: Vertex AI Workbench (Jupyter cloud), Pipelines (Kubeflow-based — portable), AutoML, TPU access (для research / large training), Model Garden (pre-trained models). Use case: GCP-first organization + Kubeflow-portability важна. 5) Azure ML (managed) — Azure equivalent. Strong on: Designer (visual ML pipeline builder), AutoML, MLOps capabilities, Azure-native integration. Use case: Azure / Microsoft-first organization. 6) Databricks (managed multi-cloud) — best для Spark-first ML workloads + Lakehouse. MLflow создатели. Premium pricing. Use case: data-heavy организации с Spark / Lakehouse pattern. 7) Specialized platforms: Weights & Biases (best UX для experiment tracking — research-favorite), Comet (W&B alternative), Neptune, Determined AI (distributed training platform), Run:AI (GPU orchestration — acquired by NVIDIA), Truefoundry + Bento (modern model serving). Default 2026 для new ML team: MLflow self-hosted (или Databricks managed if Spark-heavy) + Kubernetes serving (Triton / vLLM) + Feast (feature store) + Prometheus + Grafana + Evidently AI. Default для AWS-native enterprise: SageMaker (если cost-acceptable + small team) или MLflow on EKS + custom services (cheaper at scale). Default для Kubernetes-mature enterprise: Kubeflow + MLflow.
Какая доля вакансий предполагает удалённую работу?
Среди вакансий с указанным форматом работы 31% — удалённые. Вакансии без указанного формата не входят в знаменатель; гибридная работа не считается удалённой.
Чем ML Platform Engineer отличается от MLOps Engineer?
MLOps Engineer (general) — может работать в любой ML-team (product team / research lab / AI consultancy). Стек универсальный MLOps. ML Platform Engineer — Senior MLOps с focus на reusable platform-as-product для всей organization (не для одной team). Дополнительно: internal API design (для других ML Engineer / DS), self-service tools (templates / scaffolding / CLI tools — типа generate-new-model-project), SLA management для platform components (uptime / latency / throughput targets), cost-chargeback systems (per-team compute usage tracking + billing), onboarding documentation + training programs для other ML team members, backwards-compatibility management для shared platform components, open-source contribution в platform components (e.g. Feast / Kubeflow contributions). Staff / Principal MLOps — еще выше, типично managing ML platform team (3-7 MLOps engineers + integrations с DevOps / SRE / Data Platform leads). Career-выбор: MLOps Engineer если нравится hands-on каждый день в новой problem, ML Platform Engineer если нравится building reusable systems и working с multiple consumer-teams. Все три legitimate Senior+ paths.
С чего начинать в MLOps в 2026?
Roadmap: 1) Strong DevOps base — Linux + networking + bash mastery, Docker mastery (multi-stage builds + layer optimization + security scanning), Kubernetes mastery deep (Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA + custom CRDs basics). Книги: «Kubernetes in Action» Lukša, «The Kubernetes Book» Poulton. 2) IaC mastery: Terraform deep (modules / state management / workspaces) + understanding cloud-provider-specific patterns. Курс HashiCorp Learn (free). GitOps patterns с ArgoCD / FluxCD. 4) Cloud platform deep — выбрать один из AWS / GCP / Azure и пройти Solutions Architect Associate / Professional cert. 5) ML basics — minimum: Python + pandas + scikit-learn + PyTorch (basics) + понимать training / inference loops. Курс fast.ai «Practical Deep Learning» Part 1. «Designing Machine Learning Systems» Chip Huyen — MLOps-must-read 2026 (для understanding ML workflow от training до deployment). 6) Experiment tracking + model registry: MLflow mastery deep (Tracking + Registry + Projects + Models). Setup self-hosted MLflow on EKS / GKE / AKS. 7) ML serving stack: Triton Inference Server (multi-framework + dynamic batching) + BentoML + KServe. LLM serving: vLLM mastery (PagedAttention + continuous batching) + TGI + SGLang. 8) Feature Store: Feast (open-source) — setup end-to-end на тестовом проекте (offline + online + retrieval). 9) Orchestration: один из Airflow / Prefect / Dagster + Kubeflow Pipelines basics. 10) ML monitoring: Evidently AI (drift detection + data quality) + WhyLabs или Arize AI или Fiddler — один deeply. 11) Pet-проект: full ML platform deployment (K8s cluster + MLflow + Feast + Triton + Prometheus + Grafana + Evidently AI) с simple model lifecycle (train → register → deploy → monitor → retrain). Документируйте в GitHub README. 12) Open-source contribution — Feast / Kubeflow / MLflow / vLLM / Triton — резко повышает MLOps-resume value. Курсы РФ: Karpov.Courses «MLOps», Otus «MLOps», SkillFactory MLOps track, Slurm MLOps интенсив. International (eng): «Made with ML» MLOps course Goku Mohandas (free, comprehensive), Hugging Face MLOps course, Coursera «MLOps Specialization» DeepLearning.AI, Databricks Academy MLOps. Books-must: «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 месяцев. Backend Senior → Junior MLOps — 8-14 месяцев (need to learn ML stack).
Сколько открытых вакансий в этой выборке?
В опубликованной выборке — 354 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 MLOps?
Senior MLOps владеет полным циклом ML-platform engineering + technical leadership. Programming mastery: Python deep + Go bonus для performance-critical infra. Docker mastery: multi-stage builds, layer optimization, GPU containers, security scanning (Trivy / Snyk). Kubernetes mastery deep: Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA / VPA / Cluster Autoscaler, custom CRDs basics, GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows. IaC mastery: Terraform deep (modules / state / workspaces), один из Pulumi / CloudFormation bonus. GitOps mastery: ArgoCD / FluxCD + Kustomize / Helm patterns. Cloud platform deep: один из AWS / GCP / Azure на уровне Solutions Architect Professional. MLflow mastery: deep customization + Plugins + multi-tenancy patterns. Kubeflow Pipelines: enterprise-scale deployment + custom components + multi-tenancy. Feature Store mastery: Feast deep (offline + online + retrieval + monitoring + multi-tenancy) или Tecton (managed). Model serving mastery: Triton Inference Server deep (ensembles + dynamic batching + model repositories) + BentoML + KServe. LLM serving mastery (2026 must): vLLM deep (PagedAttention + continuous batching + speculative decoding + KV cache optimization) + TGI + SGLang + Ollama. Distributed compute platforms: Spark + Ray mastery (Spark Operator on K8s, Ray Train + Ray Serve). Observability deep: Prometheus + Grafana + Loki + OpenTelemetry + custom metrics + alerting strategies. ML monitoring: Evidently AI + WhyLabs / Arize AI / Fiddler integration patterns. Cost optimization mastery: spot instances strategy + GPU sharing (NVIDIA MIG) + quantization integration (INT8 / FP16 / FP4) + caching strategies (Redis для inference results) + batch vs real-time inference cost analysis + reserved instance planning. Security mastery: secrets management (Vault / cloud KMS), network policies, supply chain security (signed images), data privacy (PII handling in ML pipelines). System design для ML platforms: дизайнить ML platforms на whiteboard под scale 100M+ predictions/day + multi-tenant + multi-region. Soft: ADRs writing для platform decisions, technical writing (platform documentation + onboarding materials), code-review для multiple teams, mentoring Middle MLOps, cross-team collaboration (DevOps / SRE / Data Platform / ML Engineer / DS / Research teams). Английский для Senior+ MUST — MLOps интенсивно cross-team English-speaking. Optional bonus: open-source contributions в Feast / Kubeflow / MLflow / vLLM / Triton — резко повышают market value для frontier-AI labs + ML-platform-companies.
Оставить заявку
Опишите задачу и оставьте контакт — заявка попадёт в CRM, ответим на указанный контакт.