Кто такой ML-инженер: обязанности, навыки, зарплата и как стать
ML-инженер превращает модели машинного обучения в работающие сервисы: собирает данные, обучает, выводит в продакшн и следит, чтобы качество не деградировало. Разбираем задачи, стек, зарплаты и путь в профессию с нуля.
Кто такой ML-инженер простыми словами
ML-инженер (инженер машинного обучения) — разработчик, который создаёт системы, обучающиеся на данных, и доводит их до работы в реальном продукте. Рекомендации в маркетплейсе, скоринг заявок в банке, распознавание документов, прогноз спроса на складе — за всем этим стоят модели, которые кто-то обучил, встроил в сервис и поддерживает.
Ключевое слово в названии — инженер. Модель в ноутбуке с хорошей метрикой — только половина работы. Вторая половина — сделать так, чтобы она отвечала за миллисекунды, выдерживала нагрузку, обновлялась без простоев и не теряла качество, когда данные меняются.
Чем занимается: задачи
- Постановка задачи. Вместе с продуктом переводит бизнес-цель («меньше мошеннических транзакций») в задачу ML (классификация) и метрику, по которой будет понятен успех.
- Данные. Собирает, чистит, размечает, строит признаки и пайплайны, которые готовят данные автоматически.
- Обучение и эксперименты. Выбирает подход — от градиентного бустинга до нейросетей, — обучает, сравнивает варианты, подбирает гиперпараметры.
- Оценка. Проверяет модель на отложенной выборке, ищет перекосы и ошибки на важных сегментах, участвует в A/B-тестах.
- Вывод в продакшн. Упаковывает модель в сервис, оптимизирует скорость и потребление памяти, настраивает API.
- Поддержка. Мониторит качество, ловит дрейф данных, переобучает модель по расписанию или по сигналу.
Соотношение задач сильно зависит от компании. В небольшой команде ML-инженер делает всё — от SQL-запроса до деплоя. В крупной часть инфраструктуры забирают MLOps-инженеры, а ML-инженер сосредоточен на моделях.
Навыки и стек
| Навык | Зачем |
|---|---|
| Python | Основной язык ML: обучение, обработка данных, сервисы |
| SQL | Достать и подготовить данные из хранилищ компании |
| Математика и статистика | Понимать, почему модель работает или ломается, и честно оценивать результат |
| Классическое ML: scikit-learn, градиентный бустинг | Большинство задач на табличных данных решаются именно так |
| Глубокое обучение: PyTorch | Тексты, изображения, звук, большие языковые модели |
| Git, Docker, Linux | Совместная разработка и воспроизводимое окружение |
| API и веб-сервисы | Отдавать предсказания модели другим системам |
| Трекинг экспериментов и мониторинг | Помнить, что пробовали, и видеть деградацию модели в продакшне |
| Английский для чтения | Документация, статьи и обсуждения почти всегда на английском |
Отдельно ценится умение объяснить результат людям без технического бэкграунда: модель, которую никто не понял, редко доходит до продакшна.
Как выглядит рабочая неделя
Типичная задача ML-инженера идёт по кругу. Продукт приходит с проблемой: например, рекомендации в приложении стали хуже конвертировать в покупки. Инженер смотрит на данные и метрики, находит причину — скажем, изменился ассортимент, и модель не видела новых категорий. Он готовит свежую выборку, переобучает модель, сравнивает её со старой на отложенных данных, затем запускает A/B-тест на части пользователей. Если результат подтверждается, новая версия выкатывается на всех, а мониторинг настраивается так, чтобы похожую проблему заметить раньше.
Между такими циклами — код-ревью, созвоны с продуктом и аналитиками, разбор инцидентов и чтение статей о новых подходах. Доля «чистого» обучения моделей меньше, чем обычно представляют новички: основное время уходит на данные, инфраструктуру и проверку качества.
Уровни: от стажёра до senior
- Стажёр и junior. Решает поставленные задачи под присмотром: готовит данные, обучает модели по готовому шаблону, пишет тесты.
- Middle. Самостоятельно ведёт задачу от постановки до продакшна, выбирает подход и отвечает за результат.
- Senior и lead. Проектирует ML-системы целиком, решает, где машинное обучение вообще нужно, растит команду и отвечает за сроки.
Переход между уровнями определяется не стажем, а масштабом задач, которые вам доверяют решать без контроля.
Зарплата и спрос
По ленте вакансий IRI Lab на 25.09.2026 открыто 58 актуальных вакансий ML-инженера, из них 46 — в Москве. Зарплата указана только в 11 вакансиях. По ним:
- медиана нижней границы вилки — около 100 000 ₽;
- медиана верхней границы — около 240 000 ₽;
- встречаются предложения «от 400 000 ₽» — как правило, для опытных специалистов.
Честная оговорка: выборка небольшая, а в большинстве вакансий зарплата не указана вовсе, поэтому цифры стоит воспринимать как ориентир, а не как среднюю по рынку. Итоговая сумма сильно зависит от опыта, города и того, насколько кандидат закрывает инженерную часть работы. Спрос сосредоточен в Москве, но удалённые позиции тоже встречаются.
Как стать ML-инженером с нуля: план
- Python и SQL (1–3 месяца). Уверенно писать код, работать с pandas, делать запросы к базе.
- Математика (параллельно). Линейная алгебра, производные и градиент, вероятности и статистика — в объёме, нужном для понимания моделей.
- Классическое машинное обучение (2–3 месяца). Регрессия, деревья, бустинг, валидация, метрики, переобучение. Решайте задачи на Kaggle и разбирайте чужие решения.
- Глубокое обучение (2–3 месяца). PyTorch, свёрточные сети, трансформеры, основы работы с LLM.
- Инженерия (1–2 месяца). Git, Docker, простой веб-сервис вокруг модели, базовый мониторинг.
- Портфолио. Два-три проекта от данных до работающего API, с понятным README: какая задача, какие данные, какая метрика, что получилось.
- Первая работа. Стажировки в крупных компаниях, позиции младшего специалиста, переход изнутри — из аналитиков или бэкенд-разработчиков. Путь через смежную роль часто быстрее прямого.
Бесплатного материала для этого плана достаточно: документация библиотек, открытые лекции университетов, соревнования Kaggle. Подробный маршрут — в статье об обучении нейросетям с нуля из этого раздела.
Чем ML-инженер отличается от смежных ролей
| Роль | Главный результат |
|---|---|
| Data Scientist | Вывод из данных: гипотеза проверена, найдена закономерность, построен прототип модели |
| ML-инженер | Модель, которая надёжно работает в продукте |
| MLOps-инженер | Инфраструктура: пайплайны обучения, развёртывание, мониторинг для многих моделей |
| AI-инженер | Продукт на готовых больших моделях: API, RAG, агенты, оценка качества |
Запрос «AI ML инженер» в вакансиях часто означает гибрид: компания ищет человека, который умеет и обучать собственные модели, и строить сервисы на готовых LLM. Подробнее о различиях — в статьях про Data Scientist и AI-инженера.
Если вы выбираете между этими ролями, ориентируйтесь на то, что вам интереснее: разбираться в данных и гипотезах, доводить модели до надёжного сервиса или строить продукты на готовых LLM. Базовые навыки у всех трёх общие, так что начальный этап обучения не зависит от выбора.
Где искать вакансии
Актуальные предложения собраны на странице вакансии ML-инженера в ленте IRI Lab. Там же видно, какие навыки работодатели упоминают чаще всего, — удобная сверка для плана обучения. Если вам ближе инфраструктура, посмотрите вакансии MLOps-инженера.
Что дальше
Освежите основы в материале о машинном обучении, сравните профессию с Data Scientist и откройте свежие вакансии ML-инженера.
Вакансии: ML Engineer — 56 актуальных в ленте IRI Lab. Смотреть вакансии →
Читать в разделе «Обучение»
- Машинное обучение простыми словами: что это, как работает, виды и примеры
- Кто такой Data Scientist: чем занимается, навыки, зарплата
- Кто такой AI-инженер (инженер ИИ, LLM-инженер): что делает, стек, как стать
- Кто такой MLOps-инженер: задачи, стек, зарплата
- Обучение нейросетям с нуля: бесплатный путь по шагам
Частые вопросы
Сколько зарабатывает ML-инженер?
По ленте вакансий IRI Lab на 25.09.2026 зарплата указана в 11 из 58 вакансий ML-инженера: медиана нижней границы вилки — около 100 000 ₽, верхней — около 240 000 ₽, встречаются предложения «от 400 000 ₽». Выборка небольшая, поэтому это ориентир, а не норма рынка.
Можно ли стать ML-инженером с нуля?
Да, но это путь не на месяц: Python, математика, классическое ML, глубокое обучение и инженерные навыки. При регулярных занятиях до уровня младшего специалиста обычно уходит от года.
Как попасть на стажировку ML-инженером?
Стажировки ищут в крупных технологических компаниях и в ленте вакансий. Шансы повышают два-три законченных проекта на GitHub, участие в соревнованиях на Kaggle и уверенный Python.
Чем Data Scientist отличается от ML-инженера?
Data Scientist ищет ответы в данных и проверяет гипотезы, ML-инженер делает из модели надёжный сервис. На практике роли пересекаются, но у инженера больше разработки и инфраструктуры.