Профессии в машинном обучении
Кто чем занимается и чем эти роли отличаются друг от друга
12 ролей, между которыми выбирают в ML. Различаются они не инструментами — они во многом общие, — а тем, за что с человека спрашивают. Откройте профессию: обязанности, компетенции со ссылками на материалы атласа и разница между junior, middle и senior. Чтобы подобрать роль под то, что вы уже умеете, есть карьерный атлас.
12 профессий · 3 уровня у каждой · материалы к изучению из атласа
Вопросы о профессиях в машинном обучении
Какие профессии есть в машинном обучении?
Рабочих ролей около десятка, и делятся они по тому, за что человек отвечает. За предсказание и его эффект — Data Scientist; за модель в продакшене — ML-инженер; за ответ на вопрос бизнеса — аналитик данных; за поток данных — Data Engineer; за платформу для моделей — MLOps-инженер. Дальше идут предметные роли: NLP, LLM, компьютерное зрение, рекомендации, речь, — отдельно исследователь и отдельно продуктовый инженер, который отвечает за продукт целиком и в одиночку.
Как определить, какая ML-профессия подходит именно мне?
От того, что уже умеете, а не от названия вакансии. Отметьте компетенции в подборе на этой странице: он сопоставит их с профилем каждой роли и покажет наиболее близкую, а заодно то, чего до неё не хватает. Роль можно выбрать и вручную — тогда получится план по осям знаний.
С какой профессии проще войти в машинное обучение?
Чаще всего с аналитика данных: там короче путь до первой пользы — SQL, статистика и визуализация, — а дальше открыт переход в Data Science. Разработчикам обычно ближе ML-инженерия: инженерная часть уже есть, добрать нужно модели, метрики и валидацию.
Чем отличаются Data Scientist, ML-инженер и аналитик данных?
Границей ответственности. Аналитик объясняет, что происходит, и доводит вывод до решения. Дата-сайентист строит предсказание и доказывает его эффект экспериментом. ML-инженер отвечает за то, что модель работает в проде каждый день. Инструменты у всех троих пересекаются, спрашивают с них разное.
Правда ли, что один человек с ИИ-агентами заменяет продуктовую команду?
Для целого класса задач — да, и дело не в том, что «ИИ пишет код». Рухнула стоимость пересечения границы чужого домена: приемлемая вёрстка, приемлемый SQL, приемлемый пайплайн стоят теперь почти ничего, а сокращение команды выигрывает нелинейно — уходят не только руки, но и все каналы согласования между ними. Ломается это там, где дело не в скорости сборки: последние двадцать процентов, круглосуточный SLA, корпоративный аудит и исчезнувший спор с коллегой. Профиль такого специалиста собран в атласе ролью «продуктовый инженер».
Во всех ли ролях нужна сильная математика?
Нет. Профильная она у исследователя и у дата-сайентиста — там без вероятностей и статистики не обойтись. У инженерных ролей — MLOps, Data Engineer — математика прикладная: функции потерь, метрики, валидация. В карьерном атласе это видно по значимости оси у каждой роли.
Нужно ли профильное образование, чтобы работать в ML?
Спрашивают не диплом, а набор навыков: постановку задачи, честную валидацию, умение объяснить результат. Математическая база при этом обязательна для части ролей — но получить её можно и вне университета. Разрыв между тем, что есть, и тем, что нужно роли, как раз и показывает подбор на этой странице.