ML Engineer — кто это и чем занимается
Модель, которая работает в проде каждый день
ML-инженер (инженер машинного обучения) — специалист, который доводит модель от ноутбука до работающего сервиса и отвечает за неё в проде: обучающий пайплайн, выкатка, задержка ответа, мониторинг качества и переобучение.
Также встречается как ML-инженер, инженер машинного обучения, МЛ-инженер, Machine Learning Engineer · 13 ключевых компетенций · оси знаний: Classic ML, DL, MLOps
Чем занимается ML Engineer
Соединяет модель и сервис: обучающий пайплайн, выкатка, задержка, мониторинг. Знает модели не хуже дата-сайентиста, но отвечает за то, что происходит после ноутбука.
- Собирает воспроизводимый обучающий пайплайн: данные, признаки, обучение, оценка — по расписанию и без ручных шагов.
- Заворачивает модель в сервис и следит за задержкой, пропускной способностью и стоимостью инференса.
- Настраивает выкатку: версии моделей, откат, канареечный запуск.
- Ставит мониторинг качества и дрейфа данных и правило, по которому запускается переобучение.
- Ведёт трекинг экспериментов и версий данных, чтобы результат можно было повторить через полгода.
- Проектирует ML-систему целиком, когда речь идёт о требованиях, отказоустойчивости и бюджете вычислений.
Что нужно знать
Ядро профессии: без этих компетенций роль не складывается. У каждой — темы атласа, с которых её разбирают.
- Деревья и бустингядроось: Классический ML
Случайный лес, градиентный бустинг, CatBoost — стандарт для таблиц.
- Метрики качестваядроось: Классический ML
Выбрать метрику под задачу и объяснить, почему не accuracy.
- Валидация и калибровкаядроось: Классический ML
Кросс-валидация, отложенная выборка, калиброванные вероятности.
- Конструирование признаковядроось: Классический ML
Превращение сырых полей в то, из чего модель может учиться.
- Разбиение выборки и утечкиядроось: Классический ML
Честная схема валидации и умение заметить утечку данных.
- Нейросети и backpropядроось: Глубокое обучение
Слои, активации, обратное распространение ошибки.
- Обучение и оптимизаторыядроось: Глубокое обучение
SGD, Adam, расписание скорости обучения, ранняя остановка.
- Перенос обученияядроось: Глубокое обучение
Взять предобученную модель и довести до своей задачи.
- Пайплайны и оркестрацияядроось: MLOps и инженерия
Воспроизводимая цепочка шагов и расписание запусков.
- Деплой и инференсядроось: MLOps и инженерия
Как модель становится сервисом с задержкой и SLA.
- Мониторинг и дрейфядроось: MLOps и инженерия
Что смотреть после выкатки и когда переобучать.
- Трекинг и версионированиеядроось: MLOps и инженерия
Эксперименты, модели и данные, которые можно повторить.
- Системный дизайн MLядроось: MLOps и инженерия
Требования, масштабирование и экономика сервиса.
Уровни: junior, middle, senior
За что отвечает ML Engineer на каждом уровне — этим и отличается грейд.
Оси знаний и плановые метки
Насколько направление профильно для роли и какой результат теста ожидается на каждом уровне. Проценты — плановые метки карьерного атласа, а не порог найма.
| Ось знаний | Значимость | Junior | Middle | Senior |
|---|---|---|---|---|
| Статистика и вероятность | рабочая | 40% | 60% | 73% |
| Классический ML | профильная | 55% | 75% | 88% |
| Глубокое обучение | профильная | 55% | 75% | 88% |
| NLP | рабочая | 40% | 60% | 73% |
| Генеративный ИИ и LLM | рабочая | 40% | 60% | 73% |
| Computer Vision | обзорно | 25% | 45% | 58% |
| Временные ряды | рабочая | 40% | 60% | 73% |
| Рекомендательные системы | рабочая | 40% | 60% | 73% |
| Речь: ASR и TTS | обзорно | 25% | 45% | 58% |
| MLOps и инженерия | профильная | 55% | 75% | 88% |
Как войти в профессию
Два обычных пути: из бэкенд-разработки — тогда добираются модели, метрики и валидация; из Data Science — тогда добираются Docker, оркестрация, деплой и мониторинг. Второй путь короче, если модель уже приходилось выкатывать самому.
Смежные роли и с чем путают
Куда легче всего перейти и от кого эту профессию чаще всего не отличают.
Вопросы о профессии
ML-инженер — это программист или дата-сайентист?
Ближе к программисту. Модели он знает не хуже дата-сайентиста, но отвечает за то, что происходит после ноутбука: пайплайн, сервис, задержка, мониторинг. Разработка, тесты и эксплуатация занимают у него больше времени, чем подбор моделей.
Чем ML-инженер отличается от MLOps-инженера?
Масштабом объекта. ML-инженер отвечает за конкретные модели в продукте, MLOps-инженер — за платформу, на которой живут чужие модели: стандарты выкатки, изоляция команд, стоимость вычислений.
Что нужно знать из инженерии?
Python на уровне продакшен-кода, Docker и Kubernetes, оркестрацию пайплайнов, CI/CD, хранилище признаков и мониторинг. Плюс понимание, где считается модель: GPU, смешанная точность, распределённое обучение.
Нужна ли математика?
Нужна, но прикладная: функции потерь, оптимизаторы, регуляризация, метрики и валидация. Выводить доказательства не приходится, а вот отличить переобучение от утечки данных — каждый день.
С чего начать переход из разработки?
С классического ML на таблицах и метрик: деревья и бустинг, кросс-валидация, разбиение без утечек. Инженерная часть у вас уже есть — не хватает как раз языка моделей и честной оценки качества.