Профессия в машинном обучении

MLOps-инженер — кто это и чем занимается

Платформа, на которой чужие модели живут долго

MLOps-инженер — специалист, который делает эксплуатацию машинного обучения предсказуемой: обучение воспроизводится, выкатка становится рутиной, а деградация модели замечается раньше пользователей. Работает не с одной моделью, а с их потоком.

Также встречается как MLOps-инженер, инженер MLOps, ML Platform Engineer, инженер ML-платформы, MLOps / ML Platform Engineer · 9 ключевых компетенций · оси знаний: MLOps

Чем занимается MLOps-инженер

Делает так, чтобы обучение воспроизводилось, выкатка была рутиной, а деградация замечалась раньше пользователей. Работает не с одной моделью, а с их потоком.

Строит и держит инфраструктуру обучения: окружения, образы, доступ к GPU.
Делает путь модели от эксперимента до прода одинаковым для всех команд.
Настраивает CI/CD для моделей: тесты, сборка, выкатка, откат.
Ставит мониторинг качества, дрейфа и стоимости инференса.
Ведёт реестр моделей, версии данных и трекинг экспериментов.
Отвечает за экономику платформы: утилизация карт, изоляция команд, лимиты.

Что нужно знать

Ядро профессии: без этих компетенций роль не складывается. У каждой — темы атласа, с которых её разбирают.

Все разделы →

Docker и Kubernetesядроось: MLOps и инженерия
Одинаковое окружение и управляемая выкатка сервисов.
DockerDocker KubernetesKubernetes
Пайплайны и оркестрацияядроось: MLOps и инженерия
Воспроизводимая цепочка шагов и расписание запусков.
ML PipelinesML-пайплайны OrchestrationОркестрация пайплайнов CI/CD for MLCI/CD для ML
Деплой и инференсядроось: MLOps и инженерия
Как модель становится сервисом с задержкой и SLA.
Model DeploymentДеплой моделей Serving ArchitectureАрхитектура инференса GPU InferenceGPU-инференс
Мониторинг и дрейфядроось: MLOps и инженерия
Что смотреть после выкатки и когда переобучать.
MonitoringМониторинг Drift DetectionДетекция дрейфа RetrainingПереобучение моделей
Трекинг и версионированиеядроось: MLOps и инженерия
Эксперименты, модели и данные, которые можно повторить.
Experiment TrackingТрекинг экспериментов MLflowMLflow Model VersioningВерсионирование моделей Data VersioningВерсионирование данных
Хранилище признаковядроось: MLOps и инженерия
Одинаковые признаки в обучении и в онлайне.
Feature StoresХранилища признаков Online and Offline FeaturesОнлайн- и офлайн-признаки
Распределённое обучениеядроось: MLOps и инженерия
Несколько карт и узлов: как разделить работу и не потерять ускорение.
Distributed TrainingРаспределённое обучение Collective OperationsКоллективные операции Training ThroughputУскорение обучения
PyTorch и GPUядроось: MLOps и инженерия
Где считается модель, как занять карту и не упереться в память.
GPU in PyTorchGPU в PyTorch GPU ArchitectureАрхитектура GPU Mixed PrecisionСмешанная точность
Системный дизайн MLядроось: MLOps и инженерия
Требования, масштабирование и экономика сервиса.
Requirements and SLAТребования и SLA ScalingМасштабирование Cost ModelЭкономика сервиса

Усиливает профиль, но не обязательно

Качество и контракты данныхПотоковые данныеАналитический SQLОбслуживание LLMПоиск аномалийПроверка как процессОтветственный ИИЭкономика решенияВалидация и калибровка

Уровни: junior, middle, senior

За что отвечает MLOps-инженер на каждом уровне — этим и отличается грейд.

Junior ДжуниорПоддерживает готовую инфраструктуру: сборки, окружения, типовые выкатки.Решает поставленную задачу по описанию, результат проходит ревью старшего.

Middle МидлСтроит путь модели от эксперимента до прода и настраивает мониторинг качества.Ведёт задачу целиком: от постановки и данных до выкатки и мониторинга.

Senior СеньорОтвечает за платформу и её экономику: стандарты, изоляция команд, стоимость вычислений.Отвечает за архитектуру решения, качество в проде и за то, чему учатся другие.

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.

Все тесты →

Ось знаний	Значимость	Junior	Middle	Senior
Статистика и вероятность	обзорно	25%	45%	58%
Классический ML	рабочая	40%	60%	73%
Глубокое обучение	рабочая	40%	60%	73%
NLP	обзорно	25%	45%	58%
Генеративный ИИ и LLM	рабочая	40%	60%	73%
Computer Vision	обзорно	25%	45%	58%
Временные ряды	обзорно	25%	45%	58%
Рекомендательные системы	обзорно	25%	45%	58%
Речь: ASR и TTS	обзорно	25%	45%	58%
MLOps и инженерия	профильная	55%	75%	88%

Как войти в профессию

Приходят из DevOps, из бэкенда и из ML-инженерии. Из DevOps добирают модели, метрики и дрейф; из ML — Kubernetes, распределённое обучение и эксплуатацию. Профильная ось одна — MLOps, но она самая широкая.

Подобрать роль по компетенциям Проверить себя тестом Подготовка к собеседованию

Смежные роли и с чем путают

Куда легче всего перейти и от кого эту профессию чаще всего не отличают.

ML EngineerMachine Learning EngineerМодель, которая работает в проде каждый день Data EngineerData EngineerДанные приезжают вовремя, полностью и в нужном виде

Вопросы о профессии

MLOps — это DevOps для машинного обучения?

Не только. К обычной эксплуатации добавляются вещи, которых в DevOps нет: версии данных, дрейф распределений, воспроизводимость обучения и правило переобучения. Модель ломается тихо, без падения сервиса.

Нужно ли уметь обучать модели?

Нужно понимать процесс и метрики достаточно, чтобы отличить деградацию модели от проблемы инфраструктуры. Обучать самому обычно не приходится.

Какой стек ожидают?

Docker и Kubernetes, оркестрация пайплайнов, CI/CD, трекинг экспериментов и реестр моделей, хранилище признаков, мониторинг. Плюс GPU: как их делить и как не упереться в память.

Чем занимается MLOps-инженер, когда моделей мало?

Строит то, чем моделей станет много: шаблон пайплайна, стандарт выкатки, единый мониторинг. В маленькой команде роль обычно совмещена с ML-инженером.

Что учить первым?

Контейнеры и оркестрацию пайплайнов — на них держится всё остальное. Мониторинг и дрейф идут следом, когда есть что выкатывать.

Другие профессии в ML

Все профессии →