Профессия в машинном обучении

Продуктовый инженер — кто это и чем занимается

Идея → прод в одиночку: генерацию делегирует, проверку оставляет себе

Продуктовый инженер (AI-универсал) — специалист, который проводит продукт от идеи до прода в одиночку: ставит задачу, собирает решение вместе с ИИ-агентами, проверяет результат и отвечает за него в бою. Генерацию он делегирует, разборчивость оставляет себе.

Также встречается как продуктовый инженер, AI-универсал, ИИ-универсал, человек-команда, Product Engineer, AI Generalist, Product Engineer / AI Generalist · 14 ключевых компетенций · оси знаний: LLM, MLOps

Чем занимается Продуктовый инженер

Ведёт продукт целиком: постановка, прототип, выкатка, наблюдение. Приемлемый результат в чужом домене ему закрывают агенты, поэтому ценность роли не в скорости написания кода, а в разборчивости — умении отличить сделанное правильно от сделанного правдоподобно.

Формулирует задачу так, чтобы результат агента можно было проверить, а не только прочитать.
Собирает решение, пересекая границы чужих доменов: вёрстка, SQL, пайплайн, скрипт миграции — приемлемо, а не отлично.
Проверяет сгенерированное там, где ошибка дороже всего: схема данных, права доступа, деньги, краевые случаи.
Строит проверку как отдельный процесс: тесты, эталонные примеры, чек-листы — иначе масштаб упирается в усталость одного человека.
Выкатывает и наблюдает: задержка, отказы, стоимость ответа, план отката.
Возвращает в контур спор — критикующий агент, второе мнение, живой коллега: бесконечно вежливый соглашатель ошибок суждения не ловит.

Что нужно знать

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

Все разделы →

Постановка задачи агентуядроось: Генеративный ИИ и LLM
Разбить работу так, чтобы результат можно было проверить, и дать модели нужный контекст.
PromptingПромптинг Structured OutputСтруктурированный вывод AgentsАгенты
Инструменты и шаблоны агентовядроось: Генеративный ИИ и LLM
Цикл «рассуждение — действие — наблюдение», подключение инструментов, лимиты шагов и бюджета.
Agent PatternsШаблоны агентов Model Context ProtocolMCP: протокол подключения инструментов Reasoning ModelsРассуждающие модели
Разбор сгенерированногоядроось: Генеративный ИИ и LLM
Отличить сделанное правильно от сделанного правдоподобно — в чужом домене тоже.
LLM EvaluationОценка языковых моделей Error analysisАнализ ошибок Debugging modelsОтладка моделей
Проверка как процессядроось: MLOps и инженерия
Тесты, эталонные примеры и фиксированные конфигурации: проверка, которая живёт не только в голове.
Testing ML CodeТестирование ML-кода CI/CD for MLCI/CD для ML Experiment ConfigurationКонфигурация экспериментов
Границы и безопасность агентаядроось: Генеративный ИИ и LLM
Права инструментов, непрямые инъекции и подтверждение необратимых действий.
Agent SecurityБезопасность агентов Prompt InjectionПромпт-инъекции Red TeamingКрасная команда
LLM и промптингядроось: Генеративный ИИ и LLM
Как устроена языковая модель и как ставить ей задачу.
LLMБольшие языковые модели PromptingПромптинг Structured OutputСтруктурированный вывод
RAG и агентыядроось: Генеративный ИИ и LLM
Ответы по своим данным и вызов инструментов моделью.
RAGRetrieval-Augmented Generation RAGRAG AgentsАгенты
Оценка и безопасность LLMядроось: Генеративный ИИ и LLM
Чем измеряют качество генерации и как ловят промпт-инъекции.
LLM EvaluationОценка языковых моделей PerplexityПерплексия Prompt InjectionПромпт-инъекции
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
Постановка задачиядроось: Классический ML
Превратить пожелание бизнеса в задачу с метрикой и бейзлайном.
Problem formulationПостановка задачи BaselinesБейзлайны
Анализ ошибок и отладкаядроось: Классический ML
Понять, где именно модель ошибается, вместо подкрутки метрики.
Error analysisАнализ ошибок Debugging modelsОтладка моделей
Последние двадцать процентовядроось: MLOps и инженерия
Демо собирается за вечер; краевые случаи, отказы и наблюдаемость — всё остальное время.
Production MLML в продакшене ReliabilityОтказоустойчивость ObservabilityНаблюдаемость
Экономика решенияядроось: MLOps и инженерия
Сколько стоит один ответ и за счёт чего эта цена снижается.
Cost ModelЭкономика сервиса CachingКеширование Inference OptimizationУскорение инференса

Усиливает профиль, но не обязательно

Проверка гипотезA/B-тестыАналитический SQLПодготовка данныхДеревья и бустингМетрики качестваЭмбеддинги и семантический поискДообучение LLMОбслуживание LLMDocker и KubernetesПайплайны и оркестрацияСистемный дизайн ML

Уровни: junior, middle, senior

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

Junior ДжуниорСобирает прототип с агентами по понятной постановке и проверяет результат по готовому чек-листу.Решает поставленную задачу по описанию, результат проходит ревью старшего.

Middle МидлВедёт продукт от идеи до прода один: постановка, сборка, проверка, выкатка и наблюдение за ним в бою.Ведёт задачу целиком: от постановки и данных до выкатки и мониторинга.

Senior СеньорРешает, где соло-контур уместен, а где нужна команда; строит проверку как процесс и возвращает в контур спор.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	рабочая	40%	60%	73%
Классический ML	рабочая	40%	60%	73%
Глубокое обучение	обзорно	25%	45%	58%
NLP	рабочая	40%	60%	73%
Генеративный ИИ и LLM	профильная	55%	75%	88%
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 разработки, из аналитики и из ML-инженерии — то есть с уже набранной базой хотя бы в одном домене. Без неё роль не складывается: проверить можно только то, что понимаешь. Порядок: свой домен до уровня эксперта → постановка задачи агенту и его инструменты → проверка результата и её автоматизация → выкатка, наблюдение и стоимость ответа.

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.

LLM-инженерLLM / GenAI EngineerПродукт поверх языковой модели: RAG, агенты, дообучение ML EngineerMachine Learning EngineerМодель, которая работает в проде каждый день Аналитик данныхData AnalystДанные → понятный ответ на вопрос бизнеса

Вопросы о профессии

Продуктовый инженер — это тот, кто заменяет команду?

Нет, изменилось другое: часть работы перестала требовать координации. Приемлемый артефакт в чужом домене теперь стоит почти ничего, а продукт процентов на восемьдесят из приемлемого и состоит, — и там, где это так, шесть человек и пятнадцать каналов согласования между ними становятся лишней издержкой. Отличное по-прежнему делают руками, просто мест, где оно нужно, обычно два-три.

Чем продуктовый инженер отличается от LLM-инженера?

Предметом ответственности. LLM-инженер строит систему на языковой модели и отвечает за качество и цену её ответов; продуктовый инженер отвечает за продукт целиком, а модель для него — способ закрыть чужие домены. Профильные оси у них общие, но центр тяжести у второго в постановке и проверке, а не в архитектуре генерации.

Можно ли войти в профессию сразу через агентов, без базы?

Нет, и это главное ограничение роли. Генерация перестала быть дефицитом, дефицитом стала разборчивость, а проверить можно только то, что понимаешь. Без домена, где вы ловите ошибку на уровне эксперта, правдоподобное принимается за правильное, и разница обнаруживается в проде. Рабочий профиль — один-два домена глубоко и остальные ровно настолько, чтобы задать верный вопрос и почувствовать неверный ответ.

Где эта модель ломается?

Там, где дело не в скорости сборки. Последние двадцать процентов — краевые случаи, миграции данных, права доступа, деньги — сжимаются заметно хуже демо. Круглосуточный SLA один человек физически не держит. Корпоративная закупка, аудит и ответственность по договору построены вокруг организаций, а не людей. И отдельно — исчезновение спора: команду труднее увести в неправильную идею, чем одного человека с покладистым агентом.

Что учить первым?

Не промптинг — это навык на полтора года. Сначала добирайте домены до уровня «вижу подделку»: порог здесь ниже, чем у умения писать самому, а отдача выше. Параллельно стройте проверку как процесс — тесты, метрики, эталонные примеры. Если проверка живёт только в голове, вы масштабируетесь ровно до своей усталости.

Другие профессии в ML

Все профессии →