Карьерный путь ML-инженера при смене профессии
Карьерный путь ML-инженера: модель — малая часть системы, остальное — инженерия. Пять слоёв навыков, сроки перехода и зарплаты в России по Хабр Карьере.
В ML-инженерах сходятся две профессии. Первая изобретает методы: это исследователь, автор статей и моделей. Вторая превращает методы в продукты, которые работают каждый день, — инженер машинного обучения. Статья о второй: именно она нанимает людей со стороны.
Деньги в ней заметные. Калькулятор Хабр Карьеры по специализации «ML-разработчик» даёт медиану 229 166 ₽ в месяц по всем грейдам — примерно на пятую часть больше, чем 190 833 ₽ у среднего IT-специалиста. Но и вход длинный: 9–24 месяца при 15–20 часах занятий в неделю. Срок зависит от того, сколько кода, математики и живых данных уже в вашей нынешней работе.
Решает порядок слоёв: какие строить первыми, а какие прошлая профессия закрыла за вас.
Чем занимается ML-инженер на самом делеPermalink to “Чем занимается ML-инженер на самом деле”
Со стороны профессия выглядит как бесконечное обучение нейросетей. Изнутри это поддержание систем, в которых модель — одна из деталей, и не самая капризная.
Обученная модель — малая часть системы. Вокруг неё пайплайны подготовки данных, слой обслуживания запросов, оценка качества и мониторинг, который ловит деградацию раньше пользователей. Когда метрики падают, причину ищет ML-инженер: данные изменили форму, соседняя команда переименовала поле, сезон сместил распределение покупок.
Этот ракурс перестраивает учебный план. Большая часть рабочей недели — программная инженерия, приложенная к данным, и именно эти слои дешевле всего строить, пока вы ещё получаете зарплату на прежнем месте.
Две двери профессии и вопрос о степениPermalink to “Две двери профессии и вопрос о степени”
Ни один вопрос не тормозит переход в машинное обучение так сильно, как вопрос о степени. Поэтому ответ на него — до всякого маршрута.
В прикладных командах, тех, что делают рекомендательные системы, прогнозы спроса и языковые функции продукта, на диплом смотрят в последнюю очередь. Там решают доказательства: развёрнутые системы, защита выбранных методов, разбор инцидентов, через которые вы прошли. Строже к формальному образованию исследовательские подразделения и лаборатории, где работа — придумывать методы и публиковать их.
У профессии две двери. Исследовательская проверяет публикации и степени. Прикладная оценивает артефакты. Человек, меняющий профессию, входит через вторую; попытки войти через первую стоят лет.
Новый слой: стек языковых моделейPermalink to “Новый слой: стек языковых моделей”
Любой маршрут в машинное обучение, написанный до 2023 года, не знает про языковые модели. Маршруты до 2025 года не знают про ежедневную работу с ИИ-ассистентами.
Сегодня базовым ожиданием прикладных команд стал стек работы с языковыми моделями: их API, поиск по базе знаний, дообучение и — прежде всего — оценка качества. Лет десять назад такой же строкой был Docker: вроде необязательный, а без него уже не берут. Второй новый слой — ИИ-ассистенты в коде как ежедневная норма. Типовую разработку они ускорили; дефицитным осталось суждение: что строить, каким данным верить, когда результат незаметно неверен.
Если часть вашей мотивации — наблюдать, как ИИ перестраивает профессию, которую вы покидаете, прочитайте разборы заменит ли ИИ программистов и заменит ли ИИ вашу работу. Движение в сторону систем, на которых работает ИИ, — защитное направление, и машинное обучение стоит прямо в нём.
Кто переходит быстрее всехPermalink to “Кто переходит быстрее всех”
Нынешняя роль — это аванс против маршрута. Четыре точки старта покрывают большинство меняющих профессию.
| Откуда приходите | Что уже приносите | Чего не хватает | Срок при 15–20 часах в неделю |
|---|---|---|---|
| Разработчик | Продакшен-код, Git, системное мышление | Математика, планирование экспериментов, основы ML | 9–14 месяцев |
| Аналитик данных или дата-саентист | SQL, чутьё на данные, базовая статистика | Инженерные привычки, глубокое обучение, деплой | 10–15 месяцев |
| Исследователь (физика, экономика, статистика) | Математика, строгость, чтение статей | Программное ремесло, продакшен-инструменты, скорость сдачи | 9–12 месяцев |
| Нетехническая профессия | Знание отрасли, умение объяснять | Программирование, математика, весь инструментарий | 18–24 месяца |
Две строки требуют предупреждения. Разработчики считают переход делом техники — код уже в руках — и спотыкаются о математическую часть собеседования. Исследователи делают наоборот: докладывают теорию, которой и так владеют, и приходят без единой системы, которую можно запустить. Обе заминки — тренировка не перед той дверью.
Маршрут: пять слоёв в порядке сборкиPermalink to “Маршрут: пять слоёв в порядке сборки”
Каждый слой заканчивается артефактом. Слой без артефакта нельзя показать на собеседовании, а для нанимающей стороны не существует того, что нельзя показать.
Слой 1: Python как инженерная дисциплина (месяцы 1–3)Permalink to “Слой 1: Python как инженерная дисциплина (месяцы 1–3)”
- Идиоматичный Python, затем NumPy и pandas для работы с данными
- Контроль версий, привычка к код-ревью и тестам с первого репозитория
- Артефакт: публичный репозиторий, который загружает реальный датасет, чистит его и выдаёт задокументированный результат, с тестом и readme, по которым незнакомец всё запустит.
Слой 2: Математика, которую проверяют на собеседованиях (месяцы 2–6)Permalink to “Слой 2: Математика, которую проверяют на собеседованиях (месяцы 2–6)”
- Линейная алгебра до рабочего уровня: векторы, матрицы, скалярные произведения, разложения
- Вероятности и распределения как инструменты рассуждения о неопределённости
- Интуиция градиентного спуска: что он оптимизирует и когда ломается
- Артефакт: два-три алгоритма, реализованных с нуля в публичном репозитории, — линейной регрессии и k-means достаточно, — с письменным разбором математики за кодом.
Слой 3: Классическое машинное обучение сквозным проектом (месяцы 5–9)Permalink to “Слой 3: Классическое машинное обучение сквозным проектом (месяцы 5–9)”
- Постановка задачи как задачи обучения, с базовыми моделями, зафиксированными до сложных
- Признаки, кросс-валидация, утечки данных и честный разбор ошибок
- Ансамбли деревьев — глубоко: на табличных данных они всё ещё выигрывают чаще всего
- Артефакт: один сквозной проект на неаккуратном реальном датасете, от сырого источника до задокументированного вывода, с разобранными, а не спрятанными ошибками.
Слой 4: Глубокое обучение и слой языковых моделей (месяцы 8–14)Permalink to “Слой 4: Глубокое обучение и слой языковых моделей (месяцы 8–14)”
- Основы PyTorch: тензоры, циклы обучения, перенос обучения
- Дообучение, генерация с поиском по базе знаний, промптинг как инженерная работа
- Проектирование оценки для систем на языковых моделях — здесь прикладные команды сейчас испытывают самую сильную боль
- Артефакт: дообученная или построенная на поиске по знаниям система, решающая одну узкую реальную задачу, с оценочным набором, который это доказывает. Не чат-демо.
Слой 5: Деплой и наблюдение (месяцы 10–16)Permalink to “Слой 5: Деплой и наблюдение (месяцы 10–16)”
- Контейнеризация, обслуживание модели за API, базовый CI
- Мониторинг дрейфа и качества данных, алерты, за которыми стоят действия
- Триггеры переобучения и экономика стоимости инференса
- Артефакт: модель, развёрнутая за API, с дашбордом мониторинга и письменным разбором того, как она ломается. Этот артефакт работает на собеседовании больше, чем все сертификаты вместе.
Как прошлая работа сокращает маршрутPermalink to “Как прошлая работа сокращает маршрут”
Из разработки. Первый слой и половина пятого у вас уже есть. Первые полгода отдайте математике с той серьёзностью, с какой взялись бы за новую продакшен-систему: математическая часть собеседования — то место, где переходы разработчиков ломаются чаще всего.
Из аналитики или дата-сайенса. Чутьё на данные и статистика ваши. Пробел — инженерная повседневность: контроль версий, тесты, обслуживание модели, привычка сдавать несовершенные системы в срок. Если выбор между направлениями ещё не сделан, карьерный путь дата-саентиста и сравнение дата-саентиста и ML-инженера показывают, где профессии расходятся.
Из количественных исследований. Второй слой ваш. Перестройка культурная: из «что истинно» в «что сдаём в срок», из доказательств в пайплайны, из идеальных ответов на длинных сроках в защитимые на коротких.
Из нетехнической профессии. Ваш путь — полные 18–24 месяца, и его проходят успешно каждый год. Один слой за раз, один публичный артефакт на слой, фиксированное недельное расписание, защищённое, как встреча с клиентом. Многие по пути устраиваются аналитиками данных: эта роль оплачивает строительство слоёв данных на полном дне.
Сроки перехода без иллюзийPermalink to “Сроки перехода без иллюзий”
| Точка старта | 15–20 часов в неделю | 25–35 часов в неделю |
|---|---|---|
| Нетехническая профессия | 18–24 месяца | 13–18 месяцев |
| Аналитик или дата-саентист | 10–15 месяцев | 8–12 месяцев |
| Разработчик | 9–14 месяцев | 7–11 месяцев |
| Исследователь | 9–12 месяцев | 7–10 месяцев |
Вилки предполагают, что вы постоянно показываете работу наружу. Типичный провал противоположный: два года курсов без единой публичной вещи, после чего поиск работы всё равно начинается с нуля.
Сколько платят ML-инженеру в РоссииPermalink to “Сколько платят ML-инженеру в России”
Калькулятор Хабр Карьеры по специализации «ML-разработчик» даёт медиану 229 166 ₽ в месяц по всем грейдам. По уровням: Junior 120 000 ₽, Middle 225 000 ₽, Senior 396 666 ₽. Первый оффер обычно лежит ниже медианы и догоняет её с производственным опытом. Полная разбивка по уровням и регионам — на странице зарплаты ML-инженера.
Мировой контур для сравнения: в США медиана ближайшей федеральной категории, учёных-исследователей в области вычислительной техники, — 140 300 долларов в год при прогнозируемом росте занятости на 22% с 2025 по 2035 год. Категория концентрирует старшие исследовательские роли, поэтому первые прикладные офферы обычно ниже её медианы.
И заметка для планирующих: отрасль прошлой карьеры здесь стоит денег. ML-инженер, понимающий страховые урегулирования, клинические процессы или транспортные торги, приносит контекст, который не купит вчерашний выпускник, и предложения это отражают.
Три ошибки, которые тормозят переход в машинное обучениеPermalink to “Три ошибки, которые тормозят переход в машинное обучение”
Собирать портфолио из ноутбуковPermalink to “Собирать портфолио из ноутбуков”
«Титаники» с Kaggle, сертификаты и модели, живущие в файлах .ipynb, говорят прикладной команде, что производственной работы вы не видели. Одна модель за API с мониторингом весит дюжину ноутбуков.
Откладывать математику до собеседованияPermalink to “Откладывать математику до собеседования”
Прикладной цикл собеседований проверяет математику рано и немилосерден к неготовым. Чаще всего страдают разработчики: писать код ощущается прогрессом, а линейная алгебра — крюком в сторону. Полгода честной работы над вторым слоем снимают самую частую точку провала.
Стучаться в исследовательскую дверьPermalink to “Стучаться в исследовательскую дверь”
Отклики на позиции research scientist с прикладным портфолио читаются как непонимание поля. Цельтесь в титулы ML-инженера и прикладного учёного: там пропуск — развёрнутые системы. Исследовательская дверь открывается публикациями и степенями, а не репозиториями на GitHub.
Целите каждый проект в одну отрасль
Портфолио из универсальных моделей конкурирует с тысячами одинаковых. Три проекта по антифроду, клиническому расписанию или прогнозу спроса в одной вертикали говорят нанимающей команде конкретную вещь: этот человек уже понимает наши вопросы. Прежняя карьера выбирает вертикаль бесплатно.
Чем помогает TraectaPermalink to “Чем помогает Traecta”
Дорогая ошибка на этом пути — обнаружить перепутанный порядок слоёв на двенадцатом месяце, когда за ошибку уже заплачено в самом тяжёлом слое. Персональный план смены профессии в Traecta с первого дня ведёт прикладной дверью: сопоставляет навыки из вашей рабочей истории с рынком ML-инженерии, ставит недостающие слои в начало очереди и калибрует каждый артефакт под часы, которые в вашей неделе реально есть. План обучения ML-инженеру с нуля расписывается так, что портфолио растёт публично, пока вы сохраняете зарплату.
Я пришёл в работу с данными из системного администрирования, и дальше всего меня унесла привычка относиться к пайплайнам как к продакшен-системам: следить, алертить, ждать поломки. Машинное обучение ценит эту привычку выше почти любого другого качества, которое может принести меняющий профессию: модель — малая часть, а система вокруг неё и есть работа.
ГлавноеPermalink to “Главное”
Три вывода. 1) У профессии две двери, и меняющие профессию проходят через прикладную, где развёрнутые системы перевешивают степени. 2) Порядок слоёв сжимает срок сильнее способностей: прошлая работа уже закрыла вам часть слоёв, и тренировка недостающих по порядку превращает 24-месячный маршрут в 9-месячный. 3) Каждый слой обязан заканчиваться артефактом, который незнакомец может запустить: на прикладной двери решают артефакты. Хотите разложить эту последовательность по своей настоящей рабочей истории — персональный план обучения в Traecta начнёт с математики или кода, который у вас уже есть, и достроит путь в машинное обучение оттуда.
