ML Engineer

Также называют: Machine Learning Engineer, Applied ML Engineer, Applied Scientist, ML Software Engineer, AI/ML Engineer.

Кто такой ML Engineer и чем он занимается?

ML Engineer — это инженер, который превращает модель машинного обучения из эксперимента в часть продукта: она получает живые данные, успевает ответить за миллисекунды и не разоряет компанию на вычислениях. Он пишет production-код, а не только исследует, и отвечает за модель после релиза. Типичные задачи:

• собирает пайплайны подготовки данных и обучения, которые можно перезапустить через полгода и получить тот же результат;
• выбирает между своей моделью, open-source и внешним API и считает, во что обойдётся каждый вариант;
• выкатывает модель в продакшен и встраивает её в сервисы продукта;
• настраивает мониторинг качества и дрейфа и переобучает модель, когда данные меняются;
• в LLM-продуктах собирает retrieval, агентов и оценку качества ответов.

Когда компании нужен ML Engineer?

ML Engineer нужен, когда модель уже доказала ценность на прототипе и её пора встроить в продукт: рекомендации, скоринг, поиск, антифрод, LLM-фича. Обычно это момент, когда у Data Scientist есть рабочий ноутбук, а у команды нет никого, кто доведёт его до продакшена и будет поддерживать. Второй частый триггер — компания запускает AI-направление и собирает первую ML-команду. Роль не сработает, если у компании ещё нет данных или понятной задачи для модели: тогда сначала нужен Data Engineer или Data Scientist, который проверит, есть ли что моделировать.

Чем ML Engineer отличается от Data Scientist?

ML Engineer отличается от Data Scientist тем, что отвечает за работу модели в продакшене, а не за ответ на исследовательский вопрос. Data Scientist выясняет, можно ли решить задачу на данных и каким подходом; ML Engineer делает так, чтобы решение работало каждый день под нагрузкой. От AI / LLM Engineer его отличает то, что он умеет обучать и дообучать модели сам, а не только собирать продукт на готовых.

ML Engineer и смежные роли: сравнение

Почему ML Engineer сложно нанять?

ML Engineer сложно нанять, потому что нужен человек, сильный одновременно в машинном обучении и в продакшен-разработке, а таких мало.

• Под одним названием ищут очень разных людей: от исследователя до Backend Developer, который вызывает API модели. Поиск по тайтлу приносит всех подряд.
• Чаще всего кандидаты сильны в одном: либо хорошо знают ML и пишут код уровня прототипа, либо пишут отличный код, но не понимают, почему модель деградирует.
• Опыт продакшена плохо виден в резюме: «обучил модель» не говорит, дошла ли она до пользователей.
• Рынок быстро сместился к LLM, и опыт с классическим ML и с LLM-продуктами теперь приходится проверять отдельно.

Что выяснить до найма ML Engineer?

• Нужны исследования, продакшен или и то и другое? От ответа зависит профиль, и компания, которая не решила это заранее, отсеивает хороших кандидатов по неправильным критериям.
• Задача — классический ML, LLM или смесь? Опыт в рекомендательных системах и опыт в RAG-продуктах — разные профили с разными пулами кандидатов.
• Можно ли разделить роль на два профиля? Сильный Python Developer и сильный ML Engineer в паре часто находятся быстрее, чем один человек, который умеет всё.
• Кто будет отвечать за инфраструктуру моделей? Если её нет и никто не планируется, ML Engineer будет строить её сам, и это нужно учитывать в профиле.

Где искать ML Engineer?

ML Engineers чаще всего приходят из AI-продуктов, финтеха, e-commerce, маркетплейсов и компаний, где модели давно работают в продакшене: рекомендации, поиск, скоринг. Сильный сигнал — модель, которой пользуются реальные пользователи, и рассказ о том, что с ней происходило после релиза; у части лучших кандидатов в профиле вообще нет ML-ключевых слов, и находить их приходится через продукты, которые они делали. NEWHR ищет таких кандидатов по результатам работы, а не по откликам на вакансию.

Как проверить ML Engineer на интервью?

ML Engineer проверяют разбором модели, которую кандидат довёл до продакшена, и техническим интервью с кодом. В разборе идут по всей цепочке: данные, метрики, сервинг, инциденты, стоимость. Техническое интервью проводит ML Lead или ведущий инженер компании.

Сильные сигналы:

• рассказывает, как модель вела себя после релиза и что пришлось чинить;
• знает, сколько стоит инференс его модели и как он это снижал;
• может объяснить, почему выбрал простой подход вместо модного.

Красные флаги:

• весь опыт заканчивается на метрике в ноутбуке;
• не может ответить, как узнать, что модель деградировала;
• обсуждает архитектуры моделей, но не задачу продукта.

Сколько длится поиск ML Engineer?

Первых кандидатов на роль ML Engineer показываем через 5–7 дней после брифа. Сеньорную ML-команду из 6 человек мы собрали за 5 месяцев.

Смежные роли

• Data Scientist — ищет ответ в данных и строит прототипы, но не отвечает за модель в продакшене.
• MLOps / LLMOps Engineer — строит платформу, на которой живут все модели компании.
• AI / LLM Engineer — собирает продукт на готовых LLM, обычно без обучения своих моделей.
• Evals Engineer — отвечает за то, как измерять качество AI-системы.
• AI Infrastructure / Inference Engineer — оптимизирует скорость и стоимость инференса на уровне железа.