Машинное обучение: кого берут в профессию, что делает ML-инженер и сколько платят

Начну с неприятного. Машинное обучение — одно из немногих направлений, куда действительно не берут с нуля, и объявления вида «станьте ML-инженером за четыре месяца без опыта» описывают не рынок, а надежду. Работодатель на входе проверяет три вещи: умеете ли вы писать код на Python, понимаете ли, что такое производная и матрица, и можете ли объяснить, почему модель, показавшая девяносто девять процентов точности, скорее всего сломана.

Отсюда типичная траектория: в машинное обучение приходят не с улицы, а из соседней двери. Аналитик, который два года считал отчёты на SQL. Разработчик, уставший от однотипных сервисов. Инженер с производства, у которого есть данные с датчиков и задача, которую никто не решил. Всем троим до первой оплаченной модели ближе, чем человеку без технического опыта, — и это не приговор новичку, а указание на порядок шагов: сначала программирование и статистика, потом нейросети.

Что происходит между словами «есть данные» и «модель работает»

Задача приходит не в виде «обучите нейросеть», а в виде жалобы бизнеса: служба поддержки тонет в обращениях, склад закупает не то, кредиты выдаются людям, которые их не возвращают. Первый шаг инженера — перевести жалобу в постановку, где есть измеримый ответ. Что предсказываем, на каких данных, в какой момент, и по какому числу поймём, что стало лучше.

Дальше идёт самая долгая часть — данные. Их нужно достать, соединить из нескольких источников, вычистить дубли, разобраться с пропусками и понять, что означает поле, которое семь лет назад назвали «flag2». Специалисты говорят, что подготовка данных занимает больше половины проекта, и это похоже на правду: подготовка датасета редко бывает быстрой.

Работа идёт не в одиночку. Постановку согласуют с человеком со стороны бизнеса, данные приходится выпрашивать у инженеров, а результат защищать перед теми, кто будет им пользоваться. Специалист, способный объяснить нетехническому руководителю, почему модель ошибается в двух случаях из ста и что это означает для склада, продвигается быстрее того, кто просто лучше подбирает параметры. Умение объяснить результат входит в профессию наравне с математикой.

Только потом появляются модели. Инженер пробует несколько подходов, сравнивает их по выбранной метрике, смотрит, где именно система ошибается, и решает, что важнее: не пропустить мошенника или не обидеть честного клиента. Финал — вывод в работу: модель заворачивают в сервис, подключают к нему мониторинг и следят, не начала ли она деградировать, когда поведение пользователей поменялось.

Если в описании программы нет ни одного из этих слов, а есть «нейросети и искусственный интеллект», перед вами обзорная лекция. Если они есть, но не объяснены, программа рассчитана на человека с подготовкой, и это стоит учитывать.

Четыре разных ремесла под общим названием

Направление распадается на участки, между которыми меньше общего, чем кажется со стороны. Человек, который годами улучшает рекомендации в интернет-магазине, и человек, который учит модель распознавать дефекты на конвейере, читают разные статьи и пользуются разными библиотеками. Выбирать программу нужно после того, как вы поняли, какой участок вам ближе.

Последняя строка заслуживает отдельного внимания. Модель, лежащая в ноутбуке исследователя, не стоит ничего; ценность появляется, когда она отвечает на запросы каждую секунду и не разваливается через месяц. Спрос на людей, умеющих доводить решения до этого состояния, растёт быстрее, чем на чистых исследователей.

Нужна ли вышка по прикладной математике

Формального требования обычно нет: лицензии или аттестата в этой профессии не существует, и работодатель вправе взять человека с любым дипломом. На практике многие объявления просят высшее техническое образование, но это фильтр удобства, а не жёсткое условие: сильное портфолио его снимает.

Важнее объём математики, и он меньше, чем пугают. Нужны линейная алгебра на уровне понимания, что такое вектор и умножение матриц; производные и градиент, чтобы понимать, как модель ищет минимум ошибки; и теория вероятностей со статистикой, без которых нельзя интерпретировать результат. Университетский курс матанализа целиком не требуется, зато требуется свободно читать формулу и не пугаться греческих букв.

Отдельно — уверенный Python. Не «проходил основы», а умение написать скрипт на двести строк, разобраться в чужом коде и работать с библиотеками для таблиц и вычислений. Плюс SQL: данные почти всегда лежат в базе, и доставать их придётся самому.

Если этой базы нет, разумный путь — сначала программа для начинающих, где ставят код и статистику, и только потом нейросети. Обратный порядок приводит к тому, что человек умеет запускать чужой пример, но не может изменить в нём ни строчки.

Сколько платят и почему цифра выглядит нереальной

По данным ГородРабот.ру, в 2026 году специалист по данным в России получает в среднем 241 315 ₽ при медианной зарплате 248 188 ₽; самая частая сумма в вакансиях — 250 000 ₽. По Москве средняя 259 072 ₽, медианная 260 250 ₽, самая частая 300 000 ₽.

Две вещи в этих числах требуют пояснения. Первая: медиана выше средней, что встречается редко и означает плотную группу дорогих предложений в верхней части рынка. Вторая: разрыв между страной и Москвой почти отсутствует — 248 188 ₽ против 260 250 ₽. Во многих профессиях столица платит заметно больше, здесь надбавки практически нет, потому что работа удалённая и московские команды нанимают из любого города.

При этом ориентироваться на медиану новичку не стоит: она описывает людей с несколькими годами практики и выведенными в бой моделями. Первые предложения будут ощутимо скромнее, и это нормальная плата за вход в направление с высоким потолком.

Нанимают банки и финтех-сервисы, маркетплейсы и розничные сети, телеком-операторы, промышленные холдинги с задачами предиктивного обслуживания оборудования, медицинские компании, работающие со снимками. Отдельный крупный наниматель — интеграторы, которые делают модели на заказ для тех, кто не держит собственную команду.

Разброс внутри направления огромен, и объясняется он не городом, а содержанием работы. Человек, который поддерживает готовые модели по инструкции, и тот, кто отвечает за решение целиком, от постановки задачи до денег, которые оно приносит, получают в разы разные суммы. Поэтому средние цифры по профессии так трудно примерить на себя: они складываются из двух почти не пересекающихся групп.

Про окупаемость обучения удобно думать в месяцах работы. Программа повышения квалификации по одному направлению стоит порядка двух-трёх недель дохода действующего специалиста на медианной ставке, полноценная годовая подготовка — около месяца. Но честный расчёт для человека со стороны другой: считать нужно не от медианы, а от первой реальной зарплаты, и закладывать полгода-год на выход к рыночному уровню.

Что в машинном обучении привлекает и что выматывает

Что изменили большие языковые модели

За несколько лет профессия сместилась. Раньше типичная задача звучала как «обучите модель под наши данные», и инженер собирал архитектуру почти с нуля. Теперь в большинстве случаев берут готовую предобученную модель и приспосабливают её под задачу: подбирают формулировку запроса, дообучают на небольшом наборе примеров, подключают поиск по своей базе документов. Это дешевле и быстрее, поэтому именно так работает бизнес.

Изменился и порог входа: запустить приличное решение стало проще, а вот отличить работающее от красивого — сложнее. Ценность специалиста переместилась в оценку. Кто-то должен собрать честный набор проверочных примеров, посчитать, как часто система ошибается на реальных запросах, и сказать, можно ли выпускать её к клиентам. Оценка качества модели сегодня оплачивается лучше, чем умение запустить обучение.

Третье следствие — инфраструктура. Модель, которая отвечает пользователям, требует вычислительных ресурсов, версионирования, отката к предыдущей версии и наблюдения за тем, как меняется её поведение. Отсюда спрос на людей, которые понимают и обучение, и эксплуатацию.

Классические задачи при этом никуда не делись. Прогноз спроса, скоринг и поиск аномалий по-прежнему решаются табличными методами, где большая языковая модель не нужна и только удорожает решение. Специалист, который знает, когда не применять модный инструмент, ценится отдельно.

По каким признакам видно, что курс доведёт до работающей модели

Первое, что стоит найти в описании, — требования к слушателю на входе. Программа, которая честно пишет «нужен Python и базовая статистика», вызывает больше доверия, чем та, что обещает взять любого. Отсутствие входного порога означает, что уровень группы придётся усреднять вниз.

Второе — работа с сырыми данными. Учебный набор, где всё уже разложено по колонкам, не готовит к реальности. Ищите в плане задания, где данные приходится собирать, чистить и объединять, а часть строк оказывается мусором.

Третье — доведение до сервиса. Проект, заканчивающийся ноутбуком с графиками, не показывает работодателю, что вы умеете. Проект, где модель обёрнута в сервис, принимает запрос и возвращает ответ, показывает. Проверьте, есть ли в программе хоть одна такая работа.

Четвёртое — разбор чужого кода и код-ревью вашего. Навык читать чужие решения в этой профессии важнее, чем писать свои с нуля: большая часть работы состоит в понимании того, что сделал предшественник.

Пятое — актуальность. Спросите, когда в последний раз обновлялась программа и какие версии библиотек используются. Материал трёхлетней давности в этой области стареет заметно быстрее, чем в бухгалтерии или юриспруденции.

Выбор редакции

Профессия Deep learning engineer

Skillbox ·12 мес.

296 152 ₽ 740 380 ₽ −60% Смотреть программу

На сайт школы

• Machine Learning Engineer с нуля Skillbox 69 000 ₽ 197 143 ₽ −65%
• Профессия ML-инженер + ИИ Skillbox 182 697 ₽ 365 394 ₽ −50%
• Специалист по компьютерному зрению дронов и нейросетям Skillbox 102 260 ₽ 204 520 ₽ −50%
• Machine Learning с нуля до Junior Skillbox 123 543 ₽ 247 085 ₽ −50%

Все курсы в каталоге

Кому эта работа принесёт удовольствие

Направление подходит людям, которым нравится докапываться до причины. Модель ошиблась — и дальше начинается расследование: данные кривые, признак случайно содержит ответ, распределение сместилось. Тем, кто получает удовольствие от такого поиска, здесь хорошо.

Хорошо и тем, кто спокойно живёт с неопределённостью. В отличие от разработки сервисов, где результат предсказуем, здесь заранее неизвестно, получится ли вообще: две недели работы могут закончиться выводом «данных недостаточно». Умение сказать это честно и вовремя ценится высоко.

Ещё одна подходящая черта — привычка доводить измерение до конца. Здесь легко обмануться: цифра на экране красивая, а на новых данных решение рассыпается. Люди, которые по натуре перепроверяют, а не радуются первому хорошему числу, экономят компании месяцы и быстро получают самостоятельные задачи.

Отдельно выигрывают специалисты с предметным опытом. Врач, разбирающийся в снимках, агроном, понимающий поля, банковский аналитик, знающий, как ведёт себя заёмщик, — все они начинают не с нуля. Их знание подсказывает, какие признаки собрать и где модель обманывает сама себя, а этому на курсах не учат.

Кто готовит инженеров машинного обучения

В российском каталоге по этому направлению собрано 62 программы от 17 школ: от коротких курсов по обработке текста и компьютерному зрению до годовых программ и магистратуры. Профили двух школ с большим набором курсов ниже — по ним удобно сравнить подход: одни идут от практических задач, другие от системной подготовки.

У направления есть особенность, которая мешает новичкам и помогает упорным: здесь почти невозможно сымитировать компетентность. На собеседовании просят объяснить, почему выбрана эта метрика и что произойдёт с моделью через полгода, и заученные ответы разваливаются на втором уточняющем вопросе. Обратная сторона в том, что человеку без связей и красивого резюме достаточно принести три доведённых до конца проекта, чтобы с ним начали разговаривать всерьёз. Мало где ещё вход устроен настолько прямо.

Что почитать дальше

• Кто такой аналитик данных и чем он занимается
• Data Science: почему специалист по данным получает вдвое больше аналитика
• С чего начать в работе с нейросетями