Курс «ML-инженер»

ML-инженеры нужны прямо сейчас

Смотрю на статистикуhh.ruи, честно говоря, немного удивляюсь. Количество вакансий для ML-инженеров выросло со 135 до 396 за год. Почти в три раза. При этом разговоры о том, что «айтишный рынок схлопнулся», не прекращаются ни на день. Видимо, схлопнулся он не для всех.

Хабр Карьера даёт медиану в 226 тысяч рублей. Джуниоры стартуют с 72 тысяч, сеньоры — с 491. А SuperJob по Москве называет цифру до 650 тысяч на руки. На мой взгляд, верхняя планка выглядит завышенной, но спорить с агрегаторами вакансий не буду — они считают по реальным объявлениям.

Почему так? ML-инженер — это человек, который собирает данные, обучает модель, заворачивает её в микросервис, кладёт в Docker и выкатывает в облако. Плюс понимает математику. Плюс умеет настроить мониторинг, чтобы модель не деградировала через месяц. У меня в команде был случай когда модель отлично работала на dev, а в prod через 2 недели выдавала полную ахинею, потому что изменилось распределение данных. Никто не следил за этим, пришлось срочно переделывать пайплайн. Хороших ML-инженеров оказывается мало.

Что значит «ML-инженер»

Формально — специалист на стыке машинного обучения и разработки ПО. На практике — человек, который отвечает за то, чтобы модель работала не в блокноте, а в продукте.

Стек, который встречается в вакансиях: Python, SQL, Docker, FastAPI, MLflow, Airflow, Optuna, PyTorch. Облачные платформы — почти везде. M1Cloud пишет, что облачный рынок России растёт на 30% в год. Компаниям нужны люди, которые умеют проектировать GPU-кластеры и настраивать MLOps. Раньше это было плюсом к резюме. Сейчас — обязательным пунктом.

Чему учат на курсе

Программы разные. Где-то 4 месяца интенсива, где-то 12 месяцев с нуля. Но логика похожая.

Сначала база: Python, работа с данными, классические алгоритмы машинного обучения. Потом инженерия: контейнеризация, микросервисы, оркестрация пайплайнов. В финале — продакшн: мониторинг, версионирование, A/B-тесты, uplift-моделирование.

🪄Дополнительный модуль использованиеИИ-инструментов.

Также на курсе изучаются такие ИИ сервисы как: ChatGPT, Cursor.

Большинство работодателей поддерживают применение ИИ, поэтому считаю что этот модуль действительно очень полезен. ИИ может помочь решить много рабочих моментов)

Практика — это портфолио. 18+ проектов: нейросетевой классификатор изображений, REST API для модели, автоматизированный пайплайн с версионированием, финальный проект полного цикла. Звучит стандартно, но именно такие работы потом показывают на собеседованиях.

Кому подходит курс

Две категории.

• Первая — аналитики и разработчики, которые уже пишут код и хотят перейти в ML.
• Вторая — люди с математическим складом ума, готовые начать с Python и статистики. Во втором случае обучение занимает от 12 месяцев.

Средний оффер после полного цикла подготовки — около 250 тысяч рублей. Для удалённой работы на зарубежные компании — 7–10 тысяч долларов в месяц. SalaryExpert называет среднюю годовую зарплату в 2,25 млн рублей, топовые специалисты получают до 2,64 млн. Цифры приятные. Правда, они не учитывают, что путь до первого оффера может занять полгода-год активного поиска. У некоторых и дольше.

Стоит ли идти в ML-инженерию? На мой взгляд, да, если готовы учиться много и долго. Если ищете быстрый вход в IT с минимальными усилиями — это спорный выбор.

Мини-опрос: насколько вам подходит профессия ML-инженера

Вопросы и ответы