Разработка
Деплоит модели в прод
Настраивает инфраструктуру для безопасного и масштабируемого деплоя моделей с использованием KServe и Kubeflow.
MLOps-инженер
Карта навыков MLOps-инженера: 46 ключевых компетенций hard, stack и soft. Курсы по этой профессии появятся в каталоге в ближайшее время.
Чем занимается MLOps-инженер
Какие задачи закрывает специалист в команде день за днём
Карта навыков MLOps-инженера
46 ключевых навыков · 0 из них завязаны на AI
Над какими проектами работает MLOps-инженер
Типичные продуктовые задачи и проекты — простыми словами
Популярные AI-инструменты для работы MLOps-инженером
Ключевые продукты и сервисы, которые стоит попробовать и изучить
- CursorДля генерации инфраструктурных манифестов на Terraform и Kubernetes.
- Yandex DataSphereДля обработки и хранения больших данных в облаке.
EvidentlyДля мониторинга качества данных и выявления дрифта в продакшене.- ArgoCDДля автоматизации процессов CI/CD и управления GitOps.
FeastДля управления feature store и обеспечения real-time инференса.- Claude CodeДля автоматизации написания и оптимизации кодов.
Роадмап в профессию MLOps-инженер: 6 шагов
Маршрут с нуля до уверенного junior — что освоить и что ты будешь уметь после
- 1
Освой Linux/bash и YAML
Изучи основы работы в командной строке Linux и написания YAML-файлов.
Результат: Сможешь уверенно работать с конфигурациями и автоматизацией на уровне командной строки.
- 2
Изучи контейнеризацию с Docker
Научись создавать и управлять контейнерами, используя Docker.
Результат: Сможешь разрабатывать и деплоить контейнерные приложения для ML-инфраструктуры.
- 3
Освой основы Kubernetes
Познакомься с основными концепциями оркестрации контейнеров с помощью Kubernetes.
Результат: Сможешь развертывать и управлять кластером контейнеров в продакшене.
- 4
Изучи CI/CD и GitOps
Освой процессы непрерывной интеграции и доставки с использованием ArgoCD или Flux.
Результат: Сможешь автоматизировать деплой и обновление моделей в продакшене.
- 5
Собери pet-проект и портфолио на GitHub
Создай публичный training pipeline, используя DVC, Airflow и MLflow.
Результат: Сможешь демонстрировать навыки MLOps через завершенный проект на GitHub.
- 6
Подготовка к собеседованию и подача в вакансии
Подготовься к собеседованиям по MLOps и начни подавать резюме через hh.ru и Habr Career.
Результат: Сможешь уверенно проходить технические интервью и подавать на позиции MLOps-инженера.
Откуда и куда переходят MLOps-инженеры: нативные карьерные траектории
Толщина линии — пересечение по hard- и stack-навыкам: полезно, если выбираешь смежную профессию или думаешь о возврате к старой.
MLOps-инженер
Твой опыт с Git и Docker уже на уровне, чтобы уверенно попробовать себя в роли ML-инженера или углубиться в Data Science, применяя аналитический подход.
1 путей в профессию · 3 куда расти
Куда уходят
ML-инженер
Из MLOps-инженера в ML-инженера: Docker и Git дополняются обучением моделей и подготовкой фичей; тренд растущий, роль в активной фазе роста.
24%общих навыков
тренд ↑↑
Data Science
Из MLOps-инженер в Data Science: Python 3.x и аналитическое мышление расширяешь до создания и оптимизации ML-моделей; роль стремительно развивается.
17%общих навыков
тренд ↑↑
AI-инженер
Из MLOps-инженер в AI-инженер: Docker и Python 3.x расширяешь до создания LLM-приложений; тренд growing-strong с перспективой роста зарплат на 20-30%.
14%общих навыков
тренд ↑↑
Вопросы и ответы о профессии MLOps-инженера
Кто такой MLOps-инженер и чем он занимается?
MLOps-инженер создаёт инфраструктуру, в которой обученные ML-модели превращаются в надёжные production-сервисы. Его работа начинается там, где заканчивается работа ML-инженера: модель готова, нужно её задеплоить, следить за качеством предсказаний и автоматизировать переобучение. Типичный стек 2026 года: Kubeflow или KServe для model serving, Evidently для мониторинга дрейфа данных, ArgoCD для GitOps-деплоя, Feast как feature store. Роль выросла из практики «кладбищ моделей», когда компании тратили бюджеты на обучение, но 70% моделей до пользователей не доходили.
Какие задачи решает MLOps-инженер в команде каждый день?
MLOps-инженер автоматизирует жизненный цикл ML-модели: CI/CD пайплайны переобучения, версионирование экспериментов через MLFlow и DVC, мониторинг в Grafana и Prometheus. В команде он работает между ML-инженерами, которые разрабатывают модели, и DevOps, которые держат базовую инфраструктуру. Конкретный результат, который видит бизнес: время от «датасайентист написал код» до «модель работает в проде» сокращается с недель до часов. В РФ-контексте MLOps-инженеры всё чаще работают на Yandex DataSphere или VK Cloud ML Platform вместо AWS и GCP.
Чем MLOps-инженер отличается от DevOps-инженера и зачем нужна отдельная роль?
DevOps-инженер отвечает за деплой и эксплуатацию обычных сервисов, MLOps-инженер делает то же самое, но с учётом специфики ML-систем: дрейф входных данных, деградация качества предсказаний, версионирование датасетов и моделей. DevOps не знает, что такое feature drift, и не умеет работать с Evidently, Whylogs или feature store. MLOps берёт DevOps-инструменты (Kubernetes, Terraform, ArgoCD) и добавляет поверх ML-специфический слой. Отдельная роль появилась, потому что ML-системы ломаются иначе: сервис может быть «зелёным», а модель при этом уже деградировала.
Может ли DevOps-инженер перейти в MLOps и как долго это займёт?
DevOps-инженер переходит в MLOps быстрее, чем любой другой специалист: 80% инструментального стека совпадает (Kubernetes, Terraform, CI/CD, мониторинг). Добрать нужно три блока: основы машинного обучения на уровне «что такое модель, как она обучается, что значит дрейф»; ML-инструменты (MLFlow, DVC, Feast, Evidently); понимание жизненного цикла ML-проекта. Реалистичный срок для практикующего DevOps: 4–8 месяцев самостоятельного обучения плюс один «переходный» pet-проект с полным циклом деплоя ML-модели. После этого DevOps-опыт начинает работать как преимущество, а не просто бэкграунд.
Что такое learning rate и насколько глубоко MLOps-инженеру нужно знать математику ML?
Learning rate — гиперпараметр, управляющий скоростью обучения модели; MLOps-инженер не занимается его подбором, но должен читать метрики эксперимента и понять, почему обучение зависло или модель деградировала. Глубокой математики MLOps не требует: достаточно понимать accuracy, precision, recall и природу concept drift на концептуальном уровне. MLFlow хранит learning rate как один из параметров эксперимента, и MLOps-инженер проверяет корректность логирования этих параметров, а не выбирает значения. Реальная специализация роли — надёжность и воспроизводимость инфраструктуры, а не качество алгоритмов.
Какой ML-стек обязателен для MLOps-инженера в 2026 году?
Обязательный минимум 2026 года: MLFlow для трекинга экспериментов и версионирования моделей, DVC для версионирования данных, Airflow для оркестрации пайплайнов переобучения. На уровне деплоя: Kubeflow или KServe для model serving, BentoML как более лёгкая альтернатива. Мониторинг качества: Evidently или Whylogs для детекции дрейфа. GitOps-деплой: ArgoCD или Flux. Feature store: Feast. Всё это ложится поверх базового DevOps-стека (Docker, Kubernetes, Terraform, CI/CD, Grafana, Prometheus). В российских компаниях к этому добавляется Yandex DataSphere или VK Cloud ML Platform.
Как быстро растёт доход MLOps-инженера за первые 2–3 года?
За первые 2–3 года доход MLOps-инженера в Москве вырастает примерно в 1,5–2 раза: Junior-уровень начинается с 80–120 тыс. ₽, уверенный Middle получает 150–200 тыс. ₽. Темп выше среднего по IT-рынку, потому что MLOps-специалистов пока меньше, чем открытых вакансий. Ключевой триггер роста оклада — первый production-деплой в крупной компании: он переводит из категории «читал про Kubernetes» в «деплоил реальные модели», и следующий оффер обычно приходит на 30–50% выше текущего.
Сколько времени нужно, чтобы стать Junior MLOps-инженером с нуля?
До уровня Junior с нуля реалистичный срок: 12–18 месяцев при нагрузке 6–8 часов в неделю. Если есть опыт в DevOps или Python-разработке, срок сокращается до 6–9 месяцев. Минимальная программа: Linux и bash (2 мес.), Docker и Kubernetes (3 мес.), Python и основы ML (3 мес.), MLFlow, DVC и пайплайны (2 мес.), один pet-проект с полным циклом деплоя. Без pet-проекта в портфолио пройти техническое интервью практически невозможно, даже с сертификатом курса.
Берут ли в MLOps после 35 лет?
Возраст в MLOps не барьер: это техническая роль с дефицитом кадров, и работодатель смотрит на стек и портфолио, а не на год рождения. Свитчеры из DevOps, системного администрирования или аналитики после 35 лет приходят с пониманием production-инфраструктуры, которое ценнее чистого академического опыта. Единственное уточнение: крупные корпорации с формализованным HR-процессом иногда срезают кандидатов по возрасту на первичном скрининге. Стартапы и продуктовые компании среднего размера оценивают по результату тестового задания, и там возраст не обсуждается.
Нужно ли высшее образование, чтобы работать MLOps-инженером?
Высшее образование в MLOps не обязательно: работодатели смотрят на GitHub, описание pet-проектов и умение объяснять архитектурные решения на техническом интервью. Диплом технического вуза ускоряет прохождение HR-фильтров в банках и телекоме, где есть формальные требования по образованию. В IT-компаниях и стартапах диплом почти не влияет на решение о найме. Практика показывает: портфолио с одним работающим ML-сервисом на Kubernetes весомее диплома без реальных проектов.
Чем MLOps-инженер отличается от ML-инженера и AI-инженера?
ML-инженер разрабатывает и обучает модели, пишет feature engineering, подбирает архитектуры нейросетей. MLOps-инженер берёт готовую обученную модель и отвечает за её надёжную работу в проде: деплой, мониторинг, автоматическое переобучение. AI-инженер работает с готовыми большими языковыми моделями через API: пишет промпты, строит RAG-системы, интегрирует LLM в продукты. Чёткая граница: ML-инженер отвечает за качество модели до деплоя, MLOps — за надёжность после деплоя, AI-инженер не обучает и не деплоит модели самостоятельно.
Какие AI-инструменты использует MLOps-инженер в 2026 году?
MLOps-инженер в 2026 году использует Cursor или Claude Code для генерации Terraform-конфигураций и Kubernetes-манифестов: рутинное написание YAML уходит на ИИ-ассистента, инженеру остаётся ревью и архитектурные решения. GitHub Copilot ускоряет написание DAG-ов для Airflow и скриптов мониторинга. Часть команд перешла на LLM-агентов для автоматического обновления runbook при изменениях инфраструктуры. По оценкам практиков, задачи конфигурирования занимают на 30–40% меньше времени, чем два года назад — это прямой рост производительности без изменения ответственности роли.
Какие pet-проекты собрать в портфолио начинающему MLOps-инженеру?
Минимальное портфолио Junior MLOps-инженера состоит из трёх проектов. Первый: ML-сервис в Docker с REST API, задеплоенный в облако (Yandex Cloud подходит). Второй: пайплайн переобучения модели в Airflow или Prefect с логированием метрик в MLFlow. Третий: мониторинг дрейфа данных через Evidently на реальном или синтетическом датасете, с алертами в Telegram. Все три проекта публикуются на GitHub с README, где объяснены архитектурные решения и компромиссы. Такой набор закрывает 80% чеклистов технического интервью на Junior-уровень.
Где искать первую работу MLOps-инженером в России?
Первые вакансии MLOps-инженера в России ищут на hh.ru (запросы «MLOps», «ML Engineer инфраструктура», «ML Platform»), Хабр Карьера (фильтр «машинное обучение» в DevOps-разделе) и в профильных Telegram-каналах: «ML Вакансии», «Вакансии Data Science», «DevOps Jobs RU». Стажировки с реальным MLOps-стеком есть в Яндексе, Сбере, VK и Т-Банке: именно оттуда выходит большинство специалистов первого года. Откликаться стоит до окончания курса: реальное тестовое задание даёт больше, чем ожидание «идеального» диплома.
Куда растёт MLOps-инженер после уровня Middle?
После Middle открываются два трека. Технический: Senior MLOps с акцентом на платформенные решения (ML Platform Engineer) или архитектуру всей ML-инфраструктуры (Principal MLOps). Управленческий: Team Lead или ML Infrastructure Lead с командой из 3–6 инженеров. Третий вариант — переход в сторону ML Engineering с углублением в Data Science, если появился интерес к самим моделям. Senior в Москве зарабатывает 200–280 тыс. ₽, Lead — 300–400 тыс. ₽. Горизонт перехода из Middle в Senior при активной работе в крупной компании: 2–3 года.
MLOps-инженер: деплой и мониторинг ML-моделей в проде
MLOps-инженер строит инфраструктуру для работы ML-моделей в продакшене: автоматизирует пайплайны обучения, настраивает деплой и следит за дрейфом данных. Это не тот, кто создаёт модели с нуля, а тот, кто делает так, чтобы уже обученная модель работала надёжно под реальной нагрузкой. На этой странице: что входит в работу MLOps-инженера, какой стек востребован в 2026 году, сколько зарабатывают специалисты разных грейдов и с каких позиций удобнее всего войти в эту профессию.
Что входит в работу MLOps-инженера
MLOps-инженер включается в процесс, когда модель уже обучена: упаковывает её в контейнер, настраивает serving-слой, выстраивает CI/CD для переобучения и деплоя. Ключевые задачи — мониторинг качества предсказаний в реальном времени и обнаружение дрейфа входных данных. Параллельно специалист отвечает за версионирование данных и артефактов, управление feature store и инфраструктурой на Kubernetes. Чем крупнее компания, тем больше MLOps отвечает за SLA модели, а не за её содержание: обучение моделей и feature engineering остаются за ML-инженером.
Стек MLOps-инженера в 2026
Современный MLOps строится на нескольких слоях инструментов, и глубина в каждом из них ценится работодателями по-разному.
- Оркестрация и serving: Kubeflow управляет пайплайнами обучения, KServe или BentoML обеспечивают model serving внутри Kubernetes-кластера.
- Мониторинг качества: Evidently или Whylogs — drift detection и контроль распределений входных данных в проде; Grafana и Prometheus закрывают инфраструктурные метрики.
- GitOps и деплой: ArgoCD или Flux синхронизируют состояние кластера с репозиторием, убирая ручные операции из процесса деплоя.
- Feature store: Feast централизует хранилище признаков с версионированием для воспроизводимости экспериментов.
- Трекинг и версионирование: MLFlow для экспериментов, DVC для данных и моделей.
- Облака (РФ): Yandex DataSphere и VK Cloud ML Platform покрывают большую часть задач при работе с российскими заказчиками.
- Ускорение рутины: Cursor и Claude Code применяют для генерации Terraform-конфигураций и Kubernetes-манифестов.
Фундамент остаётся классическим: Python 3.x, Docker, Kubernetes, Terraform, Git, Airflow, Ansible.
Зарплата MLOps-инженера в 2026
Рынок MLOps сейчас дефицитный: специалистов мало, а запрос от компаний, которые уже обучили модели и хотят их надёжно деплоить, продолжает расти. Вилки ниже актуальны для 2026 года.
Откуда приходят в MLOps и куда растут
Чаще всего в MLOps приходят из Python-разработки: опыт с CI/CD, Git и Kubernetes напрямую переносится в автоматизацию ML-пайплайнов. Пересечение навыков с этой позицией достигает 28%, поэтому адаптация проходит быстро. Реже встречается переход из DevOps — когда инженер хочет добавить специфику работы с данными и моделями.
В плане роста чаще всего выбирают между тремя направлениями. ML-инженер — для тех, кто хочет не только деплоить, но и участвовать в разработке моделей; пересечение навыков около 24%, хотя на входе зарплата в ML-инженерии в среднем ниже на 19%. Data Science — путь для тех, кто тяготеет к аналитике и экспериментам с данными; пересечение 17%. AI-инженер — перспективный вариант, если интересна LLM-инфраструктура и оптимизация больших моделей: зарплатный разрыв с MLOps минимальный, зато роль растёт быстрее.