Обложка профессии

MLOps-инженер

MLOps-инженер - инженер, который превращает обученные ML-модели в работающие сервисы: собирает пайплайны обучения и выкатки, разворачивает инференс в Kubernetes и следит, чтобы модели в проде не деградировали.

Вход через DevOps или ML, с нуля почти не берут; спрос растёт вместе с LLM, вилки выше, чем у DevOps того же грейда.

120-500 тыс ₽
Диапазон зарплат
12-18 месяцев
До первой работы
13 человек
Конкурс на место

Чем занимается MLOps-инженер

MLOps-инженер отвечает за путь модели от ноутбука дата-сайентиста до продакшена и обратно. Каждый день он чинит пайплайны обучения, собирает образы с CUDA, настраивает выкатку и следит за задержками и стоимостью GPU. На выходе - платформа, где новая версия модели выходит за часы, а не за месяц. ML-инженер строит и улучшает модели, DevOps обслуживает обычные сервисы, а MLOps делает так, чтобы модели жили в проде.

Пайплайны обучения

Собирает конвейеры подготовки данных, обучения и валидации в Airflow, Kubeflow или Argo Workflows, чтобы переобучение запускалось по расписанию или по событию, а не вручную.

Сервинг моделей

Упаковывает модели в Docker и выкатывает их как REST- или gRPC-сервисы на FastAPI, Triton или KServe, настраивает автоскейлинг и канареечные релизы в Kubernetes.

Эксперименты и реестр

Разворачивает MLflow или аналог для трекинга экспериментов, версионирует данные и модели через DVC и реестр моделей, чтобы любой результат можно было воспроизвести.

CI/CD для ML

Пишет пайплайны в GitLab CI или Jenkins: тесты кода и данных, сборка образов, проверка качества модели перед выкаткой, автоматический откат при деградации метрик.

Мониторинг в проде

Настраивает Prometheus и Grafana для задержек и ошибок, отслеживает дрейф данных и качество предсказаний, поднимает алерты, когда модель начинает ошибаться чаще обычного.

GPU и LLM-инфраструктура

Распределяет GPU между командами, разворачивает инференс LLM на vLLM или Triton, считает стоимость токенов и подбирает квантизацию, чтобы модель укладывалась в бюджет.

Насколько востребован

Анализ рынка труда на основе данных Хабр Карьера и внутренней аналитики за 2025–2026 годы.

Высокая конкуренция

Желающих значительно больше, чем вакансий (от 13 кандидатов на место)

Спрос по формату работы

Полная удаленкаОфисГибрид

Спрос по областям

Интернет-сервисы и бигтехБанки и финтехE-commerce и ритейлТелекомIT-интеграторы и аутсорсAI-стартапы и LLM-продуктыПромышленность и энергетика

Навыки по грейдам

От junior к middle растут в основном Kubernetes, CI/CD и уверенность в выкатке моделей. На переходе к senior резко прибавляются архитектура ML-платформы, надёжность и работа с командами DS, а архитектор отвечает за платформу и бюджет GPU.

Зарплата Junior
Менее 1 года опыта
120 000 - 200 000 ₽
Зона ответственности
  • Собирает Docker-образы для моделей
  • Правит готовые CI/CD-пайплайны
  • Разбирает упавшие джобы обучения
  • Добавляет задачи в DAG Airflow
  • Настраивает дашборды в Grafana
  • Пишет документацию к сервисам

Типичный список навыков и стек

Список требований, которые чаще всего встречаются в вакансиях MLOps-инженер на основе текущих предложений на Хабр Карьере

Как стать MLOps-инженером

Пошаговый план развития от нуля до senior-уровня. Сроки ориентировочные и зависят от интенсивности обучения и предыдущего опыта.

  • 0Python и Linux2–3 месяца

    База, без которой не прочитать ни один пайплайн

    Задачи этапа:
    • Освоить Python: функции, классы, виртуальные окружения, pip и poetry

    • Работать в терминале Linux: процессы, права, systemd, bash-скрипты

    • Освоить Git: ветки, merge request, разрешение конфликтов

    • Написать небольшой REST-сервис на FastAPI

  • 1Основы машинного обучения2–3 месяца

    Понять, что делает модель и почему она ломается

    Задачи этапа:
    • Обучить модели в scikit-learn и разобраться в метриках качества

    • Разобраться с pandas, NumPy и подготовкой признаков

    • Обучить простую нейросеть в PyTorch

    • Понять переобучение, валидацию и дрейф данных

  • 2Контейнеры и Kubernetes2–3 месяца

    Научиться упаковывать и запускать сервисы как в проде

    Задачи этапа:
    • Собрать Docker-образ с моделью и уменьшить его размер

    • Поднять стек сервисов в Docker Compose

    • Развернуть сервис в Kubernetes: Deployment, Service, Ingress

    • Описать релиз в Helm-чарте

  • 3MLOps-инструменты2–3 месяца

    Собрать полный цикл модели от данных до выкатки

    Задачи этапа:
    • Вести эксперименты и реестр моделей в MLflow

    • Версионировать данные и модели через DVC

    • Собрать пайплайн переобучения в Apache Airflow

    • Настроить CI/CD в GitLab CI с тестами и сборкой образа

    • Поднять мониторинг в Prometheus и Grafana

  • 4Портфолио и поиск работы2–4 месяца

    Показать работодателю модель, которая живёт в проде

    Задачи этапа:
    • Сделать пет-проект: модель, API, CI/CD, мониторинг в Kubernetes

    • Описать архитектуру проекта в README со схемой

    • Разобрать типовые вопросы по Kubernetes и ML на собеседованиях

    • Откликаться на junior MLOps, DevOps и ML-инженерные вакансии

  • 5Junior -> Middle1–2 года

    Самостоятельно выкатывать модели и отвечать за них

    Задачи этапа:
    • Выкатывать модели с канареечными релизами и откатом

    • Настроить автоскейлинг инференса и мониторинг дрейфа

    • Освоить Terraform и Ansible для инфраструктуры

    • Разобраться с GPU в Kubernetes и сервингом на Triton или vLLM

  • 6Middle -> Senior2–3 года

    Проектировать ML-платформу для нескольких команд

    Задачи этапа:
    • Спроектировать платформу обучения и инференса для команд DS

    • Оптимизировать стоимость GPU и задержки инференса LLM

    • Внедрить стандарты выкатки и ревью моделей

    • Разбирать инциденты и писать постмортемы

    • Менторить инженеров и вести технические собеседования

Обучение и курсы

Структурированный путь вместо хаотичного самообучения

Курсы не заменяют практику, но значительно сокращают время на поиск актуальной информации, дают обратную связь от менторов и помогают систематизировать знания. При интенсивном обучении с курсом можно выйти на рынок на 3–4 месяца быстрее.

Посмотреть курсы по профессии

Плюсы и минусы MLOps-инженера

Обсудили вместе с экспертами в профессии MLOps-инженер, какие они видят преимущества и недостатки профессий для новичков и растущих специалистов.

Плюсы

  • Высокие вилки уже на middle

    По открытым вакансиям медиана MLOps - около 325 тыс ₽, это выше, чем у DevOps того же грейда.

  • Спрос растёт вместе с LLM

    Компании внедряют LLM и им нужны люди, которые развернут инференс и посчитают стоимость GPU.

  • Много удалённой работы

    Около 65% вакансий на Хабр Карьере и в разборе вакансий devopsway - удалённые.

  • Два пути входа

    Прийти можно из DevOps, добрав ML, или из Data Science, добрав инфраструктуру, - опыт не пропадает.

  • Видимый результат работы

    Модель выходит за часы вместо месяцев, и это сразу видно по метрикам бизнеса и скорости команд DS.

  • Широкий и переносимый стек

    Kubernetes, CI/CD и мониторинг нужны везде, при желании легко уйти в DevOps, SRE или платформенную разработку.

Минусы

  • Почти нет junior-вакансий

    Большинство вакансий требуют 1–3 и 3–6 лет опыта, войти с нуля сразу в MLOps очень трудно.

  • Рынок вакансий узкий

    По запросу MLOps на hh.ru около 250 вакансий, в разы меньше, чем у DevOps или бэкенда.

  • Дежурства и инциденты

    Модели и инференс работают круглосуточно, поэтому бывают ночные инциденты и дежурства.

  • Нужно знать две области

    Приходится держать в голове и инфраструктуру, и ML, а учебных программ для такого сочетания немного.

  • Работа часто незаметна

    Когда всё работает, заслуги приписывают моделям и дата-сайентистам, а платформу замечают при сбоях.

  • Инструменты быстро меняются

    Стек для LLM и сервинга меняется каждый год, часть навыков приходится переучивать.

Зарплаты MLOps-инженера в РФ

Анализ рынка труда сделан на основе данных Хабр Карьера и внутренней аналитики за 2025–2026 годы

Москва
СПб
Регионы
Удалёнка
Junior
130 – 220К ₽
120 – 200К ₽
100 – 170К ₽
110 – 190К ₽
Middle
240 – 370К ₽
220 – 340К ₽
190 – 290К ₽
210 – 320К ₽
Senior
360 – 530К ₽
330 – 480К ₽
280 – 420К ₽
310 – 460К ₽
Lead / Architect
460 – 700К ₽
420 – 630К ₽
350 – 530К ₽
400 – 600К ₽

Курсы и обучение

Структурированное обучение сокращает время входа в профессию и перехода между грейдами. Выбирайте курс исходя из текущего уровня.

Курсы для начинающих

Обложка курса
14 мес
Логотип НетологияНетология
Инженер машинного обучения с нуля
Машинное обучение
Python
SQL
Нейронные сети
Искусственный интеллект
Математическая статистика
SMART
Проверка гипотез
Google Таблицы
Извлечение данных
Консоль
Pandas
NumPy
API
Парсинг
Keras
NLP
Компьютерное зрение
Обработка естественного языка
ClickHouse
Apache Kafka
Kafka Streams DSL
Apache Hadoop
DWH
Базы данных
MLOps
CI / CD
Мониторинг
DevOps
Kubernetes
от 3 960 ₽/мес
-47%
или сразу 128 300 ₽
Обложка курса
5.00
2
7 мес
Логотип karpov.courseskarpov.courses
Инженер машинного обучения
Машинное обучение
MLOps
SQL
Python
Data Science
Глубокое обучение
Искусственный интеллект
Компьютерное зрение
Нейронные сети
A/B тестирование
от 6 958 ₽/мес
-29%
или сразу 124 950 ₽
2 мес
Логотип StepikStepik
DataOPS Engineer с нуля до middle
DataOPS
Data Engineering
MLOps
DevOps
Инженерия данных
Linux
Bash
Visual Studio
VS Code
Pandas
NumPy
MatPlotLib
Git
GitHub
Контейнеризация
Docker
PostgreSQL
ClickHouse
MongoDB
CI / CD
Kubernetes
Apache Hadoop
Apache Spark
Apache Airflow
Ansible
от 7 495 ₽/мес
или сразу 108 000 ₽
Обложка курса
16 мес
Логотип НетологияНетология
Дата-инженер: расширенный курс
Data Engineering
Инженерия данных
SQL
Python
Apache Hadoop
PostgreSQL
Apache Airflow
Apache NiFi
Apache Spark
ClickHouse
ETL
DWH
NumPy
Pandas
Redis
Извлечение данных
Kafka Streams DSL
DataFrame API
Java
Нейронные сети
MLOps
Машинное обучение
от 3 438 ₽/мес
-51%
или сразу 111 400 ₽
Обложка курса
16 мес
Логотип НетологияНетология
Специалист по глубокому обучению
Глубокое обучение
Компьютерное зрение
Обработка естественного языка
NLP
Машинное обучение
Искусственный интеллект
Нейронные сети
Keras
ClickHouse
Apache Kafka
Kafka Streams DSL
Spark Streaming
Apache Cassandra
Apache HBase
Apache Hadoop
DWH
MLOps
CI / CD
от 5 104 ₽/мес
-46%
или сразу 165 400 ₽
Посмотреть все курсы

Курсы для продолжающих

Обложка курса
4.00
1
5 мес
Логотип Яндекс ПрактикумЯндекс Практикум
MLOps для разработки и мониторинга
MLOps
Python
Docker
CI / CD
Git
Мониторинг
Машинное обучение
от 4 633 ₽/мес
-28%
или сразу 113 490 ₽
1 нед
Логотип Школа Больших ДанныхШкола Больших Данных
Разработка и внедрение ML-решений
MLOps
Машинное обучение
DevOps
Apache Airflow
MLFlow
Docker
FastAPI
CI / CD
Git
Python
Искусственный интеллект
66 000 ₽
Обложка курса
11 мес
Логотип НетологияНетология
Инженер машинного обучения: курс для IT-специалистов
Машинное обучение
NumPy
Статистика
Нейронные сети
Искусственный интеллект
Pandas
NLP
Компьютерное зрение
Keras
ClickHouse
Apache Kafka
Kafka Streams DSL
Spark Streaming
Apache Hadoop
DWH
Базы данных
MLOps
CI / CD
Мониторинг
Kubernetes
от 3 960 ₽/мес
-47%
или сразу 128 300 ₽
2 года
Логотип SkillfactorySkillfactory
Онлайн-магистратура МИФИ "Машинное обучение"
Машинное обучение
Python
Базы данных
Linux
Компьютерное зрение
Нейронные сети
MLOps
Искусственный интеллект
920 000 ₽
Обложка курса
4 мес
Логотип karpov.courseskarpov.courses
ML Design: Основы проектирования систем машинного обучения и ИИ-систем
Data Science
Big Data
Машинное обучение
Искусственный интеллект
Анализ требований
MLOps
Data-driven
Системный дизайн
RAG
Валидация
Пайплайн
178 500 ₽
-29%
250 500 ₽
Обложка курса
4 мес
Логотип Яндекс ПрактикумЯндекс Практикум
ИИ-инженер
ИИ-агенты
LLM
RAG
Искусственный интеллект
Машинное обучение
MLFlow
Prometheus
HuggingFace
Docker
Kubernetes
Asyncio
MLOps
от 5 381 ₽/мес
-22%
или сразу 131 820 ₽
1 нед
Логотип Школа Больших ДанныхШкола Больших Данных
ML Практикум: от теории к промышленному использованию
Машинное обучение
MLOps
Нейронные сети
Математическая статистика
Аналитика данных
REST API
Apache Airflow
FastAPI
NumPy
Pandas
Python
Искусственный интеллект
66 000 ₽
6 мес
Логотип НетологияНетология
ИИ-разработчик: от API до агентов с МТУСИ
Искусственный интеллект
LLM
Компьютерное зрение
Распознавание речи
API
FastAPI
Создание чат-ботов
Разработка
Terraform
Ansible
Мониторинг
Логирование
Kubernetes
MLOps
Redis
ИИ-агенты
от 4 631 ₽/мес
-54%
или сразу 166 750 ₽
Посмотреть все курсы

Резюме MLOps-инженера

Сделали собирательный образ-профиль должности специалиста на основе обезличенной базы данных специалистов Хабр Карьера.

Семён Семёныч
MLOps-инженер

Инструменты

Python
Docker
Kubernetes
Helm
Jenkins
MLFlow
Apache Airflow
FastAPI
Prometheus
Grafana
Terraform
Linux

Навыки

  • Пишу на Python сервисы и скрипты автоматизации, оборачиваю модели в API на FastAPI

  • Собираю Docker-образы для моделей, в том числе с CUDA, и слежу за их размером

  • Разворачиваю сервисы в Kubernetes через Helm, настраиваю автоскейлинг

  • Строю CI/CD в GitLab CI и Jenkins: тесты, сборка образов, выкатка моделей

  • Веду эксперименты и реестр моделей в MLflow, версионирую данные через DVC

  • Собираю пайплайны обучения и переобучения в Apache Airflow

  • Настраиваю мониторинг в Prometheus и Grafana, отслеживаю дрейф данных

  • Пишу SQL-запросы к PostgreSQL и ClickHouse, работаю с Kafka и Spark

  • Понимаю основы ML: метрики, переобучение, отличие обучения от инференса

  • Объясняю дата-сайентистам ограничения инфраструктуры

  • Разбираю инциденты спокойно и пишу постмортемы

  • Документирую пайплайны так, чтобы их поняли другие

  • Беру ответственность за сервис после выкатки

Часто задаваемые вопросы

Ответы на популярные вопросы о профессии MLOps-инженер

  • Можно ли стать MLOps-инженером с нуля?

    Можно, но это длинный путь: с нуля до первой работы обычно уходит 12–18 месяцев при 15–20 часах в неделю. Это оценка по требованиям вакансий, официальной статистики нет.

    Сложность в том, что MLOps стоит на двух опорах: инфраструктуре (Linux, Docker, Kubernetes, CI/CD) и машинном обучении. Junior-вакансий мало, большинство просит 1–3 года опыта.

    Реалистичный план для новичка - сначала устроиться в DevOps, бэкенд или junior ML, а затем перейти в MLOps внутри компании или со следующей сменой работы.

  • С чего лучше заходить в MLOps: из DevOps или из Data Science?

    Оба пути рабочие, и выбор зависит от того, что вы уже умеете. Из DevOps переходят чаще: Kubernetes, CI/CD и мониторинг уже есть, остаётся добрать основы ML, MLflow и сервинг моделей - обычно это 4–8 месяцев.

    Из Data Science переход тоже возможен: вы понимаете модели и метрики, но придётся всерьёз освоить Linux, контейнеры и Kubernetes.

    Если вы только выбираете, путь через DevOps даёт больше вакансий на входе и проще в поиске первой работы.

  • Чем MLOps-инженер отличается от ML-инженера и DevOps?

    ML-инженер строит и улучшает модели, DevOps обслуживает обычные сервисы, а MLOps-инженер отвечает за то, чтобы модели стабильно работали в проде.

    На практике границы размыты: в небольших компаниях ML-инженер сам выкатывает модели, а в крупных есть отдельная команда ML-платформы. MLOps-инженер отличается от DevOps ML-спецификой: версионированием данных и моделей, мониторингом дрейфа, GPU и инференсом.

    Смотрите на текст вакансии, а не на название: одна и та же должность в разных компаниях может означать разные задачи.

  • Нужна ли высшая математика и диплом?

    Диплом формально почти нигде не обязателен, а математика нужна меньше, чем дата-сайентисту. Важно понимать, как обучается модель, что такое метрики, переобучение и дрейф данных, но выводить формулы не придётся.

    Гораздо больше времени уходит на инженерную часть: Linux, сети, Kubernetes, CI/CD.

    Техническое образование помогает пройти фильтр в банках и бигтехе, но портфолио с работающим проектом в Kubernetes обычно весит больше.

  • Сколько зарабатывает MLOps-инженер?

    По нашей оценке, junior получает около 120–200 тыс ₽, middle - 220–350 тыс ₽, senior - 330–500 тыс ₽ в месяц. Оценка собрана по открытым вакансиям и обзорам 2025–2026 годов; анкет на Хабр Карьере пока мало, и они показывают цифры на 20–35% ниже.

    Медиана открытых вакансий MLOps, по разбору devopsway.ru, - около 325 тыс ₽, в Москве и бигтехе вилки выше.

    Профессия оплачивается выше DevOps того же грейда, но рынок узкий, поэтому разброс между компаниями большой.

  • Какой английский нужен MLOps-инженеру?

    Достаточно уровня, чтобы свободно читать документацию и issues на GitHub. Почти весь стек - Kubernetes, MLflow, Kubeflow, vLLM - документирован на английском, и новые версии выходят раньше, чем появляются переводы.

    Разговорный английский требуется редко: по разбору вакансий devopsway.ru, его явно просят примерно в 16% вакансий, обычно уровень B1–B2.

    Для работы на зарубежные компании нужен уровень выше, но это отдельный рынок.

  • Можно ли работать MLOps-инженером удалённо?

    Да, удалёнка в MLOps распространена. На Хабр Карьере около 65% вакансий специализации удалённые, похожую долю показывает разбор вакансий devopsway.ru.

    Офис или гибрид чаще требуют банки и компании, где модели работают на закрытой инфраструктуре, с собственными GPU-кластерами и персональными данными клиентов.

    Учтите, что на удалённые вакансии больше откликов: на Хабр Карьере в среднем около 100 откликов на вакансию MLOps.

  • Стоит ли идти в MLOps после 30 лет?

    Да, возраст здесь мешает меньше, чем во многих IT-ролях, потому что в MLOps приходят с опытом из соседних областей. Многие переходят из DevOps, системного администрирования, бэкенда или аналитики данных уже после 30.

    Если у вас есть опыт с Linux, серверами или Python, вы сэкономите несколько месяцев обучения.

    В резюме полезно показать прошлый опыт как преимущество: умение разбирать инциденты и работать с продом ценится выше, чем курс с нуля.

  • Что спрашивают на собеседовании на MLOps-инженера?

    Чаще всего проверяют инфраструктуру: Docker, Kubernetes, CI/CD, Linux и сети. Типичные вопросы - как устроен Deployment, как настроить автоскейлинг, как откатить неудачный релиз.

    Второй блок - ML-специфика: как устроен реестр моделей, чем онлайн-инференс отличается от пакетного, как отслеживать дрейф данных.

    На middle и senior добавляется системный дизайн: спроектировать платформу обучения или сервис инференса под нагрузку и бюджет GPU.

  • Стажировка или сразу junior: что реалистичнее?

    Для MLOps реалистичнее стажировка или junior в соседней роли. Отдельных junior-вакансий MLOps очень мало: на Хабр Карьере за год была одна стажировка и ни одной junior-вакансии.

    Стажировки в ML-платформах бывают у крупных компаний и банков, но конкурс на них высокий - на стажировку MLOps на Карьере пришло около 360 откликов.

    Рабочая стратегия - откликаться и на junior DevOps, и на junior ML, а внутри компании проситься в задачи по выкатке моделей.

  • Заменит ли AI MLOps-инженеров?

    В ближайшие годы скорее наоборот: внедрение LLM увеличивает спрос на тех, кто умеет их разворачивать и обслуживать. Компаниям нужно распределять GPU, настраивать инференс, считать стоимость токенов и следить за качеством ответов.

    AI-ассистенты уже помогают писать Helm-чарты, пайплайны и скрипты, поэтому рутины становится меньше.

    Ценность смещается к архитектуре, надёжности и оптимизации стоимости - это сложнее автоматизировать, чем написание конфигов.

  • Какие инструменты MLOps учить в первую очередь?

    Начните с того, что встречается почти в каждой вакансии: Python, Docker, Kubernetes и CI/CD. По Хабр Карьере Python указан в 60% вакансий MLOps, Kubernetes - в 40%.

    Дальше добавьте MLflow и Apache Airflow: в разборе devopsway.ru они упоминаются в половине вакансий именно MLOps.

    Конкретные инструменты для LLM и сервинга, например vLLM или Triton, лучше учить после базы: они быстро меняются, а принципы Kubernetes и CI/CD остаются.

Узнайте больше о профессиях Аналитика и Data Science/MLOps

Хотите узнать больше о популярных профессиях и навыках, прежде чем начать выбирать? Наши эксперты подготовили еще несколько подборок со схожими позициями на рынке, чтобы вы чувствовали себя уверенно при принятии решения по выбору будущей профессии

до -60% скидка на все курсы

Перейти к курсам