
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.
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.
Собирает конвейеры подготовки данных, обучения и валидации в Airflow, Kubeflow или Argo Workflows, чтобы переобучение запускалось по расписанию или по событию, а не вручную.
Упаковывает модели в Docker и выкатывает их как REST- или gRPC-сервисы на FastAPI, Triton или KServe, настраивает автоскейлинг и канареечные релизы в Kubernetes.
Разворачивает MLflow или аналог для трекинга экспериментов, версионирует данные и модели через DVC и реестр моделей, чтобы любой результат можно было воспроизвести.
Пишет пайплайны в GitLab CI или Jenkins: тесты кода и данных, сборка образов, проверка качества модели перед выкаткой, автоматический откат при деградации метрик.
Настраивает Prometheus и Grafana для задержек и ошибок, отслеживает дрейф данных и качество предсказаний, поднимает алерты, когда модель начинает ошибаться чаще обычного.
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
Спрос по областям
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.
- 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
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 профессииПлюсы 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
Курсы и обучение
Структурированное обучение сокращает время входа в профессию и перехода между грейдами. Выбирайте курс исходя из текущего уровня.
Курсы для начинающих



Курсы для продолжающих

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








