Дорожная карта навыков ML-инженера на 2026 год

ML-инжиниринг в 2026 году разделён между классическим ML (табличные модели, ранжирование, фрод, прогнозирование) и LLM-инжинирингом (RAG, дообучение, evals, агенты). Большинство новых сотрудников касаются обоих. Эта дорожная карта охватывает стек, soft skills и план на 12 месяцев, чтобы стать ML-инженером, которого нанимают.

За последние два года роль менялась быстрее, чем любая другая инженерная специальность. До 2023 года ML-инженеры были в основном тренерами моделей. В 2026 году большинство ML-инженеров — это системные инженеры, которые попутно деплоят модели: они строят evals, пайплайны, системы извлечения и сервисы инференса больше, чем тренируют базовые модели. Вывод: если вы умеете только тренировать, вы недостаточно готовы к найму 2026 года.

Кто такой ML-инженер в 2026 году

Роль охватывает несколько направлений. Большинство вакансий просят одно-два из:

• Тренировать и деплоить классические ML-модели (ранжирование, рекомендации, прогнозирование, фрод).
• Строить LLM-функции: RAG по данным компании, промпт-инжиниринг, evals, дообучение при необходимости.
• Владеть пайплайном инференса: serving, батчинг, целевые показатели задержки, стоимость.
• Писать production-код — не Jupyter-ноутбуки — с тестами и CI.
• Сотрудничать с продуктом по тому, что строить, с data-инжинирингом по входным данным, с платформой по serving.

Junior ML-инженер: тренирует модель, выкатывает её за эндпоинтом под лёгким надзором. Middle: владеет моделью целиком, включая её evals и режимы деградации. Senior: принимает решение build-vs-buy, проектирует eval-харнес, ведёт incident response, когда модель регрессирует в production.

Базовый стек — что действительно учить

Soft skills и системное мышление

• Evals как привычка. Если вы не можете измерить качество модели, вы не можете её улучшить. Построение eval — половина работы; многие инженеры пропускают её и жалеют.
• Скептицизм к демо. Демо LLM с пятью отобранными вручную примерами — это не система. Senior-рефлекс: «покажите мне 100 примеров и разбивку режимов отказа».
• Мышление о стоимости. Стоимость токенов, стоимость GPU, стоимость задержки. Правильная модель для задачи редко самая большая.
• Сотрудничество с продуктом. Успех ML-функции зависит от того, чтобы измеряемое было тем, чего хотят пользователи. Согласуйте метрику успеха с продуктом до того, как строить.
• Осознание деградации. Модели дрейфуют, базовые модели снимают с поддержки, промпты ломаются при обновлениях у провайдеров. Планируйте это.

Рекомендуемый план на 3 / 6 / 12 месяцев

Месяцы 1–3: основы

• Подтяните Python и математику для ML. Machine Learning Specialization от Andrew Ng или fast.ai для практического трека.
• Постройте два классических ML-проекта на реальных датасетах: классификатор и регрессию. Задокументируйте свою оценку.
• Настройте PyTorch локально. Натренируйте одну небольшую модель с нуля (уровня MNIST), одну дообучите с Hugging Face.

Месяцы 4–6: LLM-проект

• Постройте RAG-систему по своим документам: чанкинг, эмбеддинги, извлечение, реранкинг, генерация.
• Постройте eval-набор (50–100 вопросов с эталонными ответами). Измерьте precision и recall.
• Задеплойте его за FastAPI-эндпоинтом со стримингом. Заставьте работать на реальных пользователях (себе, друге).
• Прочитайте «Designing Machine Learning Systems» (Chip Huyen) или эквивалент.

Месяцы 7–12: глубина и собеседования

• Постройте ещё один более амбициозный проект: агента с использованием инструментов, дообученную доменную модель или мультимодальный пайплайн.
• Прочитайте 3–5 основополагающих статей (Attention Is All You Need, оригинальный RAG, LoRA) и 5–10 недавних в вашей области.
• Практикуйте ML system design: спроектируйте рекомендательную систему, спроектируйте пайплайн модерации, спроектируйте RAG-приложение.
• Откликайтесь с портфолио, в котором есть один задеплоенный LLM-проект и один классический ML-проект с задокументированными evals.

Пет-проекты для портфолио

• RAG-приложение с реальными evals. Публичный датасет, публичный eval-набор, опубликованные цифры. Демонстрирует строгость.
• Проект по дообучению. LoRA на небольшой открытой модели под конкретную задачу. Покажите сравнение базовой и дообученной версий.
• Production-деплой классического ML. Модель ранжирования XGBoost за API с мониторингом. Показывает, что вы умеете выкатывать не-LLM ML.
• Агент, который делает одну полезную вещь. Ассистент календаря, ревьюер кода, исследовательский ассистент. Использование инструментов + структурированный вывод + evals.

Построение evals — настоящая суперсила senior ML-инженера

Большинству ML-демо до production-функции не хватает одного — evals. Eval — это актив, который делает модель улучшаемой.

• Постройте eval-набор до модели. 50–100 репрезентативных примеров с эталонными выходами или оценёнными ответами. Отобранное вручную бьёт синтетическое для первой версии.
• Несколько метрик, не одна. Exact match плюс семантическая близость плюс LLM-as-judge на основе рубрики для нюансов. Одна метрика рано или поздно всегда врёт.
• Разрезайте по сегментам пользователей. «90% точности» может скрывать «30% на power-юзерах». Разрезайте по языку, типу запроса, стажу пользователя.
• Запускайте evals в CI. Каждое изменение промпта, каждое обновление модели триггерит eval-набор. Алерты о регрессиях идут в Slack-канал.
• Связывайте offline с online. Прошедший eval не означает, что пользователь доволен. Сопоставляйте его с online-метриками (лайки, частота уточняющих вопросов, конверсия) и следите за корреляцией.
• Детектирование дрейфа. Распределение входных данных меняется со временем. Eval-набор, построенный полгода назад, больше не покрывает запросы, которые вы видите. Обновляйте ежеквартально.
• Сбор кейсов отказа. Каждый дизлайк или эскалация становится кандидатом в eval-набор. Датасет растёт за счёт сбора ваших худших моментов.

На собеседованиях «мы построили eval-набор из 200 примеров с тремя метриками и запускали его на каждом PR, что поймало регрессию на 7 пунктов, когда мы попытались сменить модели» — это тот ответ, который сигнализирует Senior. «Новая модель ощущалась лучше при выборочных проверках» — ответ, который этого не делает.

Как получить роль ML-инженера

• Ключевые слова в резюме. PyTorch, Hugging Face, LangChain или LlamaIndex (или «построено без фреймворка», если так и было), RAG, оценка, vLLM/sGLang если применимо, ваше облако, ваша векторная БД.
• Один репозиторий с задокументированными evals. Единственный самый сигнальный артефакт для найма в ML в 2026 году.
• Раунды собеседования: coding, широта ML, ML system design, behavioral, иногда take-home. Раунд system design теперь обычно с LLM-уклоном.
• Раунд system design. Практикуйте «спроектируйте поисковую систему», «спроектируйте пайплайн модерации», «спроектируйте RAG для документации поддержки». Включайте стратегию оценки каждый раз.
• Coding-раунд. Часто чистый Python, иногда реализация небольшого алгоритма (k-NN, attention, функция оценки). Подтяните это.

FAQ