КарьераПрофессии· 10 минут чтения

MLOps-инженер: кто это, чем занимается и сколько зарабатывает

Разбираем профессию MLOps-инженера: задачи, стек от Kubernetes до MLflow и vLLM, уровни и зарплаты 2026 года, путь из DevOps или ML и подготовку резюме.

MLOps-инженер: кто это, чем занимается и сколько зарабатывает

MLOps-инженер (Machine Learning Operations) — специалист, который строит инфраструктуру для полного цикла моделей машинного обучения: от сборки данных и обучения до выкатки в продакшен, мониторинга и переобучения. Он объединяет практики DevOps с особенностями ML: версионирует данные и модели, автоматизирует эксперименты, управляет GPU и следит за качеством предсказаний после релиза. Основной стек — Python, Docker, Kubernetes, CI/CD, MLflow, Airflow и системы инференса вроде Triton и vLLM. В России в 2026 году медианная зарплата DevOps- и MLOps-инженеров уровня Middle — около 345 тыс. ₽ в месяц, Senior — около 446 тыс. ₽ (оценка агентства Selecty).

Кто такой MLOps-инженер

Модель, которая показала хорошую метрику в Jupyter-ноутбуке, ещё не приносит пользы. Её нужно воспроизводимо обучить, упаковать, развернуть, выдержать нагрузку, заметить деградацию качества и переобучить на свежих данных. Без автоматизации каждый такой шаг занимает у ML-команды недели. MLOps-инженер превращает этот путь в конвейер: дата-сайентист нажимает кнопку или делает коммит, а дальше обучение, проверка, выкатка и мониторинг идут по отлаженной схеме.

С 2024 года к классическому MLOps добавился LLMOps — эксплуатация больших языковых моделей: развёртывание открытых LLM на своих GPU, оптимизация инференса, кеширование, контроль стоимости токенов, оценка качества ответов. В вакансиях 2026 года эти задачи часто входят в обязанности MLOps-инженера.

Чем MLOps-инженер отличается от смежных ролей

Роль Фокус Результат работы
DevOps-инженер Инфраструктура и доставка обычных приложений CI/CD, кластеры, мониторинг сервисов
MLOps-инженер Инфраструктура для данных, обучения и инференса моделей ML-платформа, на которой команды обучают и выкатывают модели
ML-инженер Сами модели: обучение, качество, встраивание в продукт Работающий сервис с моделью
Data Engineer Пайплайны и хранилища данных Актуальные и чистые данные для аналитики и ML
LLM-инженер Продукты на готовых больших моделях RAG, ассистенты, агенты, дообученные модели

Главное отличие от DevOps — объект работы. Обычный сервис после релиза ведёт себя предсказуемо, модель же деградирует, когда меняются входные данные (дрейф данных), и это не видно по метрикам CPU и ошибкам 500. Подробнее о соседних профессиях — в статьях про DevOps-инженера и ML-инженера.

Чем занимается MLOps-инженер

Типичные задачи:

  • строить пайплайны обучения: подготовка данных, обучение, оценка, регистрация модели — всё по коммиту или расписанию;
  • версионировать данные, код, параметры и модели, чтобы любой эксперимент можно было повторить;
  • вести реестр моделей (model registry) и процесс продвижения модели из эксперимента в продакшен;
  • разворачивать инференс — работу обученной модели на новых запросах: REST/gRPC-сервисы, батчевые расчёты, стриминг;
  • оптимизировать инференс: квантизация, батчинг, ONNX и TensorRT, выбор GPU, автоскейлинг;
  • поднимать и обслуживать открытые LLM через vLLM, TGI или Triton, настраивать шлюзы к внешним API моделей;
  • управлять GPU-кластерами: очереди задач, квоты для команд, загрузка видеокарт, стоимость;
  • настраивать мониторинг: задержки, ошибки, дрейф данных и предсказаний, качество модели на свежей разметке;
  • внедрять feature store — хранилище признаков, общее для обучения и инференса;
  • писать внутреннюю документацию и шаблоны, по которым ML-команды работают самостоятельно.

Пример задачи

Банк обновляет модель антифрода раз в квартал вручную, и каждый релиз занимает три недели. MLOps-инженер настраивает пайплайн в Airflow или Kubeflow: еженедельная выгрузка свежих транзакций, обучение, сравнение с текущей моделью на отложенной выборке, регистрация в MLflow. Если новая модель лучше, она выкатывается на 5% трафика как канареечный релиз, а в Grafana появляется дашборд с долей срабатываний и дрейфом признаков. Релиз занимает день, откат — минуты.

База из DevOps:

  • Linux, сети, Bash;
  • Docker и Kubernetes, Helm;
  • CI/CD (GitLab CI, GitHub Actions, Argo CD);
  • инфраструктура как код: Terraform, Ansible;
  • мониторинг и логирование: Prometheus, Grafana, ELK или OpenSearch.

База из ML:

  • уверенный Python: от скриптов до сервисов на FastAPI;
  • понимание цикла обучения: выборки, метрики, переобучение, валидация;
  • устройство нейросетей и трансформеров на уровне, достаточном для оптимизации инференса;
  • основы работы с GPU и CUDA.
Задача Инструменты
Эксперименты и реестр моделей MLflow, Weights & Biases, ClearML
Версионирование данных DVC, lakeFS
Оркестрация пайплайнов Airflow, Kubeflow Pipelines, Argo Workflows, Prefect
Инференс и сервинг Triton Inference Server, KServe, BentoML, Ray Serve, vLLM, TGI
Оптимизация моделей ONNX Runtime, TensorRT, квантизация
Feature store Feast
Мониторинг моделей Evidently, Prometheus, Grafana
Облака и GPU Yandex Cloud, Cloud.ru, VK Cloud, Selectel, AWS, GCP

Российские облака предлагают управляемые ML-платформы (например, Yandex DataSphere), и в части компаний MLOps-инженер выбирает между ними и своей платформой на Kubernetes. Каталог ИИ-сервисов для работы — в разделе ИИ-инструменты.

Уровни

Вилки — ориентир по вакансиям Хабр Карьеры и hh.ru за 2026 год и обзору рынка. По данным рекрутингового агентства Selecty, которые в июле 2026 года публиковали Lenta.ru и «Мэйл Финансы», медианная зарплата DevOps- и MLOps-инженеров уровня Middle с опытом 3–6 лет — около 345 тыс. ₽, Senior с опытом от 6 лет — около 446 тыс. ₽; за год предложения в этой нише выросли на 10–15% при росте рынка IT на 4%. На hh.ru летом 2026 года MLOps-инженеру с опытом 3–6 лет на аутстафф предлагали до 280 тыс. ₽ на руки, на Хабр Карьере вакансия Lead AI/ML Engineer с Kubernetes и Yandex Cloud — от 400 тыс. ₽.

Уровень Срок выхода на уровень Зарплата в РФ, ₽/мес Что ждут
Junior 0–1 год в MLOps, обычно после 1–2 лет в DevOps, бэкенде или ML 120–180 тыс. (ориентировочно, джуниор-вакансий мало) Поддерживает пайплайны и сервисы инференса, пишет Dockerfile и CI, разбирает падения обучения
Middle 1–3 года в MLOps 220–350 тыс. Самостоятельно строит пайплайн от данных до выкатки, настраивает мониторинг моделей, работает с GPU в Kubernetes
Senior 3–6 лет 350–480 тыс. Проектирует ML-платформу, отвечает за стоимость и надёжность инференса, разворачивает LLM, менторит
Lead 6+ лет от 450 тыс. (ориентировочно, открытых вилок мало) Руководит командой ML-платформы, выбирает облако и стек, планирует бюджет на GPU

Роль редко бывает стартовой: большинство вакансий требует от 3 лет опыта в DevOps или ML. Компании с собственными LLM и большими ML-командами — банки, маркетплейсы, поисковые и облачные компании — платят по верхней границе.

Где учиться

  • Онлайн-курсы. Отдельные программы по MLOps есть у онлайн-школ (например, у OTUS), а в курсах ML-инженеров MLOps часто идёт отдельным блоком; подборка — в разделе курсы. Смотрите, есть ли в программе Kubernetes, мониторинг моделей и практика с инференсом, а не только MLflow.
  • Бесплатно. Курс MLOps Zoomcamp от DataTalks.Club, документация MLflow, Kubeflow, KServe, vLLM, курс Full Stack Deep Learning, материалы сообщества MLOps Community.
  • Книги. «Designing Machine Learning Systems» Чип Хуен — о жизненном цикле ML-систем в продакшене.
  • Сообщество. Open Data Science (ODS), доклады инженеров Яндекса, Сбера, Т-Банка и Авито о своих ML-платформах.

Как войти в профессию

В MLOps почти не приходят с нуля: нужна база либо из инфраструктуры, либо из машинного обучения.

  1. Из DevOps — самый короткий путь, 4–8 месяцев. Добавьте Python-разработку, основы ML и обучения нейросетей, разберитесь с MLflow, инференсом и GPU в Kubernetes.
  2. Из ML или Data Science — 6–10 месяцев. Освойте Docker, Kubernetes, CI/CD, Terraform и мониторинг, начните отвечать за выкатку своих моделей.
  3. Из бэкенда или Data Engineering — 8–12 месяцев: нужны и основы ML, и инфраструктурная часть.

Практический план для портфолио:

  1. Возьмите открытый датасет и модель, настройте обучение с логированием в MLflow и версионированием данных в DVC.
  2. Упакуйте модель в сервис на FastAPI или BentoML, разверните в Kubernetes (локально подойдёт kind или minikube).
  3. Добавьте CI/CD, который переобучает и выкатывает модель, и мониторинг дрейфа в Evidently и Grafana.
  4. Поднимите открытую LLM через vLLM, замерьте задержку и пропускную способность до и после квантизации.
  5. Опишите всё в README с архитектурной схемой и цифрами.

Внутри компании ищите задачи на стыке: DevOps-инженеру стоит взять поддержку ML-команды, ML-инженеру — автоматизацию выкатки своих моделей.

Где искать вакансии

Вакансии собраны в разделах ML-инженеры и DevOps. На hh.ru, Хабр Карьере и getmatch ищите по запросам «MLOps», «ML Platform», «ML-инфраструктура», «LLMOps», «инженер ML-платформы», «DevOps ML». Часть MLOps-задач прячется в вакансиях ML-инженера и DevOps — читайте обязанности: инференс, GPU, реестр моделей, Kubeflow, Triton указывают на MLOps.

Как составить портфолио и резюме

Покажите, что вы сокращали путь модели до продакшена и делали его надёжным. Для каждого проекта укажите:

  • что было до: ручные релизы, время выкатки, частота инцидентов;
  • что построили: пайплайн, платформу, мониторинг, схему инференса;
  • стек и масштаб: число моделей, команд, GPU, запросов в секунду;
  • результат в цифрах: релиз модели за день вместо трёх недель, задержка инференса снизилась вдвое, загрузка GPU выросла с 30% до 70%;
  • как устроены откат и мониторинг качества.

Собрать резюме по шаблону можно в конструкторе резюме.

Скачать образец резюме

Образец резюме MLOps-инженера в PDF можно получить за подписку на Telegram-канал VibeJobs: [ссылка на Telegram-канал]. В нём:

  • структура резюме под вакансии «MLOps», «ML Platform Engineer» и «LLMOps»;
  • примеры описания ML-платформ и пайплайнов с метриками скорости и стоимости;
  • блок стека: Kubernetes, MLflow, Airflow, Triton, vLLM, Terraform, Prometheus;
  • как описать переход из DevOps или из ML без потери грейда;
  • как показать пет-проект с инференсом и мониторингом дрейфа;
  • ошибки, из-за которых резюме выглядит как резюме обычного DevOps-инженера.

Как проходит собеседование

Типичные этапы:

  • скрининг с рекрутером;
  • секция по инфраструктуре: Linux, сети, Kubernetes, CI/CD — для подготовки подойдут задачи DevOps-собеседований;
  • Python: написать сервис, разобрать код, иногда алгоритмическая задача;
  • ML-база: метрики, переобучение, дрейф данных, устройство трансформера;
  • ML System Design: спроектировать платформу обучения и инференса или сервинг LLM с заданной нагрузкой и бюджетом на GPU;
  • разговор с командой о прошлых инцидентах и решениях.

Плюсы и минусы профессии

Плюсы Минусы
Зарплаты выше средних по DevOps и бэкенду, рост быстрее рынка Почти нет вакансий для новичков
Спрос растёт вместе с внедрением LLM в компаниях Нужно держать в голове два больших стека: инфраструктуру и ML
Опыт с GPU и LLM-инференсом пока редок и ценится Дежурства и инциденты, в том числе с дорогими GPU-ресурсами
Работа на стыке, не надоедает однообразием Инструменты меняются быстро, часть знаний устаревает за год-два
Много удалённых вакансий Название роли размыто, обязанности сильно различаются между компаниями

Частые вопросы

MLOps — это должность или практика?

И то и другое. MLOps как набор практик применяют все, кто работает с моделями в продакшене. Должность MLOps-инженера появляется, когда моделей и команд становится много и инфраструктуру выгодно отдать отдельному человеку.

Нужно ли MLOps-инженеру уметь обучать модели?

Обучать на уровне исследователя — нет. Понимать цикл обучения, метрики и причины деградации модели — да, иначе не получится построить мониторинг и пайплайны переобучения.

Чем LLMOps отличается от MLOps?

LLMOps — часть MLOps, посвящённая большим языковым моделям. Добавляются свои задачи: инференс крупных моделей на нескольких GPU, кеширование и батчинг запросов, учёт токенов, оценка качества текстовых ответов, защита от промпт-инъекций.

Можно ли работать MLOps-инженером удалённо?

Да, большая часть работы идёт в облаке и кластерах, поэтому удалёнка распространена. Исключение — компании с закрытым контуром, например часть банков и госсектор.

Что учить первым: Kubernetes или ML?

Зависит от стартовой точки: учите то, чего не хватает. Если вы ни в том, ни в другом не работали, начните с Python, Linux и Docker, затем основы ML, затем Kubernetes — так быстрее получится собрать первый сквозной проект.

Какие сертификаты помогают?

Сертификаты Kubernetes от CNCF (CKA, CKAD) подтверждают инфраструктурную часть. Для ML-части работодатели смотрят на проекты и опыт, сертификаты курсов весят меньше.