AI/ML-инженеры создают системы, которые распознают изображения, прогнозируют продажи, обрабатывают сообщения и помогают автоматизировать работу. Для этого они используют машинное обучение, готовые нейросети и программирование. Разберём, что входит в обязанности AI/ML-инженера, чем различаются эти направления и какие навыки нужны для старта.
Кто такой AI/ML-инженер простыми словами
AI/ML-инженер — специалист, который разрабатывает и внедряет решения на основе искусственного интеллекта (AI) и машинного обучения (ML). Его задача — сделать так, чтобы модель решала конкретную проблему и нормально работала в приложении или сервисе.
Например, интернет-магазин получает сотни обращений в день. Часть покупателей спрашивает о доставке, другие хотят вернуть товар, а кто-то уточняет характеристики. Инженер может разработать систему, которая автоматически распределяет сообщения по категориям и помогает сотрудникам готовить ответы.
Другой пример — рекламное агентство, которому нужно оценивать вероятность покупки после заявки. Инженер может обучить модель на исторических данных: откуда пришёл клиент, какие действия совершил и состоялась ли продажа. Затем система сможет оценивать новые заявки по найденным закономерностям.
В обоих случаях используется ИИ, но работа специалиста будет различаться. В первом можно взять готовую языковую модель и подключить её к базе знаний. Во втором потребуется подготовить данные, обучить и проверить модель прогнозирования.
Поэтому AI/ML-инженер — широкое название направления. В вакансиях также встречаются AI Engineer, Machine Learning Engineer, ML Engineer, GenAI Engineer и LLM Engineer. Обязанности зависят от компании, а не только от названия должности.
Чем AI-инженер отличается от ML-инженера
AI и ML тесно связаны, поэтому граница между профессиями не всегда строгая. Но для начала полезно понять, на чём обычно сосредоточен каждый специалист.
AI-инженер (AI Engineer) чаще разрабатывает приложения, которые используют искусственный интеллект. Например, подключает готовую языковую модель к сайту, CRM или базе знаний компании.
ML-инженер (Machine Learning Engineer) чаще работает с самим машинным обучением: подготавливает данные, обучает модели, проверяет их качество и внедряет в приложения.
Вернёмся к примеру с интернет-магазином. AI-инженер может разработать помощника, который отвечает на вопросы покупателей, используя готовую нейросеть и инструкции компании. ML-инженер — систему, которая анализирует историю заявок и прогнозирует вероятность покупки.
При этом, требования и обязанности могут перескаться. AI-инженер может дообучать модели, а ML-инженер — разрабатывать приложения с готовыми LLM. В небольшой команде один человек иногда выполняет обе роли.
Например, Google Cloud включает в обязанности ML-инженера не только обучение традиционных моделей, но и работу с генеративным ИИ. Microsoft, в свою очередь, описывает разработку AI-решений как полный процесс: от проектирования до запуска, защиты и мониторинга.
Если вас интересует прежде всего создание приложений на базе готовых нейросетей, подробнее об этом направлении мы рассказывали в статье «ИИ-инженер: кто это, чем занимается и как им стать».
Чем занимается AI/ML-инженер на работе
Задачи зависят от проекта. Один специалист целыми днями работает с данными и экспериментирует с моделями, другой пишет код для ИИ-сервиса и подключает его к рабочим системам.
Посмотрим на пример ML-инженера, которому поручили разработать модель оценки рекламных заявок.
Разбирается в задаче
Сначала нужно определить, какую проблему должна решать модель. Например, компания хочет понять, какие заявки с большей вероятностью закончатся покупкой.
Инженер вместе с аналитиком и бизнес-командой определяет, какие данные доступны и какой результат будет полезным. При этом важно не перепутать вероятность покупки с гарантированной продажей: модель может ошибаться, поэтому её прогнозы нужно проверять.
Подготавливает данные
Для обучения понадобятся исторические заявки и сведения о том, какие из них привели к покупке. Данные могут храниться в CRM, таблицах или базе данных.
Инженер проверяет пропуски, дубли, ошибочные значения и то, какие признаки действительно можно использовать для прогноза. Например, нельзя обучать модель на информации о факте оплаты, если при обработке новой заявки этой информации ещё не существует. Иначе тест покажет слишком хороший результат, который не повторится в реальной работе.
Обучает и проверяет модель
Дальше специалист выбирает алгоритм и обучает его на подготовленных примерах. Для первого варианта необязательно использовать сложную нейросеть: иногда подходит более простой метод машинного обучения.
Затем модель проверяют на данных, которые не использовались для её обучения. Например, можно посмотреть, насколько часто она правильно определяет заявки с высокой вероятностью покупки и сколько потенциально успешных клиентов пропускает.
Если качество неудовлетворительное, инженер меняет признаки, настройки или сам алгоритм. При этом результаты разных экспериментов нужно сохранять, чтобы понимать, какие изменения действительно помогли.
Внедряет модель и следит за результатом
Когда модель прошла проверки, её подключают к приложению или рабочему процессу. Например, CRM получает оценку новой заявки и показывает её менеджеру.
На этом работа не заканчивается. Поведение клиентов, рекламные каналы и ассортимент меняются, поэтому качество прогнозов со временем может ухудшиться. Инженер отслеживает результаты и при необходимости обновляет систему.
Такой процесс — от подготовки данных до поддержки модели после запуска — часто называют MLOps. Он помогает организовать разработку машинного обучения так, чтобы результат можно было воспроизвести, проверить и использовать в настоящем продукте.
Где работают AI/ML-инженеры
Искусственный интеллект используют не только технологические компании. Инженеры нужны там, где есть данные, повторяющиеся задачи или процессы, которые можно улучшить с помощью моделей.
В интернет-магазинах они разрабатывают рекомендации товаров, поиск, прогнозирование спроса и помощников для покупателей. В банках — системы оценки рисков и обнаружения подозрительных операций. В логистике — прогнозы загрузки и времени доставки.
В digital-маркетинге тоже хватает задач. Например, можно разработать классификатор рекламных объявлений, систему группировки отзывов или инструмент, который помогает анализировать обращения клиентов.
При этом AI/ML-инженер не обязательно самостоятельно запускает рекламу или принимает маркетинговые решения. Он создаёт и поддерживает технологию, которую затем используют аналитики, маркетологи и другие сотрудники.
Для работы в этой профессии недостаточно уметь писать хорошие запросы к ChatGPT. Нужно понимать, как устроены ИИ-приложения, как работать с данными и что делать, если система выдаёт неверные результаты.
Для начала стоит освоить несколько основных направлений.
| Навык | Зачем нужен |
| Python | Писать программы, обрабатывать данные, подключать модели |
| SQL | Получать информацию из баз данных |
| Статистика | Разбираться в данных и оценивать результаты |
| Машинное обучение | Понимать обучение моделей и их ошибки |
| Git | Сохранять изменения кода и работать над проектом |
| API | Подключать нейросети к сайтам и другим приложениям |
| Docker и Linux | Запускать и развёртывать приложения |
| Тестирование | Проверять, как модель работает на новых данных |
Не нужно изучать всё сразу. Например, для первого ИИ-помощника на готовой языковой модели важнее Python, API и проверка ответов. Для самостоятельного обучения ML-моделей потребуется больше внимания уделить статистике, данным и алгоритмам.
Какие библиотеки и инструменты используют
Для обработки таблиц в Python часто применяют Pandas и NumPy. Pandas помогает работать с CSV, Excel и данными из баз, а NumPy — выполнять вычисления с массивами чисел.
Если пока незнакомы с этими инструментами, начните с нашего материала «NumPy и Pandas: в чём разница простыми словами». На примере рекламной статистики там показано, какие задачи удобнее решать каждой библиотекой.
Для машинного обучения используют scikit-learn, а для работы с нейросетями — PyTorch и TensorFlow. Результаты экспериментов можно сохранять в MLflow, чтобы сравнивать версии моделей и их качество.
В проектах с генеративным ИИ встречаются LangChain и другие инструменты подключения языковых моделей к внешним данным. Например, с помощью LangChain можно разработать агента, который обращается к CRM, получает показатели и готовит отчёт. Подробнее о таких возможностях читайте в нашем разборе LangChain.
Необязательно знать каждый из этих инструментов до первой стажировки. Гораздо полезнее выбрать одно направление и сделать небольшой законченный проект, который можно показать работодателю.
Можно ли попробовать машинное обучение без программирования
Да. Чтобы понять, нравится ли вам сама идея обучения моделей, необязательно сразу устанавливать Python и разбираться в математических формулах.
Для первого опыта подойдёт бесплатный веб-инструмент Google Teachable Machine. В нём можно обучить простую модель распознавать изображения, звуки или позы прямо в браузере.
Попробуйте создать модель, которая отличает кружку от ручки. Для этого:
- Откройте Teachable Machine, нажмите Get Started и выберите Image Project, затем Standard image model.
- Создайте две категории: Кружка и Ручка.
- Загрузите в каждую несколько десятков собственных фотографий предметов. Лучше использовать разное освещение, фон и положение.
- Нажмите Train Model, чтобы обучить модель.
- После обучения проверьте результат на новых фотографиях, которые вы не добавляли в обучающую выборку.
Если модель ошибается, попробуйте изменить набор изображений и обучить её заново. Например, добавьте фотографии при другом освещении или на другом фоне, затем повторите проверку.
Так можно увидеть основные этапы работы ML-инженера: сбор примеров, обучение и проверку качества. Конечно, Teachable Machine не заменяет профессиональные инструменты, но хорошо показывает сам принцип машинного обучения.
А если интереснее готовые нейросети?
Тогда можно начать с Hugging Face Spaces, где разработчики публикуют демонстрационные ИИ-приложения. Там встречаются инструменты для работы с текстом, изображениями и другими данными.
Выберите доступную демонстрацию и попробуйте несколько запросов. Например, для текстовой модели проверьте, как она классифицирует сообщения или извлекает информацию. Подготовьте пять коротких тестов и запишите, какие ответы оказались правильными, а где модель ошиблась.
Это ещё не работа AI-инженера: вы пока только используете готовое приложение. Но такой эксперимент помогает понять, почему разработчикам недостаточно получить один удачный ответ. Им нужно регулярно проверять качество модели на разных примерах.
Для первых экспериментов используйте учебные данные, а не клиентские документы, пароли или закрытую информацию компании.
Курс «Практикум по нейросетям» в Академии IT DMS
Цифровой сертификат после итогового теста.
AFFTIMES−5 % на первую покупку. Скидка суммируется с любыми акциями школы. Если оплачиваете через менеджера в чате, назовите ему промокод.
Как стать AI/ML-инженером с нуля
Начинать проще с небольших задач, которые постепенно знакомят с программированием и устройством моделей. Пытаться сразу обучить аналог ChatGPT на домашнем компьютере не нужно.
Путь в профессию можно разделить на пять этапов.
Изучите Python
Начните с переменных, условий, циклов, функций, работы с файлами и установки библиотек. После этого попробуйте написать программу, которая читает CSV с рекламной статистикой, считает стоимость заявки и сохраняет результат.
Этого ещё недостаточно для ML, но вы научитесь работать с кодом и данными. Без такого навыка будет сложно разбираться в более серьёзных проектах.
Разберитесь с данными и основами ML
Освойте Pandas, базовый SQL, статистику и принципы машинного обучения. Важно понимать, чем обучающие данные отличаются от проверочных, почему модель может ошибаться и как сравнивать её результаты.
Затем попробуйте обучить простой классификатор на открытом наборе данных с помощью scikit-learn.
Когда перейдёте к нейросетям, пригодится понимание того, как они уменьшают ошибки во время обучения. Этот процесс мы объясняли в статье «Градиентный спуск: что это и как он помогает обучать нейросети».
Выберите специализацию
Если вам интереснее прогнозы, работа с таблицами и обучение моделей, двигайтесь в сторону ML Engineering. Изучайте scikit-learn, затем PyTorch и способы оценки качества моделей.
Если больше нравится создавать чат-ботов, ИИ-агентов и приложения на базе готовых нейросетей, попробуйте AI Engineering. Здесь важны работа с API, подключение внешних сервисов, RAG и проверка ответов языковых моделей.
Выбор не окончательный. Базовые знания Python, работы с данными и тестирования пригодятся в обоих направлениях.
Соберите проект для портфолио
Работодателю полезнее увидеть законченную работу, чем список изученных библиотек.
Для ML-направления можно создать модель, которая прогнозирует категорию обращения или вероятность определённого события по открытым данным. Покажите, откуда взята информация, как вы разделили её для обучения и проверки, с чем сравнили результат.
Для AI-направления подойдёт помощник по небольшой базе знаний. Например, он может отвечать на вопросы по открытой инструкции, находить нужный раздел и указывать источник ответа.
В обоих случаях важно показать не только работающую демонстрацию, но и ошибки, которые вы обнаружили при проверке. В README проекта на GitHub стоит написать, как его запустить, какие задачи он решает и какие ограничения у него есть.
Научитесь запускать и поддерживать модель
Учебный проект работает на вашем компьютере, но в компании модель должна быть доступна пользователям. Поэтому придётся разобраться с API, Git, основами Linux, Docker и мониторингом.
Например, модель может хорошо отвечать на тестовые вопросы, но слишком долго обрабатывать реальные запросы или перестать работать после обновления библиотеки. Инженер должен уметь разобраться в таких проблемах.
Именно поэтому AI/ML-инженер — это в первую очередь инженерная профессия. Нужно не только получить результат от нейросети, но и сделать так, чтобы система стабильно работала.
Курс «Инженер генеративного ИИ» в Академии IT DMS
Сертификат, диплом о переподготовке или удостоверение о повышении квалификации.
AFFTIMES−5 % на первую покупку. Скидка суммируется с любыми акциями школы. Если оплачиваете через менеджера в чате, назовите ему промокод.
Сколько зарабатывает ML-инженер
Зарплата зависит от опыта, специализации, города и сложности проектов. Особенно важно, может ли специалист самостоятельно довести модель до рабочего продукта или пока выполняет отдельные задачи под руководством команды.
Для ориентира можно использовать данные «hh Карьеры» по российским вакансиям за сентябрь 2025 года:
| Уровень | Зарплатная вилка в месяц |
| Junior | 70 000–110 000 рублей |
| Middle | 220 000–250 000 рублей |
| Senior | 348 000–350 000 рублей |
Это опубликованные диапазоны по выборке вакансий, а не гарантированный доход и не полная картина рынка на ноябрь 2026 года. В отдельных компаниях предложения могут быть значительно ниже или выше.
Для AI-инженеров с генеративными моделями зарплаты тоже сильно различаются. Поэтому при поиске работы стоит смотреть не только на название должности, но и на требования: где-то нужен разработчик API и ИИ-агентов, а где-то специалист по обучению собственных моделей.
Сложно ли войти в профессию AI/ML-инженера
С нуля войти в AI/ML сложнее, чем просто научиться пользоваться готовыми нейросетями. Нужны программирование, умение работать с данными и привычка проверять результат, а не доверять модели на слово.
Но начинать с университетского курса высшей математики и огромной нейросети тоже необязательно. Можно сначала изучить Python, собрать простую модель на готовых данных и разобраться, почему она иногда ошибается.
Если вам нравится искать закономерности, экспериментировать с алгоритмами и улучшать качество прогнозов, стоит подробнее изучить ML Engineering. Если интереснее создавать ИИ-помощников, подключать их к сервисам и разрабатывать полезные функции, присмотритесь к AI Engineering.
Проверить интерес к обоим направлениям лучше на небольших проектах. Так вы увидите, что именно нравится в работе с искусственным интеллектом, ещё до выбора полноценной образовательной программы.
FAQ
AI/ML-инженер — специалист, который разрабатывает и внедряет решения на основе искусственного интеллекта и машинного обучения. Он работает с моделями, данными, программным кодом и проверкой качества.
ML-инженер подготавливает данные, обучает и проверяет модели машинного обучения, внедряет их в приложения и следит за качеством прогнозов после запуска.
AI-инженер чаще разрабатывает приложения на базе готовых моделей, а ML-инженер сосредоточен на обучении, оценке и внедрении моделей. В реальных проектах обязанности могут пересекаться.
Основные навыки — Python, работа с данными, основы статистики, машинное обучение, Git и тестирование. В зависимости от специализации также используют SQL, PyTorch, API, Docker и инструменты для работы с LLM.
Начните с Python, затем изучите работу с данными, статистику и основы машинного обучения. Создайте несколько учебных моделей, научитесь проверять их качество и соберите проекты для портфолио.
Да, для части вакансий важнее практические навыки программирования и разработки ИИ-приложений. Но хорошая техническая база и выполненные проекты необходимы, а некоторые работодатели требуют профильное образование.
