Live-данные · обновлено 23 июня 2026

Навыки ML-инженера: что требуют работодатели

На основе 155 вакансий — частотность навыков, разбивка по грейдам, связки технологий.

АМ Алексей Морозов · Технический редактор · Senior Machine Learning Engineer
Навыков в анализе
20
топ-20 по частоте
Самый частый навык
89%
Python
Навыков / вакансия
10
медиана
Преобладает грейд
Senior
45.4% вакансий
Python 89% LLM 47.1% PyTorch 46.5% SQL 45.2% Docker 40% Все навыки →
Топ-навыки По грейдам По категориям Связки Что учить первым Зарплатная премия Курсы Вопросы и ответы
Ищете зарплатную статистику? Сколько зарабатывает ML-инженер? →

Какие навыки чаще всего требуют от ML-инженера

Частота упоминания в 155 активных вакансиях. Клик по заголовку колонки — сортировка.

# Навык ↕ Частота ↓ Доля ↕ Вакансий
1 Python
89% 138
2 LLM
47.1% 73
3 PyTorch
46.5% 72
4 SQL
45.2% 70
5 Docker
40% 62
6 RAG
26.5% 41
7 Git
24.5% 38
8 pandas
24.5% 38
9 Apache Airflow
23.2% 36
10 MLflow
23.2% 36
11 scikit-learn
22.6% 35
12 FastAPI
21.3% 33
13 NumPy
21.3% 33
14 Kubernetes
20% 31
15 CI/CD
17.4% 27
16 PostgreSQL
17.4% 27
17 Apache Spark
15.5% 24
18 LangChain
15.5% 24
19 TensorFlow
14.2% 22
20 Hugging Face
12.3% 19

Доля = процент вакансий ML-инженера, в которых упоминается навык. Одна вакансия может содержать несколько навыков. На основе 155 вакансий, 23 июня 2026.

Базовые (≥60%)
Нужны практически всегда
Python
Дифференцирующие (20–60%)
Влияют на специализацию
LLM 47.1% PyTorch 46.5% SQL 45.2% Docker 40% RAG 26.5% Git 24.5% pandas 24.5% Apache Airflow 23.2% MLflow 23.2% scikit-learn 22.6% FastAPI 21.3% NumPy 21.3% Kubernetes 20%
Нишевые (<20%)
Для специализированных ролей
CI/CD 17.4% PostgreSQL 17.4% Apache Spark 15.5% LangChain 15.5% TensorFlow 14.2% Hugging Face 12.3%

Навыки по грейдам: Junior, Middle, Senior

Доля вакансий каждого грейда, в которых встречается навык. Фильтр — кнопки ниже. Ячейки с «≈» — оценка по выборке менее 20 вакансий.

Распределение по рынку: Senior — 45.4%, Middle — 32.8%, Junior — 9.2%.
Навык Intern Junior Middle Senior Lead
Python ≈100% ≈90.9% 94.9% 85.2% ≈85.7%
LLM ≈100% ≈36.4% 53.8% 44.4% ≈42.9%
PyTorch ≈100% ≈36.4% 71.8% 44.4% ≈14.3%
SQL — ≈54.5% ≈46.2% 46.3% ≈50%
Docker ≈100% ≈27.3% 56.4% ≈35.2% ≈28.6%
RAG ≈100% ≈36.4% ≈30.8% ≈25.9% ≈21.4%
Git ≈100% — ≈33.3% ≈20.4% ≈14.3%
pandas — ≈9.1% ≈38.5% ≈24.1% —
Apache Airflow — ≈9.1% ≈33.3% ≈24.1% ≈21.4%
MLflow — ≈9.1% ≈30.8% ≈22.2% ≈28.6%
scikit-learn — ≈18.2% ≈28.2% ≈25.9% ≈21.4%
FastAPI — ≈27.3% ≈25.6% ≈16.7% ≈14.3%
NumPy — ≈18.2% ≈41% ≈14.8% ≈7.1%
Kubernetes — ≈9.1% ≈30.8% ≈18.5% ≈14.3%
CI/CD — ≈9.1% ≈12.8% ≈20.4% ≈21.4%
PostgreSQL — ≈27.3% ≈20.5% ≈20.4% —
Apache Spark — — ≈25.6% ≈20.4% —
LangChain ≈100% ≈36.4% ≈17.9% ≈18.5% ≈7.1%
TensorFlow — ≈18.2% ≈17.9% ≈16.7% —
Hugging Face ≈100% ≈27.3% ≈20.5% ≈7.4% ≈7.1%

Значение = % вакансий данного уровня, требующих навык. «≈» — оценка (выборка <20 вакансий). «—» — нет данных. Уровень определяется по требованиям вакансии.

Стек по категориям

Навыки сгруппированы по типу технологий. Цифры — частота в вакансиях.

Ключевые навыки
Python 89% SQL 45.2% FastAPI 21.3%
Инструменты разработки
Git 24.5% CI/CD 17.4%
Платформы, базы и инфраструктура
Docker 40% Kubernetes 20% PostgreSQL 17.4%
Сопутствующий рабочий контекст
LLM 47.1% PyTorch 46.5% RAG 26.5% pandas 24.5% Apache Airflow 23.2% MLflow 23.2% scikit-learn 22.6% NumPy 21.3%

Какие навыки идут в связке

Пары навыков, которые чаще всего встречаются в одной вакансии. Доля — % вакансий ML-инженера с обоими навыками.

Навык A + Навык B Вакансий Доля
Python + SQL 70 45.2%
Python + PyTorch 69 44.5%
Python + LLM 65 41.9%
Python + Docker 62 40%
PyTorch + Docker 45 29%
LLM + Docker 41 26.5%
LLM + PyTorch 40 25.8%
LLM + RAG 39 25.2%
Python + Git 38 24.5%
Python + pandas 37 23.9%
Python + RAG 35 22.6%
Python + MLflow 35 22.6%
Python + scikit-learn 34 21.9%
Python + Apache Airflow 34 21.9%
Python + NumPy 32 20.6%

На основе 155 вакансий, 23 июня 2026. Показаны пары с ≥10 совместными упоминаниями.

Как мы считаем навыки

Источник данных: 155 вакансий в московском сегменте. Навыки извлечены автоматически из текста каждой вакансии. Все значения рассчитываются на основе реальных данных — без ручной редакции.

Доля (share %): доля вакансий профессии, в которых упомянут навык. Одна вакансия может упоминать несколько навыков — суммарная доля может превышать 100%.

Данные по грейдам: грейд определяется по требованиям каждой вакансии (уровень опыта). Ячейки с «≈» — оценка: выборка менее 20 вакансий. Ячейки «—» — данных нет.

Связки навыков: пары, встречающиеся вместе в ≥10 вакансиях (порог надёжности данных).

Зарплатная премия: разница медианы вакансий с навыком к медиане профессии. Показывается при наличии ≥20 вакансий с зарплатой. «Оценка» — 20–29 вакансий.

Обновлено: 23 июня 2026 · 155 вакансий

Что учить ML-инженеру первым

Порядок опирается на частотность навыков по данным вакансий и логику освоения специализации. Список — ориентир, не жёсткое правило.

  1. 1
    Python и базовые библиотеки (89%)
    NumPy, Pandas — обработка данных; Jupyter/VS Code, виртуальные окружения.
  2. 2
    Классический ML (22.6%)
    Scikit-learn: линейные модели, деревья, градиентный бустинг, оценка качества моделей.
  3. 3
    Нейросетевые фреймворки (46.5%)
    PyTorch или TensorFlow/Keras — архитектуры, обучение, инференс.
  4. 4
    LLM и языковые модели (47.1%)
    Трансформеры, API OpenAI/YandexGPT/GigaChat, prompt engineering, few-shot learning.
  5. 5
    RAG и векторные базы данных (26.5%)
    Retrieval-Augmented Generation: эмбеддинги, Qdrant/Chroma/Weaviate, similarity search.
  6. 6
    Агентные фреймворки и оркестрация (15.5%)
    LangChain, LlamaIndex — AI-пайплайны, tool calling, многоагентные системы.
  7. 7
    Деплой и сервинг моделей (21.3%)
    FastAPI/gRPC для инференса, Docker, ONNX — оптимизация latency в production.
  8. 8
    MLOps и мониторинг (23.2%)
    MLflow, DVC, Airflow — версионирование экспериментов, воспроизводимость, мониторинг дрейфа.
Курсы · подобрано по данным рынка

Курсы для ML-инженера

Сопоставили программы с реальным стеком из 155 вакансий — оценка соответствия рассчитана автоматически, это не реклама.

Все курсы →
Соответствие = доля ключевых навыков вакансий, которые закрывает программа курса. На основе 155 вакансий, обновлено автоматически.

Вопросы и ответы

Какие навыки нужны ML-инженеру в первую очередь?
По данным 155 вакансий чаще всего требуются: Python (89%), LLM (47.1%), PyTorch (46.5%), SQL (45.2%), Docker (40%).
Что должен знать Junior ML-инженер?
На уровне Junior важен базовый стек: Python, LLM, PyTorch. Рынок ориентирован на Senior (45.4% вакансий), поэтому конкуренция за начальные позиции высокая.
Что должен уметь Middle ML-инженер?
На уровне Middle (32.8% вакансий) работодатели ожидают уверенного владения: Python (94.9%), LLM (53.8%), PyTorch (71.8%), Docker (56.4%). Требования расширяются относительно начального уровня.
Что ждут от Senior ML-инженера?
Senior (45.4% вакансий) — доминирующий грейд. Чаще всего требуют: Python (85.2%), LLM (44.4%), PyTorch (44.4%), SQL (46.3%). На этом уровне добавляются системное мышление, архитектурные решения и наставничество.
Нужен ли ML-инженеру SQL?
SQL встречается в 45.2% вакансий, PostgreSQL — в 17.4% (27 из 155). Это базовые требования большинства позиций.
Нужен ли ML-инженеру Git?
Git встречается в 24.5% вакансий (38 из 155). Обычно ожидается на любом грейде.
Нужен ли ML-инженеру Linux?
Linux — важный навык для работы с серверной инфраструктурой.
Нужен ли ML-инженеру Docker?
Docker встречается в 40% вакансий ML-инженера (62 из 155). Навык особенно важен на Middle/Senior.
Нужен ли ML-инженеру Kubernetes?
Kubernetes встречается в 20% вакансий. Это не начальный навык — он востребован на Middle/Senior и в инфраструктурных ролях.
Какие навыки повышают зарплату ML-инженера?
Зарплатная премия рассчитывается при достаточной выборке. Подробнее — на странице зарплат.
Как часто обновляются данные о навыках?
Данные обновляются регулярно. Текущий срез — 23 июня 2026, 155 вакансий.