Подбор инженеров по машинному обучению для AI, Data Science и IT-проектов

Нужен инженер по машинному обучению: чем эта роль отличается от Data Scientist

Запросы «нужен инженер по машинному обучению» и «нужен дата-сайентист» приходят к нам почти одинаково часто — и почти всегда означают разные задачи. Data Scientist исследует данные, проверяет гипотезы и собирает прототипы моделей в Jupyter. Machine Learning Engineer берёт этот прототип и доводит его до production: упаковывает в сервис, настраивает пайплайн обучения, обвязывает мониторингом и держит модель в работающем состоянии под боевым трафиком. Это две разные специализации с минимальным пересечением, и подбор machine learning engineer под исследовательскую задачу — это потерянные месяцы и неработающий сервис.

Сильный инженер по машинному обучению — это человек, который читает чужой код модели, понимает, почему она в проде даёт +200 мс к latency, и знает как переписать инференс на ONNX или Triton, чтобы уложиться в SLA. У него за плечами 3–5 проектов с реальной нагрузкой — рекомендательная система, антифрод, классификация изображений или ASR. По таким кейсам мы проводим тех-интервью: какие фичи отбирал, какие гиперпараметры тюнил, как разбирался с дрейфом данных после релиза.

Подбор machine learning engineer строится иначе, чем рекрутинг бэкенд-разработчиков. ML-специалисты редко переходят по холодным письмам с hh.ru — у них и так регулярно прилетают офферы через GitHub, Kaggle, конференции и личные чаты. Рекрутинг machine learning у нас работает через отраслевую сеть: знаем, кто сейчас на каком проекте, у кого заканчивается интересная задача, кого можно сдвинуть только под конкретный домен — например, под LLM-проект с дообучением своей модели или под рекомендательную систему на 10+ млн пользователей.

Услуга подбора Machine Learning Engineer: какой стек и домены закрываем

Под общей вывеской «ML-инженер» на рынке есть несколько практически непересекающихся специализаций — и одна вакансия на все сразу не сработает. Услуга подбора Machine Learning Engineer в HireHub начинается с того, что мы фиксируем домен и зону ответственности будущего сотрудника:

• ML engineer AI / Computer Vision — детекция объектов, сегментация, OCR, работа с PyTorch, OpenCV, обучение под edge-устройства.
• ML engineer NLP / LLM — токенизация, эмбеддинги, fine-tuning открытых моделей, RAG-пайплайны на векторных базах.
• ML engineer для RecSys и ранжирования — двухбашенные модели, gradient boosting, A/B-инфраструктура на больших объёмах.
• ML engineer Data Science и аналитические задачи — прогнозирование оттока, классические ML-задачи на табличных данных, работа в связке с аналитиками.
• ML engineer production и MLOps — Kubeflow, MLflow, Triton Inference Server, мониторинг моделей и автоматический ретрейн.

Базовый стек у большинства профилей пересекается — Python, PyTorch или TensorFlow, опыт с Airflow и Docker. ML engineer Python в чистом виде — это middle-уровень с прицелом на production, а ML engineer AI или ML engineer RecSys — это уже senior с глубоким доменным опытом. Перед тем как нанять ML инженера, мы на брифинге уточняем: какие модели уже в продакшене у клиента, какой объём данных, какая инфраструктура (свой кластер, облако, k8s), сколько человек в команде Data — это влияет на профиль кандидата сильнее, чем стаж в годах.

В отличие от запросов на бэкенд, рекрутинг machine learning требует от рекрутера понимания, чем kNN-поиск отличается от ANN, что такое feature store и зачем нужен валидационный фолд. Без этого тех-скрининг превращается в передачу резюме клиенту без отсева, и заказчику приходится тратить часы на собеседования с нерелевантными людьми. Наш чек-лист по ML engineer production включает 14 пунктов — от настройки CI для моделей до работы с feature drift.

Поиск ML-инженера: как мы оцениваем кандидатов

Поиск ML-инженера у нас — это два слоя проверки: технический и продуктовый. На техническом мы прогоняем кандидата по коду: смотрим публичные репозитории, разбираем решения на Kaggle, просим объяснить недавний pull request. Здесь сразу видно, кто реально пишет код, а кто пересказывает курсы. Сильный machine learning engineer спокойно объясняет, почему выбрал именно эту функцию потерь, как боролся с переобучением, что показала кросс-валидация — и не уходит в общие формулировки про «комплексный подход к данным».

На продуктовом слое мы смотрим, умеет ли кандидат связывать модель с бизнес-метрикой. ML engineer production-уровня — это человек, который перед обучением задаёт вопросы: «А что будет считаться успехом — повышение конверсии, снижение оттока, ускорение инференса?» Если в ответ звучит только «улучшим accuracy» — это middle, а не senior, и под ответственный проект такого кандидата лучше не брать. По нашей статистике, около 40% резюме с пометкой «senior ML engineer» по факту не дотягивают до этого уровня.

Отдельный момент — найм по доменному опыту. ML engineer Data Science с табличными данными редко быстро переключается на CV или NLP: разные библиотеки, разные подходы к валидации, разные паттерны багов. Когда клиент в Москве просит «найти ML-инженера, который сможет всё», мы обычно отвечаем, что таких людей единицы, и проще нанять двух специалистов под разные доменные задачи. Это короче по срокам и стабильнее по результату.

Третий блок — софт-скиллы. ML engineer Python работает на стыке трёх команд: дата-инженеров, бэкенда и продукта. Если кандидат не умеет договариваться о форматах данных и SLA на инференс, модель будет жить на его ноутбуке, а не в проде. На референс-чеках мы спрашиваем бывших коллег именно про коммуникацию — и часто это решает выбор между двумя сильными по харду кандидатами.

Стоимость подбора ML-инженеров в кадровом агентстве

У нас фиксированный прайс — от 70 000 ₽ за позицию ML engineer junior–middle уровня, от 120 000 ₽ за senior с production-опытом. Для ролей с зарплатной вилкой от 350 тысяч это в 2–3 раза выгоднее, чем стандартная модель «процент от годового оклада», по которой работают большинство КА. На senior ML-инженерах разница ощутима: при вилке 450к фикс-цена даёт прямую экономию 800 000–1 200 000 ₽ против процентной схемы. Заказать услугу можно как на одну позицию, так и пакетом на формирование Data-команды из 3–6 человек — для пакета действует отдельный тариф.

В базовую стоимость подбора входит полный цикл: бриф по проекту, аналитика рынка по стеку и вилке, прямой поиск через профильную сеть, тех-скрининг с разбором кода и метрик, организация интервью, сбор референсов, сопровождение оффера и бесплатная замена в течение 3 месяцев. ML-инженер выходит на работу в среднем через 2–3 недели после подписания договора. Узкие доменные роли — например, NLP-инженер с опытом дообучения LLM или CV-инженер для медицины — закрываем за 4–6 недель, и эти сроки мы фиксируем в договоре заранее.

Если у вас уже есть внутренний IT-рекрутер, мы работаем в режиме «усиление команды»: берём на себя сорсинг, первичный тех-скрининг и доступ к закрытому пулу — финальные собеседования проводит ваша сторона. Такая схема экономит 25–35% бюджета и подходит, когда нужно нанять ML инженера Python middle-уровня под понятный стек без редкого домена. Заказать услугу в Москве можно через форму на сайте — расчёт по вашей задаче пришлём в течение 20 минут.