ML Engineer: mercato

Posizione

un'offerta aperta che ha superato il controllo di qualità e indica almeno due tecnologie

Candidato osservato

un candidato il cui stack contiene questa tecnologia; un dato aggregato: nessun singolo record esce dal perimetro

Candidato abbinabile

non ancora conteggiato

Finestra

offerte aperte nel momento in cui è stato creato lo snapshot

Junior ML Engineer è raro (il mercato parte da Data Analyst o Backend → ML). Il salto Junior → Middle: dopo aver padroneggiato la prima pipeline ML in produzione end-to-end (feature engineering → training → deployment → monitoraggio). Middle → Senior: responsabilità multi-pipeline + esperienza con LLM/RAG + scalabilità del training distribuito + ottimizzazione dei costi. Senior → Staff/Principal: architettura della piattaforma ML, strategia ML multi-team. Percorso di carriera: Data Analyst (1-2 anni) → Junior ML Engineer (1-2 anni) → Middle (2-3 anni) → Senior → oppure Staff ML Engineer (tecnico in profondità), ML Tech Lead (management), passaggio alla Research (percorso PhD), o ML Founder/CTO in una startup.

I principali nel 5: python, cloud, pytorch, llm, aws. Python è il monopolio (R quasi non si vede nel ML in produzione nel 2026). Framework di deep learning: PyTorch domina nel 2026 (70%+ della produzione), TensorFlow legacy + ancora molto presente nell'enterprise, JAX per i casi limite della ricerca. ML classico: scikit-learn + XGBoost + LightGBM + CatBoost: la base, indispensabile per i dati tabellari. Manipolazione dei dati: pandas + NumPy + Polars (moderno, in crescita nel 2026: 10-100× più veloce), PyArrow per i dati tra framework. Computer vision: OpenCV, torchvision, Detectron2, MMDetection, Ultralytics YOLO. Tracciamento degli esperimenti: MLflow (standard open source) o Weights & Biases (UI premium) o Neptune. Versionamento dei dati: DVC. Orchestrazione: Airflow + Prefect + Dagster (uno a fondo). Deploy: padronanza di Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe (uno a fondo). Inferenza tra framework: ONNX. Feature store: Feast (open source) o Tecton (gestito). Calcolo distribuito: Spark + Ray + Dask. ML gestito nel cloud: AWS SageMaker / GCP Vertex AI / Azure ML (uno a fondo). Extra da Senior: quantizzazione (quantizzazione PyTorch, bitsandbytes), distillazione, fine-tuning LoRA/QLoRA, vLLM/TGI/SGLang per il serving degli LLM, Optuna per l'ottimizzazione degli iperparametri.

Data Scientist: focus sulla formulazione dei problemi di business + modellazione statistica + test A/B + comunicazione degli insight. Stack: pandas + sklearn + Jupyter + SQL + Tableau/Looker. Meno orientato all'infrastruttura. Vedi Data Scientist. ML Engineer (questa pagina): focus su pipeline ML in produzione + deployment + scalabilità. Stack come il DS + Docker/K8s + MLflow + Airflow + ML gestito nel cloud. Research Engineer / Scientist: focus su nuovi modelli, paper, architetture innovative. Spesso percorso con dottorato. Stack: PyTorch a fondo + JAX + infrastruttura per molti esperimenti. Vedi Research Engineer / Scientist. MLOps Engineer: focus sull'infrastruttura della piattaforma ML (feature store, model registry, monitoraggio, osservabilità, ottimizzazione dei costi). Stack: K8s + Terraform + MLflow/Kubeflow + Prometheus/Grafana + cloud. Vedi MLOps Engineer. Passaggio ML Engineer ↔ DS: 1-3 mesi. ML Engineer ↔ MLOps: 2-4 mesi (se c'è una base di K8s). Il percorso di ricerca richiede un dottorato o 3+ anni di specializzazione approfondita.

Stack di riferimento per il ML in produzione 2026: 1) Ingestione dei dati: Airflow/Prefect/Dagster prelevano i dati grezzi dai sistemi sorgente (DB/Kafka/S3). 2) Feature engineering: trasformazioni Spark/Pandas/Polars → Feature Store (Feast o Tecton: archiviazione centralizzata, correttezza point-in-time, serving online+offline). 3) Sperimentazione: Jupyter + tracking W&B/MLflow + DVC per il versioning dei dati + Optuna per la ricerca degli iperparametri. 4) Training: Ray Train o PyTorch Lightning + distribuito (multi-GPU/multi-nodo), checkpointing su S3/GCS, quantizzazione (INT8/FP16) per il costo dell'inferenza. 5) Model registry: MLflow Model Registry o SageMaker Model Registry (versioning + stadi: staging/production/archived). 6) Validazione: test automatici (data drift, qualità delle previsioni), shadow deployment, configurazione degli A/B test. 7) Serving: Triton Inference Server (NVIDIA, multi-framework + dynamic batching) oppure BentoML o TorchServe o vLLM (per gli LLM). Wrapper FastAPI per il contratto API. 8) Deployment: Kubernetes (standard di produzione) + Helm + ArgoCD per il GitOps. 9) Monitoraggio: Prometheus + Grafana (latenza/throughput/tasso di errore) + rilevamento custom del drift (Evidently AI/WhyLabs) + dashboard dei costi. 10) Ciclo di feedback: registrare previsioni + ground truth → trigger di riaddestramento. Piattaforma ML per tutta l'organizzazione: Kubeflow o Metaflow o SageMaker Pipelines. Stack specifico per gli LLM: vLLM/TGI/SGLang per il serving + prompt engineering (LangChain/LlamaIndex) + RAG (database vettoriali Pinecone/Weaviate/Qdrant) + fine-tuning tramite LoRA/QLoRA + valutazione (RAGAS, DeepEval, benchmark custom).

Sì, il 30% delle offerte ML Engineer è completamente da remoto o ibrido. L'ML in produzione è un lavoro nel cloud (addestramento su GPU cloud, serving in Kubernetes, dati nel warehouse). Gli outsourcer (EPAM AI Practice / Luxoft AI): quasi sempre da remoto su progetti AI statunitensi. Aziende di prodotto russe: ibrido o da remoto dopo il periodo di prova, con eccezioni per l'ML sensibile alla sicurezza (Sber AI banking). Banche (Sber AI / VTB): ibrido/in sede per compliance. Aziende AI internazionali: completamente da remoto come standard, fasce premium. Hub per chi si trasferisce: Polonia (Varsavia/Cracovia: favorevole all'AI), Germania (cluster AI di Berlino), Canada (Toronto: Vector Institute), Israele (cluster AI di Tel Aviv), Serbia, Georgia, Emirati Arabi Uniti (Dubai: fisco favorevole all'AI). Inglese per il lavoro AI internazionale da remoto: indispensabile (premio +30-50%).

ML Engineer (generale): può lavorare in qualsiasi dominio ML (recsys, NLP, CV, rilevamento delle frodi, ranking). Lo stack è universale. Applied ML Engineer: focus su uno specifico compito ML di prodotto + responsabilità delle metriche di business (CTR, conversione, aumento dei ricavi). Lo stack è lo stesso, ma si aggiungono pensiero di prodotto + padronanza dei test A/B + comunicazione con gli stakeholder. Retribuzione paragonabile (mediana), ma nelle aziende di prodotto l'Applied ML a livello Senior è di solito un po' più alto grazie alla responsabilità sull'impatto di business. ML Platform Engineer (una sotto-nicchia separata, più vicina all'MLOps): costruisce l'infrastruttura per gli altri ML Engineer (Feature Store, infrastruttura MLflow, piattaforma di training). Scelta di carriera: ML Engineer se contano soprattutto universalità e portabilità, Applied ML Engineer se ti interessa l'impatto sul prodotto, ML Platform Engineer se infrastruttura e strumenti. Tutti e tre sono percorsi Senior+ legittimi, nessuno migliore o peggiore.

Roadmap: 1) Python a fondo fino al livello Backend Middle (clean code, design pattern, async). Libri: "Fluent Python" di Ramalho, "Effective Python" di Slatkin. 2) Matematica: algebra lineare + analisi + probabilità/statistica al livello di «capire cosa c'è sotto il cofano della backprop». MIT 18.06 Linear Algebra (Strang), 3Blue1Brown "Essence of Linear Algebra". 3) ML classico: padronanza di scikit-learn + XGBoost + LightGBM. Andrew Ng "Machine Learning Specialization" (Coursera). Libro "Hands-On Machine Learning" di Géron (da leggere assolutamente 2026). 4) Deep Learning: PyTorch a fondo (forward/backward/optimizer/training loop da zero). "Deep Learning Specialization" di Andrew Ng. "Deep Learning with PyTorch" di Stevens. 5) Percorso NLP/LLM: corso di Hugging Face (gratuito) → fine-tuning di LLM piccoli (Mistral 7B/Llama 3 8B) con LoRA/QLoRA → costruisci un'applicazione RAG con LangChain + Qdrant. 6) Percorso Computer Vision (alternativo): torchvision + Detectron2 + Ultralytics YOLO + training su dataset custom. 7) Basi di MLOps: MLflow + DVC + Airflow + Docker + Kubernetes per il serving ML. "Designing Machine Learning Systems" di Chip Huyen: da leggere assolutamente per il ML in produzione. 8) ML nel cloud: uno tra AWS SageMaker / GCP Vertex AI / Azure ML: segui un tutorial e2e. 9) Training distribuito: Ray Train + PyTorch DDP. 10) Progetto personale: sistema ML e2e completo (pipeline dei dati + feature store + training + tracking con MLflow + deploy su Kubernetes + monitoraggio) su un dataset aperto (Kaggle). Internazionale (EN): fast.ai "Practical Deep Learning", Hugging Face NLP Course, DeepLearning.AI (Andrew Ng). Libri classici: "Pattern Recognition and Machine Learning" di Bishop, "The Hundred-Page Machine Learning Book" di Burkov. Conferenze: NeurIPS, ICML, ICLR (paper: lettura obbligatoria per un Senior). Data Analyst o Backend Middle → ML Engineer Junior: 8-14 mesi.

2082 active open ML Engineer positions — the largest ML/AI segment. Geography: the US, the UK, Poland. Sources: hh.ru, Habr Career, getmatch, Djinni, LinkedIn (huge international AI segment), NoFluffJobs/JustJoin.it (Poland — AI-friendly), Telegram, career pages of EPAM AI / Luxoft AI / Andersen AI, specialised boards (aijobs.net, ai-jobs.net, builtin.com/jobs/ai, jobs.lever.co for AI startups), Y Combinator Work at a Startup. The real market is broader thanks to a huge international remote segment. Time to close a Senior ML Engineer role — 6-12 weeks (longer than Backend thanks to rare-skill combination).

Un Senior ML Engineer gestisce l'intero ciclo del ML in produzione + leadership tecnica. Padronanza della programmazione: Python a livello Backend Senior (codice pulito, async, profiling, ottimizzazione della memoria). Basi matematiche: algebra lineare + analisi + probabilità al livello di «leggere i paper senza saltare le parti matematiche». Padronanza del ML classico: feature engineering approfondito, motivazione nella scelta dei modelli, calibrazione, compromessi tra metriche di valutazione, progettazione di modelli allineati al business. Padronanza del Deep Learning: PyTorch a fondo (Layer/Module/Optimizer personalizzati), addestramento distribuito (DDP, FSDP), mixed precision, quantizzazione (INT8/FP16), distillazione, export in ONNX. Padronanza degli LLM (nel 2026 obbligatoria per un Senior): fine-tuning tramite LoRA/QLoRA, prompt engineering, architettura RAG (database vettoriali Pinecone/Weaviate/Qdrant), valutazione (RAGAS, DeepEval), vLLM/TGI/SGLang per il serving. MLOps: padronanza di MLflow / W&B, DVC, Airflow / Prefect / Dagster, Feature Store (Feast / Tecton), padronanza di Docker + Kubernetes per il serving ML, Helm + ArgoCD. ML nel cloud: uno tra AWS SageMaker / GCP Vertex AI / Azure ML a fondo. Calcolo distribuito: padronanza di Ray + Spark. Monitoraggio: integrazione di Prometheus + Grafana + Evidently AI (rilevamento del drift). Ottimizzazione dei costi: utilizzo delle GPU, dimensionamento dei batch, quantizzazione dei modelli, strategie di caching. System design per il ML: progettare alla lavagna sistemi ML su scala di 100M+ utenti (recsys / antifrode / ranking / chatbot). Soft skill: lettura dei paper (NeurIPS / ICML / ICLR), scrittura tecnica (ADR, documenti di progettazione), revisione del codice per più team, mentoring dei ML Engineer Middle, comunicazione con i team di prodotto/dati/backend, progettazione dei test A/B + analisi statistica. Inglese OBBLIGATORIO per Senior+: la community ML/IA e i paper sono in inglese. Bonus: contributi open source (PyTorch / Hugging Face / LangChain): aumentano nettamente il valore di mercato.