ML Engineer: rynek

Oferta

otwarta oferta, która przeszła kontrolę jakości i wymienia co najmniej dwie technologie

Obserwowany kandydat

kandydat, którego stack zawiera tę technologię; agregat — żaden pojedynczy rekord nie opuszcza perymetru

Kandydat do dopasowania

jeszcze nie liczone

Okno

oferty otwarte w chwili tworzenia snapshotu

Junior ML Engineer — rzadkość (rynek zaczyna od Data Analyst lub Backend → ML). Skok Junior → Middle — po opanowaniu pierwszego produkcyjnego pipeline'u ML end-to-end (feature engineering → trenowanie → wdrożenie → monitoring). Middle → Senior — odpowiedzialność za wiele pipeline'ów + doświadczenie z LLM/RAG + skalowanie rozproszonego trenowania + optymalizacja kosztów. Senior → Staff/Principal — architektura platformy ML, strategia ML dla wielu zespołów. Ścieżka kariery: Data Analyst (1-2 lata) → Junior ML Engineer (1-2 lata) → Middle (2-3 lata) → Senior → albo Staff ML Engineer (głęboko techniczny), ML Tech Lead (zarządzanie), przejście do Research (ścieżka z doktoratem), albo ML Founder/CTO w startupie.

5 najważniejszych: python, cloud, pytorch, llm, aws. Python to monopol (R prawie nie występuje w produkcyjnym ML 2026). Frameworki deep learning: PyTorch dominuje 2026 (70%+ produkcji), TensorFlow legacy + wciąż duży w enterprise, JAX do niszowych zastosowań badawczych. Klasyczne ML: scikit-learn + XGBoost + LightGBM + CatBoost — baza, obowiązkowe dla danych tabelarycznych. Przetwarzanie danych: pandas + NumPy + Polars (nowoczesny, rosnący 2026 — 10-100× szybszy), PyArrow do danych między frameworkami. Computer Vision: OpenCV, torchvision, Detectron2, MMDetection, Ultralytics YOLO. Śledzenie eksperymentów: MLflow (standard open-source) lub Weights & Biases (UI premium) lub Neptune. Wersjonowanie danych: DVC. Orkiestracja: Airflow + Prefect + Dagster (jeden dogłębnie). Wdrażanie: biegłość w Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe (jeden dogłębnie). Inferencja między frameworkami: ONNX. Feature stores: Feast (open-source) lub Tecton (zarządzany). Obliczenia rozproszone: Spark + Ray + Dask. Zarządzany ML w chmurze: AWS SageMaker / GCP Vertex AI / Azure ML (jeden dogłębnie). Dodatki dla Senior: kwantyzacja (kwantyzacja PyTorch, bitsandbytes), destylacja, fine-tuning LoRA/QLoRA, vLLM/TGI/SGLang do serwowania LLM, Optuna do strojenia hiperparametrów.

Data Scientist — nacisk na formułowanie problemów biznesowych + modelowanie statystyczne + testy A/B + komunikowanie wniosków. Stack: pandas + sklearn + Jupyter + SQL + Tableau/Looker. Mniej infrastruktury. Zob. Data Scientist. ML Engineer (ta strona) — nacisk na produkcyjne pipeline'y ML + wdrażanie + skalowanie. Stack jak u DS + Docker/K8s + MLflow + Airflow + zarządzane ML w chmurze. Research Engineer / Scientist — nacisk na nowe modele, publikacje, nowatorskie architektury. Często ścieżka doktorancka. Stack: PyTorch dogłębnie + JAX + infrastruktura nastawiona na eksperymenty. Zob. Research Engineer / Scientist. MLOps Engineer — nacisk na infrastrukturę platformy ML (feature stores, rejestr modeli, monitoring, observability, optymalizacja kosztów). Stack: K8s + Terraform + MLflow/Kubeflow + Prometheus/Grafana + chmura. Zob. MLOps Engineer. Przejście ML Engineer ↔ DS — 1-3 miesiące. ML Engineer ↔ MLOps — 2-4 miesiące (jeśli jest baza K8s). Ścieżka badawcza wymaga doktoratu albo 3+ lat głębokiej specjalizacji.

Referencyjny stack dla produkcyjnego ML 2026: 1) Pobieranie danych — Airflow/Prefect/Dagster pobiera surowe dane z systemów źródłowych (DB/Kafka/S3). 2) Feature engineering — transformacje Spark/Pandas/Polars → Feature Store (Feast lub Tecton — scentralizowane przechowywanie, poprawność point-in-time, serwowanie online+offline). 3) Eksperymenty — Jupyter + śledzenie W&B/MLflow + DVC do wersjonowania danych + Optuna do wyszukiwania hiperparametrów. 4) Trenowanie — Ray Train lub PyTorch Lightning + rozproszone (multi-GPU/multi-node), checkpointing w S3/GCS, kwantyzacja (INT8/FP16) dla kosztu inferencji. 5) Rejestr modeli — MLflow Model Registry lub SageMaker Model Registry (wersjonowanie + etapy: staging/production/archived). 6) Walidacja — testy automatyczne (dryf danych, jakość predykcji), shadow deployment, konfiguracja testów A/B. 7) Serwowanie — Triton Inference Server (NVIDIA, wiele frameworków + dynamiczne batchowanie) lub BentoML lub TorchServe lub vLLM (dla LLM). Wrapper FastAPI dla kontraktu API. 8) Wdrożenie — Kubernetes (standard produkcyjny) + Helm + ArgoCD dla GitOps. 9) Monitoring — Prometheus + Grafana (opóźnienie/przepustowość/odsetek błędów) + własne wykrywanie dryfu (Evidently AI/WhyLabs) + dashboardy kosztów. 10) Pętla zwrotna — logowanie predykcji + ground truth → wyzwalacz ponownego trenowania. Platforma ML dla całej organizacji — Kubeflow lub Metaflow lub SageMaker Pipelines. Stack specyficzny dla LLM: vLLM/TGI/SGLang do serwowania + prompt engineering (LangChain/LlamaIndex) + RAG (bazy wektorowe Pinecone/Weaviate/Qdrant) + fine-tuning przez LoRA/QLoRA + ewaluacja (RAGAS, DeepEval, własne benchmarki).

Tak, 30% ofert ML Engineer to praca w pełni zdalna lub hybrydowa. Produkcyjne ML to praca w chmurze (trening na chmurowych GPU, serwowanie w Kubernetes, dane w hurtowni). Outsourcerzy (EPAM AI Practice / Luxoft AI) — prawie zawsze zdalnie przy amerykańskich projektach AI. Rosyjskie firmy produktowe — hybrydowo lub zdalnie po okresie próbnym, wyjątki dla ML wrażliwego pod względem bezpieczeństwa (Sber AI banking). Banki (Sber AI / VTB) — hybrydowo/w biurze ze względu na zgodność z przepisami. Międzynarodowe firmy AI — praca w pełni zdalna to standard, widełki premium. Huby relokantów: Polska (Warszawa/Kraków — przyjazne AI), Niemcy (berliński klaster AI), Kanada (Toronto — Vector Institute), Izrael (klaster AI w Tel Awiwie), Serbia, Gruzja, ZEA (Dubaj — przyjazne podatkowo dla AI). Angielski do międzynarodowej pracy zdalnej w AI — obowiązkowo (premia +30-50%).

ML Engineer (ogólnie) — może pracować w dowolnej domenie ML (systemy rekomendacyjne, NLP, CV, wykrywanie fraudów, ranking). Stack jest uniwersalny. Applied ML Engineer — nacisk na konkretne zadanie ML w produkcie + odpowiedzialność za metryki biznesowe (CTR, konwersja, wzrost przychodu). Stack ten sam, ale dochodzi myślenie produktowe + biegłość w testach A/B + komunikacja z interesariuszami. Wynagrodzenie porównywalne (mediana), ale w firmach produktowych Applied ML na poziomie Senior zarabia zwykle nieco więcej dzięki odpowiedzialności za wpływ na biznes. ML Platform Engineer (osobna podnisza — bliżej MLOps) — buduje infrastrukturę dla innych ML Engineerów (Feature Store, infrastruktura MLflow, platforma treningowa). Wybór kariery: ML Engineer, jeśli najważniejsze są uniwersalność i przenośność, Applied ML Engineer, jeśli interesuje cię wpływ na produkt, ML Platform Engineer, jeśli infrastruktura i narzędzia. Wszystkie trzy to pełnoprawne ścieżki na poziom Senior+, żadna nie jest lepsza ani gorsza.

Roadmapa: 1) Dogłębnie Python do poziomu Backend Middle (czysty kod, wzorce projektowe, async). Książki: „Fluent Python” Ramalho, „Effective Python” Slatkin. 2) Matematyka — algebra liniowa + analiza matematyczna + prawdopodobieństwo/statystyka na poziomie „rozumiem, co jest pod maską backpropagation”. MIT 18.06 Linear Algebra (Strang), 3Blue1Brown „Essence of Linear Algebra”. 3) Klasyczne ML — opanowanie scikit-learn + XGBoost + LightGBM. Andrew Ng „Machine Learning Specialization” (Coursera). Książka „Hands-On Machine Learning” Géron (obowiązkowa lektura 2026). 4) Deep Learning — dogłębnie PyTorch (forward/backward/optymalizatory/pętle treningowe od zera). „Deep Learning Specialization” Andrew Ng. „Deep Learning with PyTorch” Stevens. 5) Ścieżka NLP/LLM: kurs Hugging Face (za darmo) → fine-tuning małych LLM (Mistral 7B/Llama 3 8B) z LoRA/QLoRA → zbuduj aplikację RAG z LangChain + Qdrant. 6) Ścieżka Computer Vision (alternatywa): torchvision + Detectron2 + Ultralytics YOLO + trenowanie na własnym zbiorze danych. 7) Podstawy MLOps: MLflow + DVC + Airflow + Docker + Kubernetes do serwowania ML. „Designing Machine Learning Systems” Chip Huyen — obowiązkowa lektura dla produkcyjnego ML. 8) ML w chmurze: jedna z AWS SageMaker / GCP Vertex AI / Azure ML — przejdź jeden tutorial e2e. 9) Trenowanie rozproszone: Ray Train + PyTorch DDP. 10) Projekt własny: pełny system ML e2e (pipeline danych + feature store + trenowanie + śledzenie w MLflow + wdrożenie na Kubernetes + monitoring) na otwartym zbiorze danych (Kaggle). Międzynarodowe (EN): fast.ai „Practical Deep Learning”, Hugging Face NLP Course, DeepLearning.AI (Andrew Ng). Klasyczne książki: „Pattern Recognition and Machine Learning” Bishop, „The Hundred-Page Machine Learning Book” Burkov. Konferencje: NeurIPS, ICML, ICLR (publikacje — obowiązkowa lektura dla Seniora). Data Analyst lub Backend Middle → ML Engineer Junior — 8-14 miesięcy.

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).

Senior ML Engineer odpowiada za pełny cykl produkcyjnego ML + przywództwo techniczne. Biegłość programistyczna: Python na poziomie Senior w backendzie (czysty kod, async, profilowanie, optymalizacja pamięci). Podstawy matematyczne: algebra liniowa + analiza matematyczna + rachunek prawdopodobieństwa na poziomie „czytam publikacje bez pomijania fragmentów”. Biegłość w klasycznym ML: dogłębny feature engineering, uzasadnianie wyboru modelu, kalibracja, kompromisy metryk ewaluacji, projektowanie modeli zgodnych z biznesem. Biegłość w Deep Learningu: dogłębnie PyTorch (własne Layers/Modules/Optimizers), trenowanie rozproszone (DDP, FSDP), mixed precision, kwantyzacja (INT8/FP16), destylacja, eksport do ONNX. Biegłość w LLM (2026 — obowiązkowo dla Seniora): fine-tuning przez LoRA/QLoRA, prompt engineering, architektura RAG (bazy wektorowe Pinecone/Weaviate/Qdrant), ewaluacja (RAGAS, DeepEval), vLLM/TGI/SGLang do serwowania. MLOps: biegłość w MLflow / W&B, DVC, Airflow / Prefect / Dagster, Feature Stores (Feast / Tecton), biegłość w Docker + Kubernetes do serwowania ML, Helm + ArgoCD. ML w chmurze: jedno z AWS SageMaker / GCP Vertex AI / Azure ML dogłębnie. Obliczenia rozproszone: biegłość w Ray + Spark. Monitoring: integracja Prometheus + Grafana + Evidently AI (wykrywanie dryfu). Optymalizacja kosztów: wykorzystanie GPU, dobór rozmiaru batcha, kwantyzacja modeli, strategie cache. Projektowanie systemów ML: projektowanie systemów ML na tablicy w skali 100M+ użytkowników (systemy rekomendacyjne / fraud / ranking / chatbot). Kompetencje miękkie: czytanie publikacji (NeurIPS / ICML / ICLR), pisanie techniczne (ADR, dokumenty projektowe), code review dla wielu zespołów, mentoring ML Engineerów na poziomie Middle, komunikacja z zespołami produktu/danych/backendu, projektowanie testów A/B + analiza statystyczna. Angielski dla Senior+ OBOWIĄZKOWO — społeczność ML/AI i publikacje są po angielsku. Bonus: wkład open source (PyTorch / Hugging Face / LangChain) — znacząco podnosi wartość rynkową.