AI/ML-инженер: отличия ролей, навыки, как найти и оценить специалиста

Сейчас на рынке есть много ролей, которые используют схожие термины, но сильно отличаются по сути:

• ML-инженер (Machine Learning Engineer) — это специалист, который умеет не только обучить модель, но и внедрить её в продакшн: обработать данные, выстроить пайплайн, поддерживать, масштабировать и улучшать модель.
• AI-инженер (Artificial Intelligence Engineer) — более широкое понятие. Обычно используется, когда речь идёт о внедрении AI-технологий в продукты, включая работу с языковыми моделями (LLM), мультимодальными системами, генеративными архитектурами и т.д.
• Data Scientist — фокусируется на анализе данных, формулировке гипотез, построении статистических моделей и интерпретации результатов. Как правило, меньше вовлечён в продакшн и инженерную реализацию.
• ML/AI Researcher — исследователь, ориентированный на разработку новых методов и архитектур, проведение экспериментов и публикацию научных статей. Часто работает в академическом или R&D-контексте.

В некоторых командах эти роли могут частично пересекаться, но чаще всего они требуют разной экспертизы. Тут самая частая ошибка на старте: не понять, кто вам нужен и зачем.

Представим, что вы ищете AI-инженера для улучшения поиска внутри продукта. Кандидат выглядит впечатляюще: в резюме упомянуты LLM, опыт работы в крупной компании, сильный профиль в LinkedIn.

Однако на интервью выясняется, что он:

• никогда не внедрял модель в продакшн;
• код писал на базе чужих решений, самостоятельно архитектуру не разрабатывал;
• не может описать метрики, по которым оценивал результат;
• Не может самостоятельно предложить архитектуру решения.

Таких случаев очень много. Особенно в быстро развивающихся и популярных областях, таких как LLM и generative AI.

У нас был кейс, когда заказчик «вывел» себе в команду Lead-инженера просто потому, что познакомился с классным экспертом, готовым возглавить ИИ направление в продукте. В компании несколько продуктов (все внутри одной группы), и он стал перемещаться между ними, внедряя нейросетевые решения, помогая разработчикам делать всё не на коленке, а с умом. Это стало точкой роста и теперь им нужен второй человек в пару к нему, но уже с упором на реализацию руками, особенно в NLP.

Формально это ML-инженер, но по сути технический эксперт с hands-on опытом, способный как предлагать решения, так и реализовывать их.

• LinkedIn — основной источник, особенно в международке, но требует ручной чистки. Ключевики вроде "AI", "LLM", "NLP" встречаются слишком часто, чтобы на них полагаться.
• GitHub / Kaggle — дают реальное представление о навыках: код, проекты, решения задач.
• arXiv / ResearchGate — если ищете ресерчера.
• Стартапы — лучшие кандидаты приходят именно оттуда. Они привыкли работать с неопределенностью, не боятся брать на себя задачи «вне должностных обязанностей».
• Крупные компании — там тоже есть талантливые ребята, но часто с узким опытом и привязкой к огромной структуре.

Совет: не верьте только словам в резюме. Уточняйте, что человек делал сам, а не то, что делала команда.

1. Переизбыток поверхностных профилей

Особенно в популярных направлениях вроде NLP, LLM и generative AI. Множество специалистов указывают эти технологии, не имея глубокого практического опыта работы с ними.

2. Непрозрачные профили.

Проблема не только в переоценке, но и в недооценке (особенно в российском сегменте). Кандидаты часто не умеют формулировать, что именно они делали и какую роль играли в проекте. Один пишет «работал с AI», и выясняется, что он писал юнит-тесты к библиотеке. Другой скромно указывает «поддержка ML», но по факту реализовал inference-сервис для продакшн-решения. Поэтому потребуется много копать, чтобы понять реальный вклад.

3. Сложно оценить, что делал сам, а с чем «помогал».

Это, пожалуй, главный риск при найме на такие роли. Даже если в проекте были сложные технологии и крутая архитектура, важно понять: а что делал сам кандидат?

Он мог:

• быть участником, который реализовал ключевую часть пайплайна – это сильный знак;
• или просто быть "рядом с процессом", когда архитектуру придумали одни, внедряли другие, а он писал обвязку.

Разница между этими двумя людьми огромная, особенно для стартапа. Резюме может быть одинаковым, а вот ценность для бизнеса радикально разной.

Что действительно работает при оценке AI/ML-инженеров:

• Погружение в задачи. Сильные кандидаты сразу начинают уточнять: «А что именно за данные?», «А какие метрики?», «А вы уже пробовали что-то?»
• Внимание к инициативности. Лучшие инженеры не просто выполняют задачи, а сами их ставят, предлагают решения и улучшают то, что уже есть.
• Не поверхностные вопросы. Спросите, как он бы решил конкретную задачу из вашего домена, даже гипотетически. Послушайте ход мыслей.
• Не по технологиям, а по подходу. Пусть расскажет, почему выбрал такой стек, что пошло не так, что переделал бы.

AI/ML-инженеры идут не только по классической лестнице джун → мидл → синьор → тимлид. У них часто бывают неожиданные развилки:

• Кто-то уходит в ресерч и углубляется в науку.
• Кто-то становится AI Tech Lead, управляя командой.
• Кто-то идет в стартапы, строить с нуля.
• Кто-то трансформируется в AI-продуктолога или архитектора решений.

Что их мотивирует:

• Реальное влияние на продукт;
• Сложные, нестандартные задачи;
• Участие в принятии технических решений;
• Работа в паре с сильными визионерами.

Роли AI/ML-инженеров требуют точного соответствия по техническим навыкам, уровню зрелости, продуктовому мышлению и реальному опыту. Это не просто “техническая вакансия”, а стратегическая позиция. Особенно в стартапах и растущих командах важно найти человека, который умеет решать сложные задачи, работать с неопределенностью и создавать ценность с первого дня.

Мы часто сталкиваемся с кейсами, когда важно не просто закрыть вакансию, а найти именно того человека, кто даст команде импульс. Мы умеем анализировать реальные компетенции, сопоставлять задачи и командную зрелость, и находить тот самый мэтч.

Так что вы сейчас формируете AI-направление, усиливаете команду или запускаете новый продукт, то будем рады обсудить, как мы можем помочь 🙂