Проблема: 90 тем и ноль приоритетов
Откройте roadmap.sh/mlops. Там 90+ тем, разбросанных по 11 категориям. Feature Store, Model Registry, Data Versioning, Experiment Tracking, Model Serving, A/B Testing, Data Labeling… Каждая тема – отдельный мир с документацией на 200 страниц.
Если вы DevOps-инженер, который хочет перейти в MLOps, эта карта выглядит как план захвата Луны, когда вам нужно просто доехать до работы.
Проблема roadmap.sh – он показывает всё, что существует, но не говорит, что из этого реально нужно. Это как список из 500 инструментов в Prometheus – технически они есть, практически вы используете 12.
Здесь другой подход. Вместо экспертных мнений – данные.
Методология: откуда данные
В основе – 838 вакансий из двух источников:
| Источник | Вакансий | Период | Что внутри |
|---|---|---|---|
| getmatch (Telegram-бот) | 566 | Jul 2025 – Apr 2026 | Стек, зарплата, компания, формат |
| hh.ru (парсинг) | 272 | Apr 2026 | Стек, требования, ключевые слова |
Из каждой вакансии извлечены: название роли, технологический стек, зарплатная вилка, требования к английскому, формат работы.
Из 566 вакансий getmatch – 62 с чистым заголовком «MLOps». Это контрольная группа – те, кого рынок буквально называет MLOps-инженерами.
Что рынок реально просит
Общий TOP-12: 80% вакансий
Из 90+ тем на roadmap.sh рынок фактически спрашивает 12 навыков. Вот они – отсортированы по частоте упоминания в 566 вакансиях:
| # | Навык | % вакансий | Категория |
|---|---|---|---|
| 1 | Python | 47.3% | Программирование |
| 2 | Kubernetes | 45.8% | Инфраструктура |
| 3 | Linux | 45.6% | Инфраструктура |
| 4 | CI/CD | 37.8% | Инфраструктура |
| 5 | Ansible | 32.9% | Инфраструктура |
| 6 | GitLab | 29.3% | Инфраструктура |
| 7 | Docker | 26.9% | Инфраструктура |
| 8 | Prometheus + Grafana | 23% | Мониторинг |
| 9 | PostgreSQL | 23.0% | Данные |
| 10 | Terraform | 21.0% | IaC |
| 11 | Airflow | 6.9% | MLOps |
| 12 | MLflow | 5.7% | MLOps |
Заметили? 10 из 12 – это чистый DevOps. MLOps-специфика начинается только на 11-м месте.
Это не баг, это фича. MLOps – это DevOps, который понимает жизненный цикл моделей. Не наоборот.
Стек MLOps-инженера: 62 вакансии под микроскопом
А вот что просят конкретно в вакансиях с заголовком «MLOps»:
| Навык | % в MLOps-ролях | Комментарий |
|---|---|---|
| Python | 85.5% | Без вариантов |
| Kubernetes | 80.6% | Модели крутятся в подах |
| Docker | 54.8% | Контейнеризация моделей |
| Airflow | 50.0% | Оркестратор №1 |
| MLflow | 50.0% | Трекер экспериментов №1 |
| GitLab CI | 45.2% | CI/CD для ML-пайплайнов |
| CI/CD | 38.7% | Continuous Training |
| Helm | 25.8% | K8s-деплой моделей |
| Kafka | 25.8% | Стриминг данных |
| Spark | 25.8% | Feature engineering |
| ClearML | 17.7% | Российский W&B |
| CUDA | 17.7% | GPU-инференс |
| TensorRT / Triton | 16.1% | Оптимизация инференса |
| Seldon | 16.1% | Model serving |
| LLM / GPT | 14.5% | Растущий тренд |
| GPU / NVIDIA | 14.5% | Железо для моделей |
Вывод: Airflow (оркестрация) + MLflow (трекинг) – это два навыка, которые отличают MLOps от обычного DevOps. Каждый из них – в 50% вакансий. Всё остальное – надстройка.
Что roadmap.sh считает важным, а рынок – нет
Вот инструменты, которые roadmap.sh ставит на видное место, но в 838 вакансиях – ноль упоминаний:
| Инструмент | roadmap.sh | getmatch (566 вак.) | hh.ru (272 вак.) |
|---|---|---|---|
| W&B (Weights & Biases) | Рекомендован | 0 | 0 |
| Neptune | Рекомендован | 0 | 0 |
| Evidently | Рекомендован | 0 | <1% |
| DVC | Рекомендован | 0 | 11%* |
| Feast (Feature Store) | Рекомендован | 2 из 566 | <1% |
| Dagster | Альтернатива Airflow | 1 из 566 | <1% |
| Prefect | Альтернатива Airflow | 0 | <1% |
*DVC – единственный, который встречается на hh.ru, потому что hh.ru ловит ML-ориентированные вакансии, а не ops-ориентированные.
Это не значит, что W&B – плохой инструмент. Это значит, что рынок РФ его не просит. Учить его «на всякий случай» – как учить суахили, потому что «мало ли».
Что рынок просит, а roadmap.sh не показывает
| Инструмент | % в MLOps-ролях | Почему нужен |
|---|---|---|
| ClearML | 17.7% | Российский W&B, self-hosted |
| ClickHouse | 7.2% (общий) | Аналитика в РФ-компаниях |
| Seldon | 16.1% | Model serving на K8s |
| TensorRT / Triton | 16.1% | GPU-оптимизация инференса |
| Greenplum | 1.8% | Энтерпрайз-аналитика в госсекторе |
Российская специфика: on-premise доминирует (отсюда Ansible 32.9%), AWS – всего 5.7%, Yandex Cloud – 3.9%. Облака – вторичны. Если вы учите SageMaker, потому что так написано на roadmap.sh, – вы учите неправильное облако.
Зарплатная пирамида
Данные из 279 вакансий с зарплатой в рублях (getmatch, на руки):
████████ 1М+ ₽ (4) CTO, руководитель ML
████████████ 500–700К (11) Архитектор, Principal
████████████████ 400–500К (51) Senior MLOps/SRE
████████████████████ 300–400К (139) Mid/Senior ◀ ПИК
████████████████████████ 200–300К (57) Junior+/Mid DevOps
████████████████████████████ 50–200К (17) Начальный уровень
Медиана: 325 000 ₽/мес (на руки)
Пик рынка – 300–400К. Это уровень, на который попадает инженер с DevOps-базой + Airflow + MLflow. Для 400К+ нужна GPU-специфика (CUDA, Triton) или управленческий опыт.
Кто нанимает MLOps в России
TOP-10 компаний по количеству вакансий за 9 месяцев:
| Компания | Вакансий | Профиль |
|---|---|---|
| 2ГИС | 27 | Геосервисы |
| Avito | 26 | Маркетплейс |
| MTS Web Services | 18 | Телеком-облако |
| Т-Банк | 16 | Финтех |
| VK | 15 | Соцсети + облако |
| РСХБ-Интех | 14 | Банковский IT |
| Яндекс (Infra + Cloud + Fintech) | 35 | Экосистема |
| Сбер | 12 | Финтех + ML |
| YADRO | 9 | Железо |
| Ozon | 9 | E-commerce |
65% вакансий – удалёнка. Английский требуется в 16% случаев (обычно B1–B2).
SFIA-маппинг: от новичка до архитектора
SFIA 9 содержит навык MLNG (Machine Learning) – уровни L2 через L6. Ниже – наложение реальных стеков из вакансий на эти уровни:
L2 – Помощник (50–150К)
Помогает с подготовкой данных, выполняет типовые операции.
Стек: Python, SQL, Linux basics, Git, Docker
L3 – Практик (150–250К)
Обучает и настраивает модели, базовая оценка результатов.
Стек: + Bash, PostgreSQL, Jupyter, pandas, scikit-learn
L4 – Специалист (250–350К)
Проектирует ML-пайплайны, выбирает алгоритмы, решает проблемы дрифта.
Стек: + Kubernetes, CI/CD, Terraform, Prometheus/Grafana, Airflow, MLflow
L5 – Эксперт MLOps (350–500К)
Управляет production ML lifecycle, CI/CD for ML, мониторинг моделей, GPU-кластеры.
Стек: + Seldon/Triton, ClearML, CUDA, Kafka, Spark, Helm, ArgoCD
L6 – Стратег (500К–1М+)
Стратегия ML-платформы, governance, оценка рисков, бюджет инфраструктуры.
Стек: + архитектура ML-платформы, cost optimization, team management, vendor evaluation
Сравнение подходов: roadmap.sh vs данные
| Параметр | roadmap.sh | Data-Driven (этот разбор) |
|---|---|---|
| Навыков | 90+ | 12 ядро + 6 надстройка |
| Приоритизация | Нет | По % вакансий |
| Привязка к зарплатам | Нет | 279 вакансий с вилками |
| Российская специфика | Нет | ClearML, ClickHouse, on-prem |
| Обновляемость | Вручную | Можно перепарсить через месяц |
| Источник | Мнения экспертов | 838 реальных вакансий |
Рабочий план: от DevOps к MLOps
Если вы уже DevOps-инженер (Linux, Docker, K8s, CI/CD), вот минимальный путь в MLOps:
Шаг 1. Python для ML-пайплайнов
Не «учить Python с нуля». А понять, как:
- читать и модифицировать
train.py - работать с pandas/numpy для данных
- запускать FastAPI для model serving
Ваш bash-скриптинг никуда не денется – Python его дополняет, а не заменяет.
Шаг 2. MLflow – трекинг экспериментов
50% MLOps-вакансий. Ставится за 10 минут, интегрируется с S3/PostgreSQL, которые вы уже знаете:
pip install mlflow
mlflow server --backend-store-uri postgresql://... --artifacts-destination s3://...
Шаг 3. Airflow – оркестрация пайплайнов
50% MLOps-вакансий. Если вы работали с Jenkins или GitLab CI – Airflow это то же самое, только для данных. DAG – это ваш Jenkinsfile, написанный на Python.
with DAG("retrain_model", schedule="@weekly") as dag:
extract = PythonOperator(task_id="extract", python_callable=extract_data)
train = PythonOperator(task_id="train", python_callable=train_model)
deploy = PythonOperator(task_id="deploy", python_callable=deploy_model)
extract >> train >> deploy
Шаг 4. Model serving на K8s
Вы уже знаете Kubernetes. Добавьте:
- Seldon Core (16% вакансий) – model serving с canary, A/B, shadow
- Triton Inference Server (16% вакансий) – GPU-оптимизация
Деплой модели – это тот же Helm chart, только с gRPC-эндпоинтом вместо HTTP.
Шаг 5 (опционально). GPU и LLM
14.5% MLOps-вакансий уже просят LLM/GPT. Тренд растёт. Если хотите 400К+:
- CUDA basics – как модель использует GPU
- vLLM – serving для LLM
- GPU-мониторинг (DCGM + Prometheus)
Чего точно не нужно учить прямо сейчас
- W&B / Neptune – 0 вакансий в РФ, MLflow покрывает 100% задач
- Feast (Feature Store) – 2 из 566, на практике DataFrame хватает
- Dagster / Prefect – Airflow доминирует, переучитесь, когда (если) рынок изменится
- SageMaker / Vertex AI – если вы не в AWS/GCP-конторе, это мёртвый груз
- Great Expectations – концепция правильная, инструмент нишевый (0 вакансий)
Итог
MLOps – это не 90 тем. Это DevOps + два инструмента (Airflow + MLflow) + понимание того, чем модель отличается от микросервиса.
Рынок подтверждает:
- 12 навыков покрывают 80% вакансий
- Медиана – 325К на руки
- 65% вакансий – удалёнка
- Переход DevOps → MLOps реалистичен – 10 из 12 ключевых навыков у вас уже есть
Не учите всё. Учите то, что просят.
Данные: 566 вакансий getmatch (Telegram API) + 272 вакансии hh.ru, июль 2025 – апрель 2026. Методология: regex-парсинг стека, классификация по 70+ паттернам, кросс-валидация между источниками.
📱 Telegram: @DevITWay 🌐 Сайт: devopsway.ru