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:

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:

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»:

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:

*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

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:

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

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