Что такое машинное обучение простыми словами и что делает ML-инженер
Машинное обучение (machine learning, ML) это способ решать задачи с помощью данных: вместо того чтобы писать правила руками, ты показываешь модели примеры из прошлого, и она сама находит закономерности. ML-инженер строит такие модели, выкатывает их в работающий продукт и следит, чтобы они приносили пользу. Data scientist работает с тем же кругом задач, и в вакансиях эти две роли часто означают одно и то же.
Люди обычно ждут чего-то про роботов. На деле всё приземлённее: таблицы, код, данные и вопрос «сколько денег это принесло». Разберём по порядку, без формул.
Машинное обучение простыми словами
Возьмём блокировку подозрительных переводов. Обычный программист пишет правило: если перевод больше 100 тысяч, ночью и на новую карту, блокируем. Мошенники подстраиваются быстрее, чем ты дописываешь условия. Через месяц в коде сотни проверок, и они всё равно пропускают часть переводов.
ML переворачивает схему. Ты даёшь модели миллион прошлых переводов и ответ по каждому: мошенничество или нет. Модель сама находит сочетания, которые человек бы не заметил.
| Обычное программирование | Машинное обучение | |
|---|---|---|
| Что делает человек | Пишет правила | Готовит данные и выбирает, что считать успехом |
| Откуда берётся логика | Из головы разработчика | Из примеров в данных |
| Что будет, когда мир изменится | Переписывать условия | Переобучить модель на свежих данных |
| Когда подходит | Правил мало, и они понятны | Правил слишком много, чтобы написать их руками |
Три слова, которые встретятся дальше:
- Модель. Программа с настраиваемыми параметрами, которая по входным данным выдаёт ответ.
- Признаки. Что модель знает об объекте: сумма перевода, время, возраст карты.
- Таргет, или целевая переменная. Что надо предсказать: было мошенничество или нет.
ML, нейросети и искусственный интеллект: что во что входит
Частый вопрос: машинное обучение это часть нейросетей? Наоборот. Нейросети это часть машинного обучения. Если кратко, вложенность такая:
- Искусственный интеллект (AI). Самый широкий термин: любые системы, которые решают задачи, похожие на человеческие.
- Машинное обучение. Подмножество искусственного интеллекта, где логику находят по данным.
- Нейросети. Один из видов моделей ML.
- LLM, большие языковые модели. Вид нейросетей, на которых работают ChatGPT, GigaChat и Алиса.
ML без нейросетей живёт отлично. Кредитный скоринг и прогноз спроса часто строят на градиентном бустинге, это ансамбль решающих деревьев, про него есть отдельный разбор классического ML.
Рядом с ML часто всплывает NLP. NLP (обработка естественного языка) это направление внутри ML, которое работает с текстами. Подробнее в статье про NLP.
Где ты встречаешься с машинным обучением каждый день
| Что ты видишь | Что внутри |
|---|---|
| Лента в YouTube, ВК, на маркетплейсе | Рекомендательная система |
| Кредит одобрили за минуту | Скоринг: оценка риска, что клиент не вернёт деньги |
| Такси подорожало в час пик | Модель спроса и динамическая цена |
| Поиск на Ozon понимает «кроссы на зиму» | Ранжирование и NLP |
| Банк звонит раньше, чем ты собрался уйти | Модель оттока |
| Чат-бот отвечает на вопросы | LLM |
| Камера на парковке читает номер | Компьютерное зрение |
Ты пользуешься десятками моделей в день. Просто их не видно.
Как модель учится: пример на оттоке
Допустим, у сервиса 100 тысяч клиентов, и ты знаешь, кто из них ушёл через три месяца. Это обучение с учителем: правильные ответы уже есть в данных.
- Собираешь признаки. Как часто клиент заходил, сколько тратил, жаловался ли в поддержку.
- Делишь данные. На одной части модель учится, другую не видит.
- Обучаешь. Модель подбирает параметры так, чтобы лучше угадывать «ушёл или нет».
- Проверяешь на данных, которых она не видела. Угадывает? Идёт дальше. Нет? Разбираешься почему.
Здесь же первая ловушка. Пусть уходит 5% клиентов. Модель, которая всем подряд отвечает «останется», угадает в 95% случаев и при этом не найдёт ни одного уходящего. Поэтому метрику (способ измерить качество) выбирают под задачу, и общий процент угаданного тут бесполезен.
Задачи чаще всего бывают такие:
- Предсказать число. Сколько пачек молока купят завтра. Это регрессия.
- Предсказать класс. Уйдёт клиент или нет. Это классификация.
- Упорядочить варианты. Какие товары показать первыми. Это ранжирование, на нём стоят рекомендательные системы.
- Разбить на группы без готовых ответов. Это кластеризация, обучение без учителя.
Чем занимается ML-инженер
Обучение модели занимает маленький кусок работы. Что ML-инженер делает на самом деле:
- Разбирается в задаче бизнеса. Что считаем успехом? Сколько стоит ошибка? Нужен ли тут ML, или хватит простого правила?
- Достаёт данные. SQL-запросы к разным базам, где половина полей бывает пустой.
- Чистит данные и собирает признаки. Самая долгая часть.
- Обучает модель и честно её проверяет. Само обучение иногда занимает час.
- Выкатывает в прод, то есть в рабочую систему. Модель должна отвечать живым пользователям, а ноутбук с экспериментом этого не умеет.
- Доказывает пользу через A/B-тест. Часть клиентов получает новую модель, часть старую, и ты считаешь разницу в деньгах.
- Следит на проде. Клиенты и экономика меняются, модель стареет, качество падает.
Если представлял, что ML это целый день придумывать нейросети, придётся разочаровать. Это инженерия: данные, код и общение с людьми.
Data scientist: что за профессия
Data scientist (специалист по данным) решает задачи бизнеса с помощью данных, статистики и моделей. Исторически он больше занят исследованием и экспериментами, ML-инженер больше занят выкаткой и надёжностью. На практике граница зависит от компании: в одной DS сам выводит модель в прод, в другой отдаёт её команде инженеров. Поэтому читай обязанности в вакансии, название роли мало что значит.
| Роль | Главный вопрос | Инструменты |
|---|---|---|
| Аналитик данных | Что произошло и почему? | SQL, дашборды, A/B-тесты |
| Data scientist | Какая модель решит задачу? | Python, статистика, эксперименты |
| ML-инженер | Как сделать систему, которая решает сама и каждый день? | Python, модели, сервисы, прод |
| MLOps-инженер | Как модели надёжно живут в инфраструктуре? | Kubernetes, Docker, CI/CD |
| AI-инженер | Как собрать продукт поверх LLM? | LLM, агенты, RAG |
Чем занимается MLOps
MLOps-инженер отвечает за инфраструктуру вокруг моделей: автоматическую сборку и выкатку, запуск на GPU, мониторинг, отслеживание версий. Это ближе к DevOps, чем к подбору моделей.
Цифры ниже и дальше из нашего среза: мы разметили 751 ML-вакансию на hh за 25.09–25.10.2026 (Россия, Казахстан, Беларусь). Яндекс, Авито и Точка почти не публикуют такие вакансии на hh, так что весь рынок шире, чем эта картинка. В вакансиях MLOps чаще всего просят CI/CD (76%), Kubernetes (76%) и Docker (74%). Почти половина из них (47%) уже связана с LLM.
Чем занимается AI-инженер
Под AI в вакансиях сейчас почти всегда понимают LLM. AI-инженер обычно не обучает языковую модель с нуля: он строит продукт поверх готовой. Подключает её к данным компании, собирает агентов, измеряет качество ответов.
В NLP и LLM-вакансиях LLM требуют в 89% случаев, AI-агентов в 76%, RAG (поиск по своим документам плюс генерация ответа) в 59%. Подробнее в статье что такое LLM.
Какие направления есть в машинном обучении
| Направление | Доля вакансий | О чём | Кому подойдёт |
|---|---|---|---|
| NLP и LLM | 52% | Тексты, чат-боты, агенты | Тем, кого тянет туда, где всё меняется каждый месяц |
| Классический ML | 21% | Таблицы, скоринг, отток, спрос | Тем, кому нужен понятный вход и близость к деньгам бизнеса |
| Компьютерное зрение | 13% | Картинки, видео, камеры | Тем, кто готов копаться в деталях и железе |
| MLOps | 4,5% | Инфраструктура для моделей | Тем, кому ближе DevOps |
| Рекомендательные системы | 4,2% | Ленты, поиск, рекомендации | Тем, кому нравится понимать сложную систему целиком |
Выбор не навсегда. База у всех направлений общая: признаки, валидация, метрики, A/B-тесты. Перейти из классики в рекомендации или из NLP в компьютерное зрение значит доучить несколько технологий, с нуля начинать не придётся. Подробнее про картинки в статье про компьютерное зрение.
Что нужно, чтобы стать ML-инженером
Смотрим, что просят работодатели по всем ML-вакансиям в нашем срезе:
| Навык | Доля вакансий |
|---|---|
| Python | 82% |
| LLM | 55% |
| SQL | 47% |
| AI-агенты | 45% |
| Docker | 35% |
| PyTorch | 31% |
Математика нужна, но её меньше, чем пугают: теория вероятностей, статистика и линейная алгебра на уровне понимания, что происходит внутри модели.
Теперь неприятная часть. Опыт 3–6 лет просят в 56% вакансий, 1–3 года в 24%, без опыта всего в 5%. Junior-вакансий и стажировок мы насчитали 45 на весь рынок, это 6%, и конкуренция там примерно в 4 раза выше средней. Так что путь «посмотрел курс и откликнулся» работает плохо. Нужны проект под конкретную задачу, резюме под направление и подготовка к собеседованиям. С этим мы помогаем на менторстве по ML: выбрать направление и найти работу.
Частые вопросы
Что такое машинное обучение, если кратко?
Способ получать логику из данных вместо ручного написания правил. Модель смотрит на примеры из прошлого и учится предсказывать ответ для новых случаев.
Чем ML-инженер отличается от data scientist?
Data scientist традиционно больше занят исследованием и экспериментами, ML-инженер больше занят продом и надёжностью. В российских вакансиях роли часто пересекаются, поэтому смотри на список обязанностей. Спроси на собеседовании, кто выкатывает модель и кто отвечает за неё после запуска.
Что сдавать, чтобы стать data scientist?
Если речь о поступлении, на профильные программы обычно нужны математика, информатика и русский язык. Например, на «Прикладную математику и информатику» в ВШЭ в Москве на 2026 год просят математику и информатику от 75 баллов и русский от 60 (данные страницы программы, проверено в ноябре 2026). Набор зависит от вуза и программы, смотри страницу приёма. Профессионального экзамена для работы нет.
Нужно ли высшее образование?
Формального запрета нет, но большинство конкурентов с дипломом: среди 625 ML-кандидатов, откликнувшихся на наши тестовые вакансии, высшее есть у 88%. Без него придётся сильнее доказывать навыки проектами и на собеседовании.
Можно ли попасть в ML без опыта?
Можно, но таких вакансий мало, и конкуренция на них выше всего. В junior-вакансиях из нашего среза чаще всего просят Python (87%), матстат (40%) и SQL (33%). Начни с них и добавь проект под конкретную задачу.