Блог

Что такое машинное обучение простыми словами и что делает ML-инженер

Богдан Камаев, ментор · 8 ноября 2026

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:

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:

  1. Искусственный интеллект (AI). Самый широкий термин: любые системы, которые решают задачи, похожие на человеческие.
  2. Машинное обучение. Подмножество искусственного интеллекта, где логику находят по данным.
  3. Нейросети. Один из видов моделей ML.
  4. 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.

  1. Собираешь признаки. Как часто клиент заходил, сколько тратил, жаловался ли в поддержку.
  2. Делишь данные. На одной части модель учится, другую не видит.
  3. Обучаешь. Модель подбирает параметры так, чтобы лучше угадывать «ушёл или нет».
  4. 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:

Чем занимается ML-инженер

Обучение модели занимает маленький кусок работы. Что ML-инженер делает на самом деле:

  1. Разбирается в задаче бизнеса. Что считаем успехом? Сколько стоит ошибка? Нужен ли тут ML, или хватит простого правила?
  2. Достаёт данные. SQL-запросы к разным базам, где половина полей бывает пустой.
  3. Чистит данные и собирает признаки. Самая долгая часть.
  4. Обучает модель и честно её проверяет. Само обучение иногда занимает час.
  5. Выкатывает в прод, то есть в рабочую систему. Модель должна отвечать живым пользователям, а ноутбук с экспериментом этого не умеет.
  6. Доказывает пользу через A/B-тест. Часть клиентов получает новую модель, часть старую, и ты считаешь разницу в деньгах.
  7. 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.

Нужна помощь с поиском работы?

Помогаю найти работу ML-инженером и Data Scientist. На бесплатной консультации за 20 минут разберём, где ты сейчас, какая цель и как до неё дойти.

Записаться на бесплатную консультациюМенторство по ML

Читать дальше

Вопросы на собеседовании data scientist и ML-инженераСтажировка в Т-Банке: как попасть на ML, аналитику и данныеSQL вопросы на собеседовании и задачи с разбором