В этой статье собраны основные профессии в области искусственного интеллекта (ИИ), их ключевые обязанности и требования к кандидатам. Материал пригодится HR‑специалистам, тимлидам, рекрутерам и кандидатам, которые хотят понять, какие навыки и опыт требуются для работы в AI‑команде.
1. Machine Learning Engineer (ML‑инженер)
Обязанности
- Разработка, обучение и оптимизация моделей машинного обучения для продакшена.
- Пайплайны подготовки данных и фичеринга совместно с Data Engineer.
- Внедрение моделей в сервисы/микросервисы, обеспечение масштабируемости.
- Мониторинг качества моделей и их переобучения (retraining).
- Оптимизация производительности (латентность, память) и A/B‑тестирование.
Требования
- Высшее образование в области CS/Mathematics/Statistics или сопоставимый опыт.
- Уверенные навыки Python (TensorFlow/PyTorch, scikit‑learn).
- Опыт работы с Docker, Kubernetes, CI/CD.
- Понимание ML‑алгоритмов и методов оценки (ROC, precision/recall).
- Опыт в интеграции моделей в API/сервисы (REST/gRPC).
- 2+ лет в production ML для middle; 4+ для senior.
2. Data Scientist (Дата‑саентист)
Обязанности
- Анализ данных, построение метрик, исследование закономерностей.
- Построение и валидация ML‑моделей для задач прогноза и кластеризации.
- Визуализация результатов и подготовка инсайтов для бизнеса.
- Эксперименты и A/B‑тесты; валидация гипотез.
- Сотрудничество с продуктом и аналитикой для формализации задач.
Требования
- Статистика, вероятностные модели, регрессии, деревья, бустинг.
- Навыки работы с SQL, Python (pandas, matplotlib/seaborn), ML‑библиотеки.
- Опыт проведения A/B‑тестов и грамотной интерпретации результатов.
- Коммуникация результатов для нефаховых стейкхолдеров.
- 1–3 года для junior/mid, 3+ для senior.
3. Data Engineer (Инженер данных)
Обязанности
- Проектирование и реализация ETL/ELT‑пайплайнов.
- Интеграция источников данных, обеспечение качества и трансформаций.
- Настройка хранилищ: дата‑лейков, DWH (Redshift/ClickHouse/BigQuery).
- Автоматизация обновлений данных и мониторинг рабочих процессов (Airflow).
- Обеспечение соответствия стандартам безопасности и governance.
Требования
- Уверенный SQL, Python/Scala/Java.
- Опыт с распределёнными системами и оркестрацией (Airflow, Spark).
- Понимание схем данных, partitioning, индексации.
- Опыт работы с облачными сервисами (AWS/GCP/Azure).
- 2+ года практики в data engineering.
4. MLOps Engineer
Обязанности
- Создание CI/CD для моделей и автоматизация деплоймента.
- Оркестрация тренировочных и инференс‑пайплайнов.
- Мониторинг drift‑а данных и метрик моделей в продакшене.
- Управление версиями моделей и экспериментов (MLflow, DVC).
- Обеспечение безопасности, отката и бесперебойной работы.
Требования
- Опыт с Kubernetes, Docker, Terraform.
- Знание инструментов ML‑ops: Kubeflow, MLflow, Seldon, BentoML.
- Понимание процессов CI/CD (Jenkins/GitHub Actions/GitLab CI).
- Навыки логирования и мониторинга (Prometheus/Grafana/ELK).
- Опыт в DevOps и ML одновременно — 2–4 года.
5. Research Scientist / ML Researcher
Обязанности
- Исследования в области новых архитектур, алгоритмов и методов.
- Публикации, участие в конференциях, proof‑of‑concept прототипы.
- Руководство экспериментацией и воспроизводимостью результатов.
- Взаимодействие с продуктовой и инженерной командами для трансфера исследований в продакшен.
Требования
- PhD или сильный research‑track в ML/AI/Mathematics — часто приветствуется.
- Глубокие знания в области оптимизации, нейронных сетей, probabilistic models.
- Опыт публикаций или участие в научных проектах.
- Навыки программирования (PyTorch/TensorFlow) и работы с большими данными.
6. NLP Engineer (Инженер по обработке естественного языка)
Обязанности
- Проектирование и внедрение NLP‑решений: классификация, извлечение сущностей, генерация.
- Трансферное обучение с использованием предобученных моделей (BERT, GPT‑семейства и т.д.).
- Обработка текстовых данных: токенизация, нормализация, построение словарей.
- Оценка качества (BLEU, ROUGE, F1) и адаптация моделей под домен.
Требования
- Опыт с Transformers (Hugging Face), PyTorch/TensorFlow.
- Знание лингвистических процессов и методов NLP.
- Навыки препроцессинга текстов и работы с нерегулярными данными.
- Опыт в production‑внедрениях NLP решений.
7. Computer Vision Engineer (Специалист по компьютерному зрению)
Обязанности
- Разработка моделей детекции, сегментации, классификации изображений/видео.
- Аннотация данных, augmentation, подготовка датасетов.
- Оптимизация моделей для встраивания (Edge, mobile, inference speed).
- Интеграция с камерами, потоковой обработкой и встраиваемыми устройствами.
Требования
- Опыт с CNN, трансформерами для CV, OpenCV, PyTorch/TensorFlow.
- Навыки работы с видео/потоковыми данными и annotation tools.
- Опыт оптимизации моделей (TensorRT, ONNX) для производства.
8. Prompt Engineer (Инженер по созданию подсказок)
Обязанности
- Разработка и оптимизация промптов для LLM/генеративных моделей.
- Создание шаблонов, цепочек промптов (prompt chaining) и few‑shot сценариев.
- Тестирование и A/B‑оценка качества генерации в бизнес‑контексте.
- Автоматизация промпт‑фреймворков и интеграция с продуктами.
Требования
- Понимание архитектур LLM и их ограничений.
- Навыки формулировки задач в естественном языке и тестирования генеративного вывода.
- Опыт с API (OpenAI, Anthropic, Hugging Face) и инструментами оркестрации.
- Креативность и аналитический подход к оценке качества текста.
9. AI Product Manager (Продуктовый менеджер в AI)
Обязанности
- Формирование продуктовой стратегии и roadmap AI‑функций.
- Трансформация бизнес‑задач в воспроизводимые ML‑проблемы.
- Координация междисциплинарной команды (data, infra, research, UX).
- Оценка экономической эффективности ML‑фич и KPI.
Требования
- Опыт управления продуктом, желательно с AI/ML‑компонентами.
- Базовое понимание ML‑техник и ограничений технологий.
- Навыки работы с метриками продукта и построения гипотез.
- Хорошая коммуникация с техническим и бизнес‑стейкхолдерами.
10. AI Solutions Architect (Архитектор AI‑решений)
Обязанности
- Проектирование архитектуры систем с ML/AI: data flow, infra, API.
- Подбор технологий, оценка затрат и рисков внедрения.
- Создание технических спецификаций и сопровождение реализации.
- Обеспечение соответствия архитектуры требованиям безопасности и масштабируемости.
Требования
- Глубокие знания облачных платформ и архитектурных паттернов.
- Опыт интеграции ML‑моделей в бизнес‑системы.
- Навыки оценки стоимости и TCO систем.
- Коммуникация с CTO и заказчиками.
11. AI Ethics / Responsible AI Specialist
Обязанности
- Оценка рисков дискриминации, смещения и приватности в ML‑решениях.
- Разработка политик fairness, explainability и data governance.
- Проведение аудитов моделей и подготовка рекомендаций.
- Внедрение механизмов интерпретируемости и прозрачности.
Требования
- Знание законодательства о данных и этике ИИ.
- Понимание метрик fairness, interpretability, privacy‑by‑design.
- Опыт взаимодействия с юристами и compliance‑командами.
- Навыки анализа и документирования рисков.
12. AI/ML QA Engineer (Тестировщик ИИ‑систем)
Обязанности
- Разработка тест‑кейсов для моделей и ML‑пайплайнов.
- Автоматизация тестирования, проверка устойчивости к шуму и adversarial‑сценариям.
- Валидация метрик, стресс‑тестирование и мониторинг производительности.
- Регресс‑тестирование при релизах моделей.
Требования
- Понимание ML‑жизненного цикла и способов валидации моделей.
- Навыки тестирования API, работы с данными и метриками качества.
- Опыт автоматизации тестов и CI/CD.
13. AI Trainer / Data Annotation Lead (Тренер моделей / Руководитель аннотаций)
Обязанности
- Подготовка и валидация размеченных датасетов.
- Создание инструкций для аннотаторов и контроль качества разметки.
- Настройка workflows для label‑платформ.
- Коллаборация с дата‑учёными для улучшения качества данных.
Требования
- Внимание к деталям, опыт работы с annotation tools (Labelbox, CVAT и пр.).
- Понимание требования к качеству данных и метрик.
- Навыки управления командой аннотаторов.
14. AI Infrastructure / Cloud Engineer
Обязанности
- Поддержка GPU/TPU‑кластера, настройка облачной инфраструктуры для тренировки.
- Управление хранилищами данных, сетью и ресурсами для high‑performance computing.
- Оптимизация затрат и автоматизация provisioning.
- Обеспечение безопасности и резервного копирования.
Требования
- Опыт с облаками (AWS/GCP/Azure), Kubernetes, GPU/TPU provisioning.
- Навыки оптимизации затрат и автоматизации (Terraform).
- Понимание особенностей хранения больших датасетов.
15. AI UX / Designer (Дизайнер UX для AI‑продуктов)
Обязанности
- Проектирование взаимодействий с генеративными моделями и ассистентами.
- Исследования пользователей, тестирование сценариев с AI.
- Создание интерфейсов объяснимости и контроля (explainability UI).
- Проектирование безопасных и предсказуемых флоу взаимодействия.
Требования
- Опыт UX/UI‑дизайна, знание принципов человеко‑ориентированного дизайна.
- Понимание ограничений и возможностей AI (LLM, генеративные модели).
- Опыт прототипирования и тестирования с пользователями.
Как формировать JD и что указать в вакансии (шпаргалка)
- Название роли и уровень (Junior/Middle/Senior).
- Краткое описание команды и продукта.
- 5–8 ключевых обязанностей (конкретика).
- Обязательные навыки и «желательно» (технологии, опыт).
- Условия: удалёнка/офис, зарплатный диапазон, соцпакет.
- Примеры KPI и карьерного пути.
Советы HR и рекрутерам
- Оценивать не только стек технологий, но и опыт доставки ML в продакшен.
- Использовать тест‑задачи близкие к реальным кейсам продукта.
- Включать trial‑периоды для сложных ролей (proof‑of‑concept).
- Учитывать мультидисциплинарность команд и гибкие компетенции (например, prompt engineering + product understanding).
Заключение
Рынок ИИ требует широкий спектр специальностей — от исследований до инфраструктуры и продуктового управления. Чёткие должностные обязанности и реалистичные требования ускоряют найм и повышают качество команды.
