ML-инженер и Data Scientist: в чём разница в 2026

Кто такой data scientist

Data scientist: специалист по данным, который ищет закономерности в больших массивах информации, строит и проверяет гипотезы, а результат оформляет в виде модели или отчёта для бизнеса. Его главный вопрос не «как это работает в коде», а «правда ли эта закономерность существует, или нам просто кажется».

В работе data scientist много статистики: A/B-тесты, проверка значимости результата, подбор метрик, которые действительно отражают цель бизнеса. Он строит модель в Jupyter Notebook, оценивает её качество на исторических данных и передаёт выводы команде, часто ещё до того, как модель попадёт в продакшен.

Инструменты этой роли: Python и SQL для работы с данными; библиотеки pandas, scikit-learn и statsmodels для анализа; Tableau или Power BI, когда результат нужно показать не инженерам, а менеджменту. Отдельная часть работы, редко заметная со стороны: очистка и разметка данных, которая по опыту большинства команд съедает больше времени, чем сама разработка модели.

Пример из практики: интернет-магазин хочет понять, почему часть покупателей уходит после одного заказа и не возвращается. Data scientist соберёт историю покупок, проверит десяток гипотез (цена, доставка, качество товара, работа поддержки) и статистически докажет, какая из причин действительно влияет на отток, а какая совпадение.

Кто такой ML-инженер

Если у data scientist в фокусе гипотеза, то у ML-инженера в фокусе готовый продукт: он отвечает за то, чтобы модель, придуманная и обученная data scientist, реально работала в продукте: принимала запросы, отдавала ответ за доли секунды и не падала под нагрузкой в пятницу вечером. Это инженерная роль на стыке разработки и машинного обучения, а не исследовательская.

Задачи ML-инженера: автоматизация переобучения модели на новых данных, настройка пайплайна деплоя, мониторинг деградации качества и работа с инфраструктурой: контейнеры, очереди сообщений, GPU-кластеры. Он реже сам придумывает новую модель с нуля, чаще берёт готовую архитектуру и адаптирует её под реальные ограничения по скорости и памяти.

Из инструментов здесь на первом месте Docker и Kubernetes, фреймворки MLOps вроде MLflow или Kubeflow, системы очередей вроде Kafka, и языки помимо Python: часто нужен Go или C++ для узких мест, где скорость критична. Разбор career.hh.ru отдельно отмечает: ML-инженер не только внедряет готовое, но и сам участвует в подборе алгоритма и подготовке данных для обучения, то есть часть исследовательской работы всё равно остаётся на его стороне, просто в меньшем объёме, чем у data scientist.

Продолжая пример с интернет-магазином: когда data scientist находит рабочую модель предсказания оттока, задача ML-инженера: встроить её в CRM так, чтобы менеджер по продажам видел риск ухода клиента прямо в карточке заказа, без задержек и без падений сервиса в высокий сезон распродаж.

Главное отличие: от гипотезы до продакшена

Разница между ролями лучше всего видна на одном и том же проекте с разных концов. Data scientist доказывает, что модель, предсказывающая отток клиентов, вообще имеет смысл: проверяет данные, тестирует три архитектуры, выбирает лучшую по метрикам. ML-инженер берёт эту лучшую модель и решает совсем другую задачу: как отдавать предсказание за 200 миллисекунд для миллиона пользователей в сутки, не уронив сервер.

Ответственность после запуска тоже разная. Если модель через месяц начинает ошибаться из-за смещения данных, первым это заметит мониторинг, который настроил ML-инженер. А разбираться, почему именно сместились данные и как это поправить, снова будет data scientist: инженер чинит симптом, аналитик данных ищет причину.

В небольших командах и стартапах обе роли нередко совмещает один человек под общим названием «ML-специалист» или «инженер машинного обучения широкого профиля». Разделение появляется там, где моделей в проде становится много, и требования к надёжности инфраструктуры перестают умещаться в свободное время исследователя.

Сколько зарабатывают ML-инженер и data scientist в России в 2026 году

По данным профессии ML-инженер на career.hh.ru, зарплата по актуальным вакансиям держится в диапазоне 57 500–113 100 ₽ в месяц, а медиана за последний год выросла на 15 220 ₽ и составляет около 95 300 ₽. Диапазон заметно шире у более опытных специалистов: senior-вакансии с ответственностью за инфраструктуру нескольких моделей сразу оплачиваются существенно выше базового диапазона. Разбивка по грейдам из гайда career.hh.ru за 2025 год показывает похожую картину:

• Junior: 50 000–130 500 ₽, старт карьеры без продакшен-опыта.
• Middle: 152 250–475 000 ₽, самый широкий разброс из трёх грейдов.
• Senior: 178 350–422 690 ₽, вилка уже, чем у middle, потому что таких вакансий на рынке заметно меньше.

Диапазон middle шире, чем у senior, потому что в эту категорию попадают и вчерашние junior с первым продакшен-опытом, и почти готовые senior-специалисты.

По данным профессии data scientist на career.hh.ru, диапазон зарплат по вакансиям, 175 000–241 425 ₽ в месяц, с медианой около 157 400 ₽ после годового роста на 28 619 ₽. Более высокая планка входа объясняется тем, что на рынке пока меньше вакансий уровня junior data scientist: чаще ищут специалиста, который уже умеет самостоятельно доводить гипотезу до результата.

Прямое сравнение медиан не значит, что одна профессия «выгоднее» другой в моменте: диапазоны собраны по разным по объёму выборкам вакансий и сильно зависят от отрасли компании и региона. Разбор зарплат по грейдам и городам для смежных ролей в ИИ собран на странице профессии.

Кому какой путь подходит

Если интереснее разбираться, почему метрика ведёт себя странно, и нравится статистика больше, чем архитектура систем, ближе data science. Если хочется строить надёжные системы и получать удовольствие от того, что сервис держит нагрузку без сбоев, ближе ML-инженерия.

Есть и практический ориентир: если опыт до этого был в аналитике или бэкенд-разработке, переход логично строить от базы. Аналитикам данных обычно проще дойти до data science, потому что статистика и работа с данными уже знакомы. Backend-разработчикам обычно проще дойти до ML-инженерии, потому что инфраструктура и продакшен-код уже не в новинку.

Средний путь тоже существует: часть школ в каталоге SkillEdge предлагает программы «специалист по машинному обучению», где закладывают базу и по анализу данных, и по деплою моделей, а специализация выбирается уже после первых месяцев обучения, когда понятнее, что ближе на практике.

Сколько стоит обучение и как выбрать курс

При сравнении программ школ редакция SkillEdge видит, что цена курса по машинному обучению почти всегда зависит от того, входит ли в программу инженерная часть: деплой, MLOps, работа с реальной инфраструктурой, а не только теория моделей. В каталоге 16 курсов с фокусом на машинное обучение и инженерию моделей, от 22 880 до 250 000 ₽, при сроке от 1 до 19 месяцев.

Короткие курсы за 20-50 тысяч рублей обычно закрывают только основы: базовые алгоритмы, работу с pandas и первую модель на учебном датасете, без реального деплоя. Программы дороже 100 тысяч чаще включают именно ML-инженерную часть: контейнеризацию, мониторинг, работу с production-данными, то есть готовят ближе к роли ML-инженера, а не только data scientist.

Перед покупкой курса стоит свериться, что именно входит в программу: слово «машинное обучение» в названии не гарантирует инженерный блок. Сравнить конкретные курсы по содержанию и цене можно в инструменте сравнения, а прикинуть окупаемость обучения через будущую зарплату, в калькуляторе ROI. Полный список актуальных курсов по профессии собран в каталоге SkillEdge.

Как перейти в ML-инженерию или data science с нуля

Первый шаг для обеих ролей одинаковый: Python на уровне уверенного пользователя, основы статистики и SQL. Дальше пути расходятся: будущему data scientist нужнее математика (линейная алгебра, теория вероятностей) и практика на реальных датасетах с соревнований вроде Kaggle. Будущему ML-инженеру нужнее системное проектирование: Docker с первого месяца, а не в конце курса, и понимание, как работает REST API.

Портфолио тоже строится по-разному. Для data scientist ценность несёт разбор гипотезы целиком: от постановки вопроса до вывода с цифрами. Для ML-инженера ценность несёт рабочий пайплайн: модель, обёрнутая в сервис, с логами и мониторингом, даже если сама модель простая. Работодатель на собеседовании ML-инженера чаще спрашивает про отказоустойчивость сервиса, а не про качество модели на валидации.

Готового рецепта «за сколько месяцев» не существует, потому что стартовая база у всех разная, но большинство программ в каталоге закладывают от 4 до 12 месяцев на то, чтобы дойти до уровня junior. Подробный план входа в профессию с требованиями работодателей собран в гайде по профессии специалиста по ИИ.

Кто такой ML engineer vs data scientist: короткий итог

Если формулировать разницу в одном предложении: data scientist отвечает на вопрос «работает ли эта идея вообще», а ML-инженер отвечает на вопрос «выдержит ли она реальную нагрузку». Обе роли нужны почти в любой компании, которая всерьёз использует машинное обучение, а не просто упоминает ИИ в презентации для инвесторов.

Путаница в терминах чаще всего возникает из-за вакансий: одна и та же позиция может называться «ML engineer», «инженер машинного обучения» или «data scientist с продакшен-опытом», хотя по факту описывает одну из двух ролей выше. Перед откликом полезно прочитать не только название вакансии, а список реальных обязанностей: если там про статистику и гипотезы, это ближе к data science, если про деплой и инфраструктуру, к ML-инженерии.

ML-инженер по складу мышления инженер, а не исследователь: ему важнее надёжность системы, чем красота гипотезы. Оба специалиста работают с одними и теми же данными и моделями, но смотрят на результат с разных сторон одного процесса, и обе роли одинаково нужны компании, которая хочет, чтобы модель не просто существовала в отчёте, а приносила пользу пользователям каждый день.

Небольшая ремарка для тех, кто выбирает между ролями по названию вакансии, а не по сути задач: формулировки вроде «ML engineer» и «инженер машинного обучения» на рынке труда России чаще всего обозначают одну и ту же должность, просто в разных компаниях её называют по-разному, в зависимости от того, переводили ли описание с английского или писали с нуля на русском.