Заканчиваю вуз, хочу в ML. Но везде пишут что рынок завален, вакансий джунов мало, а senior'ы с LLM-ками всё закрывают. Есть ли вообще смысл лезть или идти в обычную разработку?
Добавлю как человек, который ровно так заходил два года назад: устроился обычным бэкендером в команду, где был один перегруженный ML-щик, и постепенно перетянул на себя пайплайны и инференс. Через год официально переехал на позицию ML-инженера без единого собеседования «по теории трансформеров». Прямой вход с улицы в data science сейчас почти закрыт, а вот боковая дверь через инженерию открыта…
Чисто ML джуниор-вакансий мало, это правда. Но спрос на людей кто умеет приделывать LLM к продукту огромный. Не учи теорию ради теории, учись строить рабочие штуки.
По нашим данным: вакансий с тегом ML/AI стало больше, но требования сместились. Берут не тех кто знает как работает трансформер, а тех кто задеплоит RAG и не уронит прод. Прикладной навык решает.
Для прикладной работы база: линал, статистика, градиентный спуск на уровне понимания. Доказывать теоремы не просят. Глубокая математика нужна в ресёрче, а это другой трек и других вакансий мало.
Я бы советовал зайти через бэкенд+ML гибрид. Чистого джуна-датасаентиста взять боятся, а человека который и сервис напишет и модель прикрутит расхватывают. Так проще ногу в дверь просунуть.
Как нанимающий в стартапе: мне не нужен джун который тюнит гиперпараметры. Мне нужен кто возьмёт готовую модель, обернёт в API и довезёт фичу. Если умеешь это — работа есть, и неплохая.
Добавлю как человек, который ровно так заходил два года назад: устроился обычным бэкендером в команду, где был один перегруженный ML-щик, и постепенно перетянул на себя пайплайны и инференс. Через год официально переехал на позицию ML-инженера без единого собеседования «по теории трансформеров». Прямой вход с улицы в data science сейчас почти закрыт, а вот боковая дверь через инженерию открыта настежь. В резюме слово «задеплоил» сегодня весит больше, чем «обучил».