Как начать карьеру в ИИ с нуля в 2026‑м: что учить, как проверить себя и где искать первую работу

Практический навигатор по российскому рынку: от первого интереса до стажировки, Junior и дальнейшего роста

ИИ уже перестал быть отдельной игрушкой для исследовательских лабораторий. Компании внедряют модели в поиск, рекомендации, поддержку клиентов, аналитику, разработку, документы, безопасность и обычные внутренние процессы. Из-за этого у новичка возникает парадокс: направлений стало больше, но понять, куда именно идти, стало сложнее

Эта статья устроена не как энциклопедия профессий, а как навигатор принятия решения. После каждого крупного блока у вас должен появляться ответ на следующий практический вопрос: какая работа мне ближе, что у меня уже есть, чего не хватает, как это проверить, когда начинать откликаться и что будет дальше

Коротко Не пытайтесь выучить «весь ИИ». Сначала соберите базу Python + Git + SQL + данные и статистика, затем выберите одно направление и сделайте 1–3 законченных проекта под реальные требования вакансий

Это две разные карьерные стратегии, и смешивать их в начале невыгодно. Человек, который хочет проектировать ML-сервисы, и маркетолог, который хочет зарабатывать больше благодаря ИИ, могут пользоваться одними и теми же моделями — но рабочие задачи, порог входа и набор навыков у них будут разными

Это техническая ветка: вы создаёте, проверяете, интегрируете или обслуживаете модели и продукты вокруг них. Здесь находятся ML Engineer, Data Scientist, LLM/AI Engineer, специалисты по валидации моделей, Computer Vision, MLOps и AI Security

· Подходит, если вам нравится программирование, логика, работа с данными и поиск причин ошибок

· Требует системной технической базы, а не только умения пользоваться готовыми нейросетями

· Даёт наиболее прямой путь к вакансиям, где ИИ является основной частью работы

Если вы уже аналитик, разработчик, маркетолог, дизайнер, продуктовый менеджер, специалист по безопасности или финансам, начинать карьеру заново часто не нужно. Иногда сильнейшая стратегия — сохранить доменную экспертизу и добавить к ней ИИ как рабочий слой

· Backend-разработчик может перейти в LLM engineering и AI automation

· Аналитик — в Data Science, AI analytics или продуктовые AI-сценарии

· DevOps/SRE — в MLOps и AI Platform

· Специалист по ИБ — в AI Security и MLSecOps

· Product, маркетинг и дизайн — в AI Product, automation и AI-first workflows

Решение после главы Если у вас уже есть профессия и опыт, сначала ищите короткий переход из неё в AI. Полный старт с нуля нужен далеко не всем

Рынок растёт, но цифры важно читать аккуратно. Иначе можно легко получить красивую статистику и совершенно неверный карьерный вывод

По данным hh.ru, в январе–феврале 2026 года на площадке было 10 777 вакансий с требованием владения ИИ против 9 378 годом ранее. Рост — 15%, а доля таких вакансий выросла с 0,5% до 0,8%

Но эти 10 777 позиций — не 10 777 вакансий ML Engineer. В статистику входят и обычные профессии, где ИИ стал рабочим инструментом. Это полезный сигнал: спрос растёт сразу в двух слоях — на тех, кто строит AI-системы, и на тех, кто профессионально применяет ИИ внутри другой роли

Конкуренция при этом высокая. В обзоре hh Карьеры о рынке труда 2026 указано, что в апреле в среднем приходилось 10,3 резюме на одну вакансию. Там же: 61% работодателей в первую очередь смотрят на навыки кандидата, а 82% компаний готовы нанимать и обучать специалистов с небольшим опытом. Это данные всего рынка, а не только AI, но для новичка вывод полезен: подтверждённый навык важнее красивого списка сертификатов

Свежие стажировки хорошо показывают реальный порог. Например, текущая стажировка ML-инженера в Яндексе ожидает Python, NumPy, pandas, SQL, опыт анализа данных и ML-проектов. Стажировка по машинному обучению в Яндекс Маркете требует Python, математическую статистику, теорию вероятностей и методы ML. Даже более мягкая позиция ML-аналитика ожидает базовые Python, SQL, статистику и основы ML

· Яндекс — стажёр ML-инженер — Python, NumPy/pandas, SQL, ML-проекты, пайплайны обучения и внедрение моделей

· Яндекс Маркет — специалист по машинному обучению, стажёр — Python, матстатистика, теория вероятностей, анализ данных и ML

· Яндекс — стажёр ML-аналитик — базовые Python и SQL, теория вероятностей, статистика и основы ML

· ЛАНИТ — аналитик ML-моделей / контроль качества ML-данных — пример реальной Junior-роли на стыке валидации и качества данных

По исследованию Хабр Карьеры за первое полугодие 2026 года, медианная зарплата в IT в России — 191 тыс. ₽ в месяц, 235 тыс. ₽ в Москве, 200 тыс. ₽ в Санкт-Петербурге и 160 тыс. ₽ в регионах. Это фактические зарплаты из калькулятора, а не обещание новичку

В материале «Как стать ML-инженером» приводятся ориентиры калькулятора: около 118 тыс. ₽ для Junior ML Engineer, 235 тыс. ₽ для Middle, 400 тыс. ₽ для Senior и 490 тыс. ₽ для Lead. Реальная вилка зависит от города, компании, стека и уровня ответственности

Главный вывод рынка Компании всё меньше ищут человека, который просто «умеет нейросети». Они хотят доказательство: код, данные, проект, метрика, интеграция, проверка качества или понятный бизнес-результат

Один из самых недооценённых входов. Здесь вы не обязаны сразу обучать сложные нейросети: важнее уметь проверить данные, посчитать метрики, найти ошибку в разметке или поведении модели и объяснить выводы

· На старте: базовый Python, таблицы, SQL, статистика, precision/recall/accuracy

· Проект: анализ ошибок модели или LLM по заранее размеченному набору примеров

· Сильная сторона: реальный вход в AI через аккуратность, данные и аналитическое мышление

Классический маршрут: Python для кода, SQL для данных, статистика и базовые алгоритмы, затем scikit-learn для первых моделей. Здесь ценится не количество алгоритмов, а корректность эксперимента: baseline, train/validation/test, правильная метрика и отсутствие leakage

· На старте: Python, pandas/NumPy, SQL, статистика и классический ML

· Проект: табличная задача с baseline, признаками, 2–3 моделями и анализом ошибок

· Хороший выбор, если нравятся данные, гипотезы и измеримый результат

Это самая заметная новая ветка, но она не сводится к промптам. RAG — подход, при котором языковая модель перед ответом получает релевантные документы из внешнего источника. Для хранения и поиска смысловых представлений часто используют vector database, например Qdrant. Для подключения инструментов и источников контекста всё чаще встречается MCP — открытый протокол взаимодействия моделей и внешних систем

· Сначала: Python, Git, HTTP/API, SQL

· Затем: LLM API, embeddings, RAG, tool calling, evals

· Для Junior полезны FastAPI, Docker и понимание причин плохих ответов модели

· Проект: RAG-сервис по собственному корпусу документов с небольшим eval-набором

Очень сильный путь для тех, кому нравится разработка сервисов. Здесь модель часто берётся готовой, а основная ценность — в надёжном коде вокруг неё: API, базы данных, обработка ошибок, права доступа, логирование и интеграция в бизнес-процесс

· Яндекс — разработчик-стажёр в команду AI-автоматизаций — свежий пример роли: backend, Go, API, БД, интеграция моделей и AI-агентов; карточка может быть уже архивной

· Проект: небольшой backend, который вызывает LLM, валидирует результат и пишет данные в БД

Если вам интересны изображения, видео и модели, понадобится более ранний вход в deep learning. Базовый инструмент — PyTorch — библиотека для обучения и запуска нейросетей. Для CV обычно добавляются работа с изображениями, аугментации, detection/segmentation и анализ ошибок

· Порог выше: математика, PyTorch и работа с датасетами нужны раньше

· Проект: классификация или detection на открытом датасете с метриками и примерами ошибок

Это не «облегчённая версия ML». Здесь ценность создаётся через правильный пользовательский сценарий, прототип и измеримый результат. Код может быть минимальным на старте, но понимание API, SQL и базовый Python заметно повышают ценность специалиста

· На старте: таблицы, SQL basics, аналитическое мышление, ограничения LLM

· Проект: no-code/low-code прототип с понятной метрикой пользы

· Сильный вариант для людей с продуктовым, маркетинговым или операционным опытом

MLOps соединяет ML с инфраструктурой: контейнеры, CI/CD, мониторинг, model registry, оркестрация и вычисления. На зрелом уровне появляются Kubernetes и инструменты жизненного цикла моделей вроде MLflow. AI Security требует уже существующей базы AppSec/DevSecOps или платформенной инженерии

Поэтому человеку без технического опыта разумнее сначала войти через backend, ML, data или ИБ, а уже затем специализироваться глубже

Решение после главы Выберите максимум два направления для теста. Одно должно нравиться по содержанию работы, второе — быть реалистичным с учётом вашей текущей базы

Не пытайтесь определить профессию по типу личности. «Вы интроверт — идите в Data Science» звучит забавно, но карьеру так выбирать не стоит. Проверять нужно реакцию на реальные рабочие действия

1. Код — можете ли вы час искать причину ошибки и продолжать думать, а не только копировать готовое решение

2. Данные и математика — интересно ли вам сравнивать результаты, спорить о метриках и искать закономерности

3. Инженерия — нравится ли доводить прототип до сервиса: API, окружение, логирование, ошибки, права

4. Продукт — интереснее ли вам вопрос «зачем это пользователю и как измерить эффект», чем устройство самой модели

· Код + системы → AI automation, LLM engineering, ML Engineering

· Данные + математика → Data Science, classic ML, validation

· Нейросети + математика → Computer Vision, Deep Learning, research

· Продукт + процессы → AI Product, automation, low-code

· Инфраструктура → сначала backend/DevOps, затем MLOps / AI Platform

· Безопасность → сначала AppSec/DevSecOps, затем AI Security

Важно Если у вас несколько «да», это нормально. Цель самодиагностики — не выбрать профессию на всю жизнь, а сузить следующий эксперимент до одной-двух веток

Самый дешёвый способ понять, подходит ли вам сфера, — не читать ещё двадцать обзоров, а попробовать маленький кусок реальной работы. Две недели достаточно, чтобы увидеть собственную реакцию на код, данные и ошибки. Этого недостаточно, чтобы стать специалистом — и это нормально

Пройдите базовые конструкции и напишите несколько маленьких программ: обработать файл, вызвать простой API, преобразовать данные. Важно хотя бы часть задач решить без пошагового видео

· Яндекс Практикум — Основы Python-разработки — бесплатный старт примерно на 20 часов

· Яндекс Образование — Хендбук «Основы Python» — системная база и задачи с автопроверкой

Освойте Git — систему контроля версий, которая хранит историю изменений кода и позволяет нормально работать с репозиторием. Затем попробуйте SQL — язык запросов к реляционным базам данных. Минимум: SELECT, WHERE, JOIN, GROUP BY и агрегаты

· Яндекс Практикум — Основы работы с базами данных и SQL — короткий бесплатный тренажёр

· Classic ML — классификация на простом табличном датасете

· LLM/RAG — ответы по небольшому набору собственных документов

· Validation — сравнение качества модели по наборам кейсов и поиск систематических ошибок

· AI automation — сервис, который принимает данные, вызывает модель и сохраняет результат

· AI Product — прототип сценария с пользовательской задачей и критериями полезности

· README: что за задача, как запустить, откуда данные

· Метрика или другой критерий результата

· Что не получилось и какие ошибки нашли

· Короткий рассказ на 5–10 минут без подсказки

Главный вопрос Мне интересно разбираться, когда туториал закончился и решение не работает с первого раза? Если да — пора строить полноценный маршрут. Если нет — лучше узнать это сейчас, а не после дорогого годового курса

Python — основной язык технического AI-рынка. Вам нужны типы данных, функции, классы, исключения, файлы, окружения и чтение чужого кода

Git — clone, branch, commit, pull request и понятный README

SQL — SELECT, JOIN, GROUP BY, агрегаты; оконные функции полезны следующим шагом

Добавьте терминал/Linux на рабочем уровне: файлы, процессы, переменные окружения, установка зависимостей. Не нужно превращаться в системного администратора — нужно перестать бояться консоли

Для работы с массивами и таблицами чаще всего встречаются NumPy и pandas. Далее нужны вероятность, статистика и базовый ML: регрессия, классификация, деревья, boosting, overfitting, baseline, кросс-валидация и leakage

Математику не обязательно сначала проходить как университетский курс на год. На старте важнее понимать смысл: что измеряет метрика, почему модель переобучилась, чем среднее отличается от медианы, что означает доверительный интервал и почему train/test нельзя смешивать

· LLM/GenAI → API, embeddings, RAG, vector DB, tool calling, evals

· Data Science → feature engineering, boosting, эксперименты, продуктовые метрики

· Computer Vision → PyTorch, OpenCV, аугментации, detection/segmentation

· Validation → метрики, slices, drift, data quality, error analysis

· AI Product → продуктовые метрики, исследования, API/no-code automation

FastAPI — популярный Python-фреймворк для создания API. Docker — способ упаковать приложение вместе с окружением, чтобы оно воспроизводимо запускалось на другой машине. Для Junior достаточно применить их хотя бы в одном собственном проекте

· Конфигурация и секреты

· Логирование

· Обработка ошибок

· Несколько тестов

В AI особенно легко перепутать «я видел эту технологию» и «я умею решать задачу». Работодателю полезнее второй вариант. Поэтому каждый учебный блок должен заканчиваться артефактом, который можно открыть, запустить и обсудить

Необязательная вещь на старте PyTorch не нужно учить раньше времени всем без исключения. Для LLM-интеграций через готовые API Python + HTTP/API + RAG + evals могут дать больше пользы раньше. Для CV, Deep Learning и research PyTorch нужен значительно раньше

Пет-проект заменяет часть коммерческого опыта только тогда, когда похож на маленькую рабочую задачу. Копия учебного ноутбука без README и объяснения решений доказательством почти не является

· Реальные или открытые данные

· Baseline → признаки → 2–3 модели → валидация

· Почему выбрана именно эта метрика

· Где мог возникнуть leakage

· Error analysis и выводы

· Свой корпус документов

· Chunking и retrieval

· Небольшой eval-набор с ожидаемыми ответами или критериями

· Примеры плохих кейсов и ограничения

· API и Docker как сильный плюс

· 2–3 инструмента: поиск, БД/файл, действие

· Понятно, когда и почему агент выбирает инструмент

· Ограничены права и опасные действия

· Есть сценарии проверки результата

· Набор размеченных кейсов или slices

· Precision/recall или другая релевантная метрика

· Плохие примеры и категории ошибок

· Рекомендации по улучшению данных или модели

· API модели

· База данных или другой реальный источник состояния

· Обработка ошибок и повторных запросов

· Логирование и несколько тестов

· Классификация, detection или segmentation

· Train/validation, метрики, аугментации

· Галерея типичных ошибок

· Отдельный inference script

Тест хорошего проекта Вы можете 10–15 минут без слайдов объяснять цепочку: задача → данные → решение → метрика → ошибки → что бы улучшили дальше

· Можете написать небольшой Python-скрипт без постоянного копирования готового решения

· Понимаете JOIN и GROUP BY и достаёте нужные данные SQL-запросом

· Знаете, зачем нужны train/validation/test, leakage и метрики

· Есть 1–2 проекта с понятным README

· Можете самостоятельно решить учебную задачу без пошагового туториала

· Уверенная база и 2–3 законченных проекта или один действительно сильный

· GitHub выглядит как набор проектов, а не кладбище случайных ноутбуков

· Можете взять небольшую задачу от данных до измеримого результата

· Знаете собственные слабые места и можете объяснить, почему выбрали именно такое решение

· Python — коллекции, функции, ООП, чтение кода, простая задача

· SQL — JOIN, GROUP BY, подзапросы/CTE, иногда оконные функции

· ML — overfitting, baseline, train/validation/test, метрики, leakage

· Статистика — среднее/медиана, распределения, доверительный интервал, смысл p-value

· Проект — почему выбраны данные, модель и метрика, что не получилось

· Для GenAI — embeddings, RAG, hallucinations, tool calling, простой eval

· Инженерия — Git, окружение, API, Docker в зависимости от роли

Для дополнительной самопроверки можно использовать оценку навыков hh.ru: на платформе есть тесты по Python, SQL, Git, ML и Docker. Это не замена собеседованию, но хороший внешний контроль

Практическое правило Если вы закрываете ядро требований вакансии, а часть недостающего помечена как «будет плюсом», отклик имеет смысл. Считать точный процент не нужно — список вакансии часто описывает идеального кандидата, а не минимально допустимого

Новичку особенно вредно ограничиваться запросом «Junior ML Engineer». На входном уровне названия вакансий хаотичны: похожие задачи могут называться стажировкой, аналитиком моделей, AI-разработчиком, специалистом по качеству данных или backend-разработчиком с AI

· стажёр ML / Machine Learning / Data Science / AI

· стажёр AI-разработчик / AI automation / LLM

· аналитик ML-моделей / validation / контроль качества ML-данных

· data curation / разметка / качество данных для ML

· Junior Data Scientist / Junior AI/ML / Junior ML Engineer

· Python developer + AI / backend AI / AI integration

· AI Product intern / цифровые помощники / AI automation

· hh.ru — самая широкая база российского рынка

· Хабр Карьера — удобна для технических вакансий и фильтрации по грейду

· Young&Junior — подборки и материалы именно для начинающих в data-направлениях

· Заметки из подпространства — статьи и полезные советы с примерами для только начинающих в мире ИИ

Дополнительно проверяйте карьерные страницы крупных работодателей: часть стажировок быстрее появляется там, чем в агрегаторах

· Одна целевая роль в заголовке: «ML / Data Science Intern» или «Junior AI/ML Engineer», а не «хочу в IT»

· Навыки — только те, которыми реально можете пользоваться на интервью

· 2–3 проекта: задача, данные, стек, метрика/результат, ссылка

· Курсы — после проектов и навыков, а не вместо них

· Для студента — вуз, курс, доступная занятость и дата выпуска

· При смене профессии — переносимые навыки и доменная экспертиза

Для LLM intern, CV intern и Data Analyst не нужно отправлять одно и то же резюме. Проекты и акценты должны соответствовать типу задач

Если нет приглашений, не отправляйте ещё двести идентичных резюме из принципа. Меняйте позиционирование, заголовок, проекты и ключевые слова. hh Карьера отдельно рекомендует пересматривать резюме после 15–20 неудачных попыток — рынок уже дал вам обратную связь

· Пишу код и базовые тесты

· Считаю метрики и понимаю валидацию

· Могу собрать простой сервис или pipeline

· Работаю с ревью и помощью более опытного коллеги

· Сам выбираю разумную модель, метрики и подход

· Веду решение от данных до production

· Настраиваю мониторинг, разбираю деградацию и ошибки

· Понимаю trade-off качество ↔ latency ↔ стоимость

· Делаю code review и помогаю младшим коллегам

· Архитектура и технические стандарты

· Надёжность, безопасность, SLO и стоимость эксплуатации

· Масштабирование и сложные архитектурные компромиссы

· Менторинг, техническая стратегия и влияние на продукт

Удобная формула Junior отвечает на вопрос «как это сделать». Middle — «как сделать это нормально и довести до результата». Senior — ещё и «нужно ли делать именно так и что будет с системой потом»

ВНИМАНИЕ Ниже перечислено то, чего делать НЕ стоит. Это распространённые ошибки новичков, а не рекомендации

Фреймворк меняется быстрее базовых принципов. Сначала научитесь писать код, работать с API и понимать данные

Сертификат показывает прохождение программы, но не доказывает самостоятельную работу. Один защищаемый проект полезнее коллекции значков

Для Data Science, validation, backend и многих AI-продуктов SQL — один из самых дешёвых навыков с очень высокой отдачей

Jupyter удобен для эксперимента, но проект должен иметь README, структуру, запуск и понятный результат

Так можно ждать бесконечно. Смотрите на ядро задач и откликайтесь, когда способны делать основную работу

CV, RAG, MLOps, NLP и Kubernetes одновременно дают ощущение активности и очень мало глубины. Сначала база, затем одна специализация

Промпты полезны, но рынок ценит их в связке с кодом, данными, автоматизацией, оценкой качества или конкретной бизнес-задачей

Если после всей статьи нужен не ещё один список технологий, а конкретный следующий шаг, используйте этот короткий маршрут

1. Выберите две ветки из карты направлений

2. Откройте по 10–15 реальных вакансий на каждую и выпишите повторяющиеся требования

3. Проведите 14-дневный тест-драйв одной ветки

4. Выберите бесплатный или недорогой маршрут обучения под обнаруженные пробелы

5. Сделайте один законченный проект, который можете объяснить без подсказки

6. Сверьте себя с критериями стажировки и Junior

7. Начните откликаться и используйте реакцию рынка как обратную связь

8. После первой работы наращивайте ответственность, а не коллекцию инструментов

Если свести статью к одной мысли Карьеру в ИИ строят не от списка модных библиотек, а от типа задач, которые вы хотите решать, и доказательств того, что вы уже умеете решать их хотя бы в маленьком масштабе

Этот раздел не является рейтингом и не означает, что нужно проходить всё подряд. Он нужен как карта доступных вариантов обучения. Особенно полезны бесплатные программы: они позволяют проверить интерес к направлению до того, как вы вложите значительные деньги и месяцы жизни

Как читать каталог Срез программ и цен взят из собранных материалов на август 2026 года. Цены, скидки, даты потоков и условия документов меняются — перед оплатой всегда открывайте текущую карточку курса

· Яндекс Практикум — Нейросеть Алиса AI для начинающих — ~2 часа; быстрый тест интереса к GenAI, промптам, контексту и ограничениям моделей

· Яндекс Практикум — Основы Python-разработки — ~20 часов; переменные, циклы, функции, коллекции и первая работа с API

· Яндекс Образование — Хендбук «Основы Python» — системный бесплатный учебник и справочник по Python с задачами

· Яндекс Практикум — Основы анализа данных и Python — ~10 часов; pandas, Jupyter, визуализация, гипотезы и вводные понятия ML

· Яндекс Практикум — Основы работы с базами данных и SQL — ~5–7 часов; SELECT, фильтрация, группировки и агрегаты

· Яндекс Практикум — Основы математики для цифровых профессий — ~20 часов; логика, вероятность, комбинаторика и фундаментальные темы

· Яндекс Практикум — Основы статистики и A/B-тестирования — примерно месяц в своём темпе; статистическое мышление, гипотезы и A/B

· Karpov.Courses — Математика для анализа данных — бесплатное усиление матанализа и линейной алгебры

· Stepik / Институт биоинформатики — Введение в Data Science и машинное обучение — вводный DS/ML: pandas, scikit-learn, деревья решений и практические задачи

· Deep Learning School (МФТИ) — Deep Learning, семестр 1 — сильная практика по ML/DL и CV; уже нужны Python и математика

· Samsung AI / Stepik — Нейронные сети и компьютерное зрение — мост от classic ML к CNN и прикладному CV

· Samsung AI / Stepik — Нейронные сети и обработка текста — база по представлениям текста, нейросетям и NLP перед современными LLM/RAG

· Яндекс Образование — Учебник по машинному обучению — глубокий бесплатный справочник по ML, DL, рекомендациям и генеративным моделям

· Яндекс Практикум / Yandex Cloud — Инженер облачных сервисов — ~70 часов; Docker, Kubernetes, Terraform, БД, Spark, мониторинг и безопасность; полезно для MLOps/инфраструктуры

Курсы отобраны в первую очередь с точки зрения пользы для начинающих, а не по цене

· Stepik — Погружение в Data Science и машинное обучение с нуля — 5–10 ч/нед.; Python с нуля, pandas, scikit-learn; на срезе 1 290 ₽

· Stepik — Машинное обучение в Python: большой курс для начинающих — около 100 часов; NumPy, pandas, scikit-learn, feature engineering и вводный NLP; на срезе 2 900 ₽

· Karpov.Courses — Создание ИИ-агентов — 2 недели; RAG, Ollama, pgvector, MCP, LangChain/FastAPI; на срезе 27 900 ₽

· OTUS — Machine Learning. Basic — 6 месяцев; Python, SQL, математика, статистика, A/B и classic ML; на срезе 84 150 ₽ по акции / 99 000 ₽ базовая цена

· Karpov.Courses — Инженер машинного обучения — 7 месяцев; classic ML, PyTorch, CV, статистика и индустриальный проект; на срезе 119 000 ₽

· Нетология — Инженер машинного обучения с нуля — 14 месяцев; полный цикл от математики и данных до внедрения; на срезе 128 300 ₽ по странице / 237 600 ₽ базовая цена

· Skillfactory — Data Scientist с нуля до PRO — 25 месяцев; длинный фундаментальный трек с проектами; на срезе от 6 790 ₽/мес. × 36

· Нетология — Специалист по глубокому обучению с нуля — 16 месяцев; базовый ML + специализация CV или NLP; на срезе 165 400 ₽ по странице / 306 240 ₽ базовая цена

· Karpov.Courses — Deep Learning Engineer — 4–5 месяцев; продвинутый DL с треком CV или NLP; на срезе 89 000 ₽

· Яндекс Практикум — Нейросети для разработки — 2–3 месяца; AI-assisted разработка, агенты и инструменты программирования; не курс кода с нуля; на срезе 64 900–89 900 ₽

· OTUS — Разработка ИИ-агентов — 3 месяца; ReAct, function calling, MCP, Agentic RAG, LangGraph, evals и guardrails; на срезе 90 000 ₽

· OTUS — MLOps — 5 месяцев; MLflow, Airflow, Docker, Kubernetes, Kafka, DVC, мониторинг и CI/CD; на срезе 178 000 ₽

· OTUS — Безопасность ИИ / MLSecOps — 3 месяца; prompt injection, jailbreak, атаки на RAG/агентов и безопасный жизненный цикл; на срезе 66 500–70 000 ₽

Рациональный выбор Если никогда не программировали, сначала бесплатные Python + SQL + вводный DS/ML. Длинную платную программу имеет смысл покупать после тест-драйва, когда вы уже понимаете, что вам нужна структура, дедлайны и обратная связь, а не магический сертификат

· AI / ИИ — общее название систем искусственного интеллекта, которые выполняют задачи, обычно требующие человеческого интеллекта

· ML / машинное обучение — подход, при котором алгоритм учится закономерностям на данных вместо жёстко прописанных правил

· LLM — большая языковая модель, которая работает с текстом и другими последовательностями

· RAG — схема, где модель перед генерацией получает релевантные документы из внешнего поиска

· Embedding — векторное представление текста или объекта для поиска похожих элементов по смыслу

· Vector DB — база, оптимизированная для хранения и поиска embeddings

· Tool calling — структурированный вызов моделью функций или внешних инструментов

· MCP — протокол подключения моделей и агентов к инструментам и источникам контекста

· Evals — систематические проверки качества LLM/agent-систем на заранее подготовленных сценариях

· Inference — запуск уже обученной модели для получения результата

· MLOps — практики и инфраструктура для обучения, доставки, мониторинга и поддержки ML-моделей

· Leakage — ситуация, когда в обучение или признаки случайно попадает информация из будущего или тестовой части, искусственно улучшая результат

Основа статьи — два исследовательских отчёта по российскому рынку AI/ML, стажировкам, Junior-вакансиям и образовательным программам со срезом на август 2026 года. Перед подготовкой статьи ключевые рыночные цифры и часть вакансий дополнительно проверены по открытым источникам 24 августа 2026 года

· hh.ru — Как ИИ меняет профессии и кому нужно учиться с ним работать — 25.03.2026; статистика вакансий с AI-навыками

· hh Карьера — Тренды на рынке труда — 29.05.2026; конкуренция, навыкоцентричный найм и готовность компаний обучать

· Хабр Карьера — Зарплаты IT-специалистов в первой половине 2026 года — медианы фактических зарплат

· Хабр Карьера — Как стать ML-инженером — содержание роли, production-составляющая и зарплатные ориентиры по грейдам

· Яндекс — стажёр ML-инженер — актуальные требования к стажировке

· Яндекс Маркет — стажёр по машинному обучению — актуальные требования к стажировке

· Яндекс — стажёр ML-аналитик — пример мягкого входа с Python, SQL, статистикой и ML

· ЛАНИТ — Junior-вакансия по валидации ML-данных — пример входной роли через качество моделей и данных

Важно: вакансии быстро закрываются и переходят в архив. В статье они используются прежде всего как снимок реальных требований работодателей, а не как каталог гарантированно открытых позиций

Срез рынка: 24 августа 2026 года • Россия

Если понравилась статья — ставьте лайки и пишите комментарии. У меня на сайте и в блоге для ИИ-новичков больше полезных материалов — подписывайтесь.

Благодарю за внимание!