Профиль навыка

ML Deployment

Этот навык определяет ожидания по ролям и уровням.

Machine Learning и AI MLOps

Ролей

где встречается этот навык

Грейдов

сформированная дорожка роста

Обязательных требований

ещё 10 — необязательные

Machine Learning и AI

MLOps

22.02.2026

Выберите текущий грейд и сравните ожидания. Карточки ниже покажут, что нужно закрыть для следующего уровня.

Чего ждут на каждом уровне

Таблица показывает, как меняется глубина владения навыком от Junior до Principal.

Роль	Обязательность	Описание
Data Scientist		Понимает основы деплоя ML-моделей: сериализация через pickle/joblib, REST API через веб-фреймворк. Создаёт простой inference endpoint для обученной модели. Тестирует модель в staging-среде перед production релизом.
LLM Engineer		Знает основы деплоя ML-моделей: REST API, model serialization, inference server. Деплоит простые ML-модели через веб-фреймворк с базовым error handling под руководством наставника.

Роль	Обязательность	Описание
Data Scientist		Самостоятельно деплоит ML-модели в production с использованием MLflow, BentoML или TorchServe. Настраивает model versioning, A/B-тестирование моделей, canary releases. Мониторит prediction quality и data drift через automated alerts.
LLM Engineer		Самостоятельно деплоит ML-модели в production: TorchServe, BentoML, model optimization (ONNX, TensorRT). Настраивает мониторинг predictions, data drift detection и A/B testing.

Роль	Обязательность	Описание
Data Scientist		Проектирует ML serving infrastructure для high-throughput production-систем. Оптимизирует inference через model optimization: ONNX, TensorRT, quantization. Реализует feature store integration, online/offline serving, shadow mode для новых моделей.
LLM Engineer		Проектирует ML serving инфраструктуру для LLM-экосистемы: unified serving layer для ML и LLM моделей, feature stores, online/offline prediction pipeline с low latency requirements.

Роль	Обязательность	Описание
Data Scientist		Определяет стратегию ML deployment для data science команды. Формирует стандарты production readiness: SLA, monitoring, rollback procedures. Координирует ML engineering и DevOps для построения reliable ML serving platform.
LLM Engineer		Определяет ML deployment стандарты для LLM-команды. Формирует guidelines по model serving, versioning, rollback стратегии. Координирует инфраструктуру для различных типов ML-моделей.

Роль	Обязательность	Описание
Data Scientist		Формирует стратегию ML infrastructure на уровне организации. Определяет investments в ML serving platform, оценивает managed vs self-hosted решения. Проектирует scalable architecture для hundreds of models в production.
LLM Engineer		Формирует enterprise ML serving platform. Определяет подходы к unified model serving для ML и LLM, cost optimization, capacity planning. Обеспечивает SLA для критических prediction services.

Junior 2 требований

Data Scientist

Понимает основы деплоя ML-моделей: сериализация через pickle/joblib, REST API через веб-фреймворк. Создаёт простой inference endpoint для обученной модели. Тестирует модель в staging-среде перед production релизом.
LLM Engineer

Знает основы деплоя ML-моделей: REST API, model serialization, inference server. Деплоит простые ML-модели через веб-фреймворк с базовым error handling под руководством наставника.

Middle 2 требований

Data Scientist

Самостоятельно деплоит ML-модели в production с использованием MLflow, BentoML или TorchServe. Настраивает model versioning, A/B-тестирование моделей, canary releases. Мониторит prediction quality и data drift через automated alerts.
LLM Engineer

Самостоятельно деплоит ML-модели в production: TorchServe, BentoML, model optimization (ONNX, TensorRT). Настраивает мониторинг predictions, data drift detection и A/B testing.

Senior 2 требований

Data Scientist

Проектирует ML serving infrastructure для high-throughput production-систем. Оптимизирует inference через model optimization: ONNX, TensorRT, quantization. Реализует feature store integration, online/offline serving, shadow mode для новых моделей.
LLM Engineer

Проектирует ML serving инфраструктуру для LLM-экосистемы: unified serving layer для ML и LLM моделей, feature stores, online/offline prediction pipeline с low latency requirements.

Lead / Staff 2 требований

Data Scientist

Определяет стратегию ML deployment для data science команды. Формирует стандарты production readiness: SLA, monitoring, rollback procedures. Координирует ML engineering и DevOps для построения reliable ML serving platform.
LLM Engineer

Определяет ML deployment стандарты для LLM-команды. Формирует guidelines по model serving, versioning, rollback стратегии. Координирует инфраструктуру для различных типов ML-моделей.

Principal 2 требований

Data Scientist

Формирует стратегию ML infrastructure на уровне организации. Определяет investments в ML serving platform, оценивает managed vs self-hosted решения. Проектирует scalable architecture для hundreds of models в production.
LLM Engineer

Формирует enterprise ML serving platform. Определяет подходы к unified model serving для ML и LLM, cost optimization, capacity planning. Обеспечивает SLA для критических prediction services.

Загрузка комментариев...