Інженери машинного навчання будують системи, які автоматизують чужу роботу. Питання про рекурсію — «чи замінить AI тих ML-інженерів, які навчають AI?» — ставлять кожному ML-інженеру за вечерею. Здебільшого це хибне питання. Справжня картина експозиції для ML-інжинірингу цікавіша: роль потрапляє в зону AI-аугментації, операційний рядок витрат на AI для завдань ML-інжинірингу унікально високий, а робота категорії Human-critical концентрується у вужчій смузі, ніж у інженерів-програмістів.
Шість завдань ML-інжинірингу, які ми змоделювали
ML-інжиніринг — гібридна роль: почасти інженер-програміст, почасти прикладний дослідник, почасти платформний інженер. Наш корпус v1 моделює репрезентативні завдання ролі: навчання моделі на розміченому датасеті, оцінку якості моделі, виведення навченої моделі в продакшн, налагодження регресій моделі в проді, проєктування тренувального пайплайна (дані → ознаки → навчання → оцінка → деплой) та пропозицію нових підходів до моделювання.
Розбір на рівні клітинок
Навчання моделі на розміченому датасеті в нашому seed-наборі v1 — AI-augmented: механічна частина (запуск задач fit, відстеження гіперпараметрів, зміна learning rate) — високої автоматизовуваності, й інструменти AutoML відкушують цей шар роботи вже три роки. У зоні AI-augmented, а не Replaceable, завдання утримують рішення, які досі лишаються за ML-інженерами: яку версію датасета брати для навчання, який holdout-режим чесний для конкретного деплою, чи важлива регресія на окремому зрізі. Ці рішення не автоматизуються, і в нашій матриці вони сидять на тому ж завданні.
Оцінка якості моделі та написання звіту про оцінку — AI-augmented. Зібрати таблицю метрик — механіка. Вирішити, яка метрика важлива для рішення про деплой, — судження. AI чудово впорається з таблицею й посередньо — з висновком.
Виведення навченої моделі в продакшн за API — AI-augmented. Шаблонний код (FastAPI-обробник, батчинг, моніторинг) — високої автоматизовуваності. Нешаблонні рішення — бюджет за latency, політика retry, стратегія відкату версій — на боці людини. Клітинка впевнено в середній смузі.
Налагодження регресій моделі в продакшені опускається до Human-led + AI-assisted, і саме тут операційна вартість AI для ролі різко зростає. Вісь надійності тут слабка: AI упевнено ставить хибний діагноз регресіям, а помилковий діагноз водночас тягне за собою і вартість нагляду, і вартість подальшої помилки. Хвилин нагляду на одну сесію налагодження багато. Годин у завдання мало, але доларова вага кожної години велика.
Проєктування тренувального пайплайна потрапляє в Human-led + AI-assisted на глибокому кінці. AI може накидати DAG пайплайна; AI не може вирішити, що оновлення даних має пройти до півночі за UTC, тому що європейський стейкхолдер дивиться дашборд о 7 ранку за CET, а SLA вищого сховища — 2 година ночі за UTC, і тому буферна логіка має бути три години, а не підручникові 30 хвилин. Вісь контексту висока. Неоднозначність висока.
Пропозиція нових підходів до моделювання — завдання ролі категорії Human-critical. Спроможність AI середня — він може запропонувати правдоподібні архітектури. Надійність слабка — пропозиції є рекомбінаціями патернів із тренувального корпусу, які можуть не пасувати до реального завдання. Вісь неоднозначності набирає максимум за шкалою незводимої цінності: вирішити, яку проблему атакувати, — це те, що визначає сеньорність ML-інженера. AI не має частки в дослідницькому напрямі компанії.
Грубо в розрізі типового тижня
Для ML-інженера рівня mid-to-senior у компанії, що деплоїть моделі (не в лабораторії foundation-моделей — це інша клітинка), базовий розподіл v1 за змодельованими завданнями такий: нуль Replaceable, приблизно половина AI-augmented (навчання, звіти про оцінку, деплой продакшн-API), решта ділиться між Human-led + AI-assisted (налагодження регресій, проєктування пайплайна) та Human-critical (рішення про підхід до моделювання). Заголовковий піл — зона AI-аугментації.
Це виглядає схоже на картину для інженерії ПЗ — і по суті так і є, на поверхні. Різниця проявляється на осі операційної вартості AI, де у завдань ML-інжинірингу найвищі показники хвилин нагляду на одиницю виходу в усьому нашому корпусі. Налагодження регресії потребує годин людської уваги на кожен запропонований AI діагноз. Тому операційна вартість визначається не інференсом — її визначає час рев'юера за повною ставкою senior ML-інженера. Патерн Klarna працює тут інакше: висикоспроможний AI-асистент, якому потрібен нагляд ML-інженера, займається зарплатним арбітражем проти найдорожчого пулу рев'юерів у команді.
Питання про рекурсію
Версія «за вечерею»: «Чи замінить AI тих ML-інженерів, які навчають AI?» Чесна відповідь за картиною v1: не до 2027 року. Дві клітинки, які виглядають найбільш автоматизовуваними — навчання та збирання таблиць оцінки — вже здебільшого автоматизовані, і так із часів AutoML. Робота ML-інженера, що лишилася, зосереджена в проєктуванні пайплайнів, налагодженні регресій та виборі підходів до моделювання — трьох клітинках, де розрив між спроможністю та надійністю найбільший, а операційна вартість AI найвища.
Структурна картина в тому, що ML-інжиніринг — одна з небагатьох ролей, де зростання спроможності насправді підвищує попит на зарплату за роботу категорії human-critical, що лишилася, тому що вища спроможність на завданнях нижньої половини вивільняє години ML-інженера для високоважільної роботи над дослідницьким напрямом, яка накопичується проти захищених модельних активів компанії. Тут працює фреймворк permissionless leverage Навала: ML-інженери, які використовують допомогу AI, щоб закрити механічний шар, отримують із тих самих годин більше, а не менше.
Що ми не моделюємо — клітинку лабораторії foundation-моделей
Наш корпус v1 моделює типового прикладного ML-інженера в компанії, що деплоїть моделі. Ми не моделюємо ML-інженера foundation-лабораторії (Anthropic, OpenAI, DeepMind, Mistral тощо). У цієї ролі інша форма — частка Human-critical помітно вища, частка AI-augmented нижча, а фінансовий шар суттєво інший, тому що вихід цієї ролі І Є вимірюваним субститутом. Ми додамо її в розширенні корпусу v1.5. Поки що трактуйте цей пост як картину для прикладного ML-інженера, а не для інженера foundation-лабораторії.
Що з цим робити
Спокійний економічний хід для прикладного ML-інженера у 2026 році — віддати AI звіти про оцінку та API-обробники, а вивільнені години витратити на м'яз налагодження регресій та судження в проєктуванні пайплайнів. Це клітинки, де сеньорність накопичується. Розпізнавання патернів продакшн-регресій — це той навик, який гострішає з повтореннями і погано передається; вибори в моделюванні, які добре виглядають у ноутбуці й падають у проді, вчать операційної суворості, яку AI не може відрепетирувати за вас.
Розрахуйте свою персональну Wagecard на wagecore.ai/start. Якщо ви працюєте у foundation-лабораторії, найближчий збіг у нашому корпусі — роль machine-learning-engineer з ручними override; ми скажемо про це на сторінці результату. Картина, виведена з матриці, — на /roles/machine-learning-engineer , жива крос-клітинкова картина — на /insights/machine-learning-engineer . Методологія відкрита на /methodology.