Deep Learning Engineer, или инженер глубокого обучения, строит и обучает нейронные сети: модели, которые распознают объекты на снимках, понимают текст, синтезируют речь и ранжируют выдачу. От обычного ML-инженера его отличает инструмент. ML-инженер выбирает из всего набора алгоритмов машинного обучения, а специалист по глубокому обучению работает с многослойными нейросетями, видеокартами и большими объёмами данных.
На hh.ru 2 октября 2026 года поиск по всей России нашёл всего три вакансии со словами «deep learning» в названии. Зато в тексте описания deep learning упоминают 86 объявлений, а должностей «ML-инженер» по названию набралось 152. Получается, работу инженера глубокого обучения ищут под другими именами: CV-инженер, NLP-инженер, ML-инженер с припиской «направление Deep Learning». Ниже разберём, как устроена профессия, чем она отличается от соседних ролей, какой стек спрашивают работодатели и сколько платят.
Если вы только знакомитесь с темой, начните с того, как работают нейросети, а программы подготовки по направлению собраны в разделе онлайн-курсы по глубокому обучению.
Рекомендуем курсы по глубокому обучению
SkillboxНейросети. Практический курс74 900 ₽3 месяца
НетологияГлубокое обучение45 500 ₽2 месяца
MerionНейросети с нуля22 880 ₽4 месяца
karpov.coursesDeep Learning Engineer89 000 ₽4 месяца
ZerocoderНейросети от принципов к практике39 900 ₽1 месяц
Bonnie & SlideКурс по нейросетям59 900 ₽1 месяц
Кто такой Deep Learning Engineer простыми словами
Глубокое обучение входит в машинное обучение как его часть. Классические методы вроде градиентного бустинга хорошо работают с таблицами: доходом клиента, историей покупок, ценами. Но с фотографией, аудиозаписью или длинным текстом им тяжело, потому что признаки приходится придумывать руками. Нейросеть с десятками слоёв находит признаки сама, если дать ей достаточно примеров и вычислительной мощности. Чаще сеть учат на размеченных примерах, но бывает и обучение без учителя, когда модель сама ищет закономерности в неразмеченных данных.
Отсюда и задачи инженера. Он подбирает архитектуру (свёрточную сеть для изображений, трансформер для текста), готовит датасет, обучает модель на видеокартах, проверяет качество и превращает тяжёлую модель в быстрый сервис. Чем глубокое обучение отличается от машинного в целом, подробно разобрано в материале о том, как машинное обучение решает бизнес-задачи.
Профессия выросла из ML. Почти каждый инженер глубокого обучения начинал как ML-инженер или Data Scientist и со временем сузился до нейросетей.
Deep Learning Engineer, ML-инженер и Data Scientist: в чём разница
Роли в данных пересекаются, и в вакансиях их смешивают. Таблица показывает, где проходит граница на практике.
| Специалист | Главный инструмент | С какими данными работает | Что сдаёт в итоге | Чем обычно не занимается |
|---|---|---|---|---|
| Deep Learning Engineer | Нейросети, фреймворки глубокого обучения, GPU | Изображения, видео, текст, звук | Обученную модель, готовую к работе в продукте | Отчётами для бизнеса и A/B-аналитикой |
| ML-инженер | Весь набор алгоритмов ML и MLOps | Чаще таблицы и логи событий | Модель в продакшне и пайплайн переобучения | Исследованием новых архитектур |
| Data Scientist | Статистика, бустинги, эксперименты | Таблицы, выборки, метрики продукта | Гипотезу, модель-прототип, вывод для бизнеса | Оптимизацией инференса на GPU |
| AI-инженер | Готовые LLM по API, RAG, агенты | Документы и базы знаний компании | Сервис на основе готовой модели | Обучением сети с нуля |
| Research Scientist | Математика, статьи, эксперименты | Открытые и внутренние датасеты | Новый метод, публикацию, прототип | Поддержкой сервиса в продакшне |
Самая частая путаница случается между DL-инженером и AI-инженером. Второй строит продукт поверх готовой большой языковой модели и почти не трогает её веса. Первый обучает или дообучает саму сеть и отвечает за то, как она поведёт себя на новых данных. Если вам ближе прикладная сторона без глубокой математики, посмотрите, какие ещё роли бывают у специалиста по нейросетям.
Канал основателя Checkroi Вани Буявца3 700 человек читают мой Телеграм-канал про нейросетиСобрал промпты для Claude Code и ChatGPT, разборы ИИ-инструментов и лайфхаки по продвижению бизнеса в одном местеПрисоединитьсяКак отличить по вакансии. Если в требованиях обучение моделей, фреймворк глубокого обучения и GPU, это работа инженера глубокого обучения, как бы ни называлась должность. Если там API языковых моделей и промпты, перед вами AI-инженер.
Почему в вакансиях почти нет названия Deep Learning Engineer
Срез hh.ru от 2 октября 2026 года, поиск по всей России. В выборке только инженерные ML-роли: разметка данных, аналитики, менеджеры и тестировщики в неё не входят, а копия одной вакансии в разных городах считается один раз.
| Как называется должность | Сколько нашлось | Что внутри |
|---|---|---|
| «Deep learning» в названии | 3 | Сбер (GigaChat), Авито (ранжирование поиска), X5 Tech (прогнозирование) |
| ML-инженер, Machine Learning Engineer | 152 | Часть про классический ML, часть про нейросети |
| NLP или LLM в названии | 134 | Вперемешку инженеры и разметчики данных |
| Computer Vision, CV-инженер | 50 | Детекция, сегментация, распознавание |
| «Deep learning» только в тексте описания | 86 | После чистки 46 ML-вакансий |
Из 243 инженерных ML-вакансий после чистки слова «deep learning» или «глубокое обучение» стоят в названии только у пяти. Компании описывают должность через предметную область: компьютерное зрение, речь, тексты, рекомендации. Например, беспилотный транспорт Navio ищет «инженера в области глубокого обучения в команду ML Планера», а Сбер размещает вакансию Deep Learning/CUDA Engineer для команды GigaChat.
Практический вывод для поиска работы такой. Набирайте в поиске CV-инженер, NLP-инженер, ML-инженер или название фреймворка. По запросу «инженер нейросетей вакансии» или по точному английскому названию вы увидите лишь малую часть рынка.
CheckroiПодборка курсов по глубокому обучению21 курс • 10 школСравните цены, школы, программу и найдите выгодные предложения по обучениюСравнить→
Чем занимается Deep Learning Engineer: основные задачи
Задачи зависят от продукта, но костяк повторяется в большинстве описаний. Половина списка совпадает с работой специалиста по машинному обучению, отличаются масштаб данных и требования к железу.
- Сбор и подготовка датасета. Найти данные, договориться о разметке с командой разметчиков, почистить ошибки, разделить выборки для обучения и проверки.
- Выбор архитектуры. Решить, взять готовую предобученную модель и дообучить её или собирать сеть под задачу. Чаще выигрывает первый путь.
- Обучение на GPU. Запустить обучение на видеокартах, подобрать гиперпараметры, следить за переобучением и стоимостью экспериментов.
- Оценка качества. Посчитать метрики, разобрать ошибки модели руками, сравнить с текущим решением.
- Ускорение инференса. Перевести модель в ONNX или TensorRT, сжать квантизацией или дистилляцией, чтобы ответ приходил за миллисекунды.
- Вывод в продакшн. Упаковать модель в Docker, настроить сервис и мониторинг вместе с MLOps-командой.
- Чтение статей. Следить за новыми архитектурами и проверять, даёт ли свежий метод прирост на ваших данных.
Специализации инженера глубокого обучения
Внутри профессии специалисты делятся по области применения глубокого обучения, то есть по типу данных. Переход между направлениями возможен, база у них общая: Python, нейросетевой фреймворк, математика.
| Специализация | С чем работает | Примеры задач | Что спрашивают сверх базы |
|---|---|---|---|
| Компьютерное зрение (CV) | Фото, видео, медицинские снимки | Детекция объектов, сегментация, распознавание лиц и документов | OpenCV, C++, TensorRT, работа с камерами |
| Обработка естественного языка (NLP) | Тексты, диалоги, документы | Классификация обращений, поиск, извлечение фактов, LLM | Трансформеры, Hugging Face, дообучение языковых моделей |
| Речь и звук | Аудиозаписи, звонки | Распознавание речи, синтез голоса (TTS) | Цифровая обработка сигналов, потоковый инференс |
| Рекомендации и ранжирование | Действия пользователей, каталоги | Лента, поиск товаров, персональные подборки | Бустинги, Spark, онлайн-эксперименты |
| Робототехника и беспилотники | Лидары, камеры, телеметрия | Восприятие окружения, планирование движения | C++, обучение с подкреплением, работа в реальном времени |
| Инфраструктура обучения | Кластеры видеокарт | Распределённое обучение больших моделей | CUDA, профилирование, параллельные вычисления |
Самое массовое направление в выборке связано с языковыми моделями: LLM упоминают 24 описания из 62, где речь идёт о deep learning. Компьютерное зрение встречается в 17 описаниях, NLP в классическом виде в 16. Глубокое обучение в медицине чаще всего означает CV: разбор рентгеновских снимков и КТ.
Если выбираете направление для старта, ориентируйтесь на данные, которые вам интереснее. Для изображений и видео подойдут курсы по компьютерному зрению, для текстов и языковых моделей есть программы по обработке естественного языка. Глубокое обучение с подкреплением, на котором учатся роботы и игровые агенты, встречается в вакансиях реже: в выборке это единичные позиции в НИИ авиационных систем и беспилотном транспорте.
Инструменты и стек Deep Learning Engineer
В срез вошли 62 вакансии, где deep learning или глубокое обучение упомянуты в названии либо в тексте описания. Инструменты в них встречаются так.
| Инструмент | Зачем нужен | Сколько вакансий упоминают (из 62) |
|---|---|---|
| Python | Основной язык обучения и экспериментов | 56 |
| PyTorch | Главный фреймворк глубокого обучения | 33 |
| MLflow, Airflow и другие MLOps-инструменты | Учёт экспериментов, пайплайны переобучения | 30 |
| Docker | Упаковка модели в сервис | 23 |
| Spark, Hadoop | Подготовка больших датасетов | 23 |
| Бустинги, scikit-learn | Классический ML рядом с нейросетями | 19 |
| Kubernetes | Запуск обучения и сервисов в кластере | 14 |
| TensorFlow | Второй фреймворк, чаще в старых проектах | 12 |
| Hugging Face Transformers | Готовые предобученные модели для текста и изображений | 11 |
| TensorRT, ONNX | Ускорение и перенос модели между средами | 9 и 5 |
Из таблицы видно главное: PyTorch спрашивают почти в три раза чаще TensorFlow. Если выбираете первый фреймворк, начинайте с него, официальный вводный курс на сайте фреймворка бесплатный. CUDA напрямую требуют редко, в двух описаниях, зато видеокарты, GPU-кластеры и ускорители упомянуты в 14.
Свои видеокарты для обучения есть не у каждой команды. Многие арендуют GPU-серверы у облачных провайдеров, например виртуальные машины с GPU в Yandex Cloud или серверы с видеокартами в Selectel.
Ещё одно наблюдение: в 19 вакансиях рядом с нейросетями просят градиентный бустинг. Работодатель ждёт, что инженер сначала проверит простую модель и возьмётся за сеть, только если простая не справилась. Поэтому вместе с нейросетями стоит освоить и машинное обучение в целом.
CheckroiПодборка курсов по компьютерному зрению17 курсов • 9 школСравните цены, школы, программу и найдите выгодные предложения по обучениюСравнить→
Канал основателя Checkroi Вани БуявцаЗабирайте промпты и обучение по нейросетям в моём Телеграм-каналеБольше 3 700 человек уже применяют Claude Code, ChatGPT и другие нейросети в работе, учёбе, бизнесе и жизниПерейти в каналКак проходит работа над моделью: от задачи до продакшна
Один цикл занимает от пары недель на дообучение готовой модели до нескольких месяцев на новую систему. Этапы у них одинаковые.
Постановка задачи (1–3 дня)
Инженер вместе с продуктовой командой договаривается, что модель должна делать и как мерить успех. «Распознавать брак на конвейере» превращается в метрику: найти 95 % дефектов при не больше одной ложной тревоги на сотню деталей.
Данные и разметка (от недели до месяцев)
Самая долгая часть. Нужно собрать примеры, написать инструкцию для разметчиков, проверить их работу выборочно. Ошибки разметки бьют по качеству сильнее, чем выбор архитектуры, поэтому опытные инженеры тратят здесь больше всего времени.
Базовая модель и обучение (1–3 недели)
Сначала берут готовую предобученную сеть и дообучают её на своих данных. Это и есть бейзлайн. Затем пробуют улучшения: другую архитектуру, аугментации, подбор гиперпараметров. Каждый эксперимент записывают, чтобы через месяц понять, почему модель стала лучше.
Оценка и разбор ошибок (несколько дней)
Метрика на тестовой выборке говорит не всё. Инженер вручную смотрит, на каких примерах модель ошибается: тёмные фото, редкие классы, опечатки в тексте. По этому списку решают, чего добавить в датасет.
Оптимизация и внедрение (1–2 недели)
Обученную модель сжимают и ускоряют, переводят в формат для сервера, упаковывают в контейнер. Если модель должна работать на камере или телефоне, этот этап становится главным: там мало памяти и нет мощной видеокарты.
Мониторинг и переобучение (постоянно)
После запуска данные меняются: приходят новые товары, другие камеры, свежий сленг. Модель начинает ошибаться чаще, и её переобучают на новых примерах. За эту часть отвечают вместе с MLOps-инженерами и ML-инженерами, которые строят пайплайны переобучения.
Что должен знать и уметь Deep Learning Engineer
Требования в описаниях вакансий повторяются. Математику прямо упоминают 29 описаний из 62, высшее техническое или математическое образование явно требуют 11.
Профессиональные знания
- Математика глубокого обучения: линейная алгебра, производные и градиенты, теория вероятностей. Без них не понять, почему обучение не сходится.
- Python на уровне разработчика: тесты, типы, профилирование, чистый код за пределами ноутбука. База для языка есть в разборе, как стать Python-разработчиком.
- PyTorch и устройство основных архитектур: свёрточные сети, трансформеры, генеративные модели.
- Классическое машинное обучение: метрики, переобучение, валидация, бустинги.
- Инженерная часть: Git, Linux, Docker, основы работы с GPU.
- Английский для чтения статей. Новые методы выходят на английском, переводы появляются с опозданием или не появляются вовсе.
Личные качества
- Терпение к экспериментам, которые не дают результата: из десяти идей срабатывают одна-две.
- Аккуратность в записях. Через месяц без журнала экспериментов невозможно повторить удачный запуск.
- Умение объяснить результат людям без технического образования.
- Привычка сомневаться в хорошей метрике и искать, где модель обманывает проверку.
Неочевидный навык профессии связан с деньгами. Обучение на видеокартах стоит дорого, и инженер, который умеет получить то же качество на меньшей модели, ценится выше того, кто просто запускает самую большую сеть.
Совет. Перед откликом посмотрите, какие задачи описаны в вакансии. Если там дообучение LLM, подтяните трансформеры и Hugging Face. Если детекция на камерах, понадобятся OpenCV и C++.
Плюсы и минусы профессии
Картина по рынку из того же среза: 243 инженерные вакансии по всей России.
Плюсы:
- Высокие зарплаты уже на уровне 1–3 лет опыта: в вакансиях с суммой на руки это 120–250 тысяч рублей.
- Удалёнка доступна: её допускают 106 вакансий из 243.
- Задачи с видимым результатом: модель распознаёт, переводит, ведёт автомобиль.
- Навыки переносятся между отраслями: банк, ритейл, медицина, транспорт.
- Самое массовое направление связано с языковыми моделями: LLM упоминают 24 описания из 62.
Минусы:
- Высокий порог входа: вакансий без опыта 7 из 243, а 149 просят от трёх до шести лет.
- Рынок сосредоточен в двух городах: 218 вакансий из 243 размещены в Москве и Петербурге.
- Много экспериментов заканчивается ничем, и это нормальная часть работы.
- Нужно постоянно учиться: архитектуры обновляются быстрее, чем в большинстве IT-профессий.
- Мало кто доверит новичку дорогие видеокарты, поэтому первые проекты часто учебные.
Профессия подойдёт тем, кто любит математику и готов долго доводить модель до результата. Если хочется быстро собирать продукты на готовых нейросетях, присмотритесь к роли AI-разработчика. А насколько сами нейросети угрожают этой работе, мы оценили в отдельном тесте «Заменит ли AI Deep Learning Engineer».
Сколько зарабатывает Deep Learning Engineer
Из 243 инженерных ML-вакансий сумму на руки указали только 17, ещё 14 работодателей написали сумму до вычета налога, их в расчёт не брали. Середина вилки по этим 17 вакансиям составила 220 000 ₽ на руки.
С опытом 1–3 года предлагают 120–250 тысяч, от шести лет и выше 360–400 тысяч. Вакансия без опыта с суммой нашлась одна: 150 000 ₽ за позицию junior+ в Самаре. Крупные компании вроде Сбера, Авито и X5 Tech суммы в объявлениях обычно не публикуют.
Отдельного разбора зарплат по инженерам глубокого обучения пока нет. Ближайший материал с таблицами по грейдам и сравнением классического ML и LLM лежит в статье о том, сколько зарабатывает дата-сайентист.
Как стать Deep Learning Engineer
В профессию ведут два пути. Первый: вуз по прикладной математике или информатике, где уже на старших курсах есть машинное обучение; какие экзамены нужны для поступления, разобрано в статье что сдавать на ML-инженера. Второй: сначала ML-инженер, потом специализация на нейросетях. Программы по глубокому обучению в каталоге стоят от 19 900 ₽ до 250 000 ₽ и обычно рассчитаны на тех, кто уже пишет на Python.
Полный маршрут от Python до модели в продакшне со сроками по месяцам описан в статье как стать ML-инженером: глубокое обучение там идёт отдельным этапом.
Где учиться на Deep Learning Engineer
В каталоге собраны курсы глубокого обучения с нуля и для тех, кто уже работает с данными: нейросети на Python, компьютерное зрение, NLP и дообучение языковых моделей. Сравните программы по цене, длительности и проектам в портфолио. Курсы, которые прямо готовят к должности, собраны отдельно на странице профессии Deep Learning Engineer.
| Курс | Школа | Стоимость со скидкой | В рассрочку | Длительность | Обзор курса от Checkroi |
|---|---|---|---|---|---|
| Нейросети. Практический курс Перейти на сайт курса | Skillbox | 74 900 ₽ | - | 3 месяца | Обзор курса |
| Специалист по компьютерному зрению дронов и нейросетям Перейти на сайт курса | Skillbox | 102 260 ₽ | - | 8 месяцев | Обзор курса |
| Глубокое обучение Перейти на сайт курса | Нетология | 45 500 ₽ | 2916 ₽/мес. | 2 месяца | Обзор курса |
| Нейросети с нуля Перейти на сайт курса | Merion | 22 880 ₽ | 1507 ₽/мес. | 4 месяца | Обзор курса |
| Deep Learning Engineer Перейти на сайт курса | karpov.courses | 89 000 ₽ | 5204 ₽/мес. | 4 месяца | Обзор курса |
| Нейросети от принципов к практике Перейти на сайт курса | Zerocoder | 39 900 ₽ | 2908 ₽/мес. | 1 месяц | Обзор курса |
| НейроCamp Нейросети: от „А“ до „Я“ Перейти на сайт курса | Zerocoder | 19 900 ₽ | 3538 ₽/мес. | 2 месяца | Обзор курса |
| Курс по нейросетям Перейти на сайт курса | Bonnie & Slide | 59 900 ₽ | 4658 ₽/мес. | 1 месяц | Обзор курса |
| Deep Learning Перейти на сайт курса |  SkillFactory | 46 680 ₽ | 1297 ₽/мес. | 4 месяца | Обзор курса |
| Инженер по глубокому обучению нейросетей Перейти на сайт курса |  Яндекс Практикум | 62 500 ₽ | 3755 ₽/мес. | 4 месяца | Обзор курса |
Больше программ — в полном каталоге курсов по глубокому обучению
Что проверить в программе. Хороший курс даёт доступ к видеокартам для практики и заканчивается проектом, который можно показать на собеседовании. Лекции без своей обученной модели работодателя не убедят.
Главное о профессии Deep Learning Engineer
Инженер глубокого обучения обучает нейросети для изображений, текста, звука и рекомендаций и доводит их до работающего сервиса. В вакансиях эта должность почти не встречается под своим именем: на 2 октября 2026 года название «deep learning» было у трёх объявлений на всю Россию. Ищите её как CV-инженера, NLP-инженера или ML-инженера с нейросетями.
Главный стек по вакансиям: Python, фреймворк для нейросетей, Docker и MLOps-инструменты, плюс математика. Рынок требует опыта: больше половины вакансий, 149 из 243, просят от трёх до шести лет. Поэтому разумный путь в профессию лежит через Data Science или ML-инженерию с постепенным уходом в нейросети, а первые проекты стоит собирать на открытых датасетах и арендованных видеокартах.
