Начался новый год и я решил разобраться как выглядит ситуация с рынком найма в IT. Здесь будет прописана методология исследования и как получены данные цифры.

HeadHunter

С помощью поиска с фильтрами я прошелся по выделенным категориям. К каждому запросу прикрепил ссылку, где можно ознакомиться с использованными фильтрами.

ClassicML

• Запрос ML Engineer
• Запрос Data Scientist
• Запрос Data Scientist ML Engineer

Стоит обратить внимание, что вакансии называются либо ML инженер, либо Data Scientist. Поэтому использовал 3 запроса. Два по каждому названию исключая другое, а третий учитывающий оба варианта

CV

• Запрос CV компьютерное зрение

CV - это еще и резюме, поэтому запрос с уточнением

NLP

• Запрос NLP

C NLP все чуть сложнее, так как часто в классическом ML используется NLP для получения эмбеддингов и кандидат должен иметь представление об их создании, поэтому эти вакансии отношу скорее к classic ML.

Вы можете подумать, что из-за этого я мог исключить часть вакансий по классическому ML, когда поставил фильтр по NLP, это так)
Пока писал текст проверил - там некритичное количество вакансий.

RecSys

• Запрос рекомендательные системы ML

Тут еще можно выделить направление поиска, но это все же чуть смежная область

GET MATCH / Хабр Карьера / ODS / singularis

Тут все просто. Я все ваканасии перебрал руками:) Не добавлял MLOps и TeamLead.

Погрешности анализа

• Некоторые компании на hh вывешивают одну общую ванасию, а по факту их больше
• Мои фильтры на hh могли не учесть все вакансии или наоборот добавить лишние, поэтому цифры весьма условные, но дающие понять картину в целом
• ODS / singularis не показывают статус вакансий, поэтому там брал вакансии за последние 4 недели
• Часть вакансий выкладывается во все источники, поэтому в разных сервисах они дублируются и реальная картина чуть другая

Статья написана в дополнении к посту в моем канале.

Раскатываем ML кабины