Последние полгода ловлю море статей о том, как направление AI будто бы стремительно растёт, специалистов нужно огромное количество, и платят много и без лишних вопросов. Долго думал, как можно проверить все эти заявления не через абстрактные «экспертные мнения», а на реальных и доступных каждому данных.
В итоге словил простую эврику: «Почему бы просто не залезть на HH и не посмотреть, кого действительно ищут и в каком количестве?»
Спустя пару недель сбора и разметки данных я готов показать небольшое исследование отечественного рынка вакансий, связанного с искусственным интеллектом.
Первая и самая непростая задача заключалась в том, что на HH нет единой категории или направления, позволяющего сразу собрать всех специалистов абстрактного «ИИ-направления».
Покопавшись в документации, выяснил, что на HH можно составлять сложные поисковые запросы, используя стандартные булевы операторы AND и OR. Немного поэкспериментировав с комбинациями ключевых слов и вариациями названий ролей в сфере ИИ, я собрал «монстр-запрос», который, на мой взгляд, должен был охватить максимальный набор релевантных вакансий:
«внедрение ИИ» OR «AI integration» OR «AI внедрение» OR «AI engineer» OR «AI разработчик» OR «инженер по ИИ» OR «LLM» OR «GPT» OR «языковые модели» OR «RAG» OR «retrieval augmented generation» OR «нейросети» OR «интеграция нейросетей» OR «машинное обучение» OR «ML» OR «ML разработчик» OR «автоматизация ИИ» OR «AI автоматизация» OR «AI solutions» OR «AI решения» OR «AI consultant» OR «консультант по ИИ»
Убрав фильтры по городу и другим сужающим выборку параметрам и добавив сортировку по дате (фильтр «По соответствию» так и остался для меня загадкой), я в итоге получил 697 вакансий для дальнейшего анализа.
В таком подходе я увидел ещё один плюс: теперь могу периодически прогонять этот же запрос на HH и без всяких статей, аналитиков и демагогов проверять, насколько направление реально растёт или сжимается. Если в индустрии не появятся новые ключевые термины, которые радикально поменяют картину поиска, — метод вполне рабочий и ему можно доверять.
В целом выборка получилась достаточно объёмной, чтобы ответить на базовые вопросы:
• Какие направления существуют внутри сферы ИИ.
• Где географически сосредоточены эти специалисты (вдруг у нас растёт новый перспективный AI-хаб в Сызрани, о котором я по своей дремучести даже не слышал).
• Какой минимальный опыт требуют работодатели (направление молодое, но в душе всё ещё свежи воспоминания о временах, когда от Go-разработчиков требовали шесть лет опыта, хотя языку едва исполнилось три).
• Заработные платы — пусть их указывают далеко не все, но даже по частичной выборке можно хотя бы прикинуть «температуру по больнице».
Отдельно решил для себя — стоит понять, какие технологии, языки, библиотеки и навыки сейчас наиболее востребованы в инженерной части ИИ. Если вдруг соберусь с головой погружаться в эту сферу, я хочу заранее понимать, что от меня будут ждать большинство работодателей.
Итак, с методами определились — пора переходить к сбору и обработке данных. Первым делом нужно было собрать всю подборку вакансий в одном месте. Не стал изобретать велосипед и просто выгрузил всё, что выдавал HH, в Excel. Забрал текст вакансии, требования, описание и ссылку — на случай, если позже понадобится свериться с оригиналом.
Дальше — лёгкая чистка: удалил случайных «залётчиков» (никаких AI-сантехников и LLM-таксистов) и убрал дубли — повторные публикации одной и той же вакансии, которые работодатели выкладывают с интервалами, чтобы не потеряться на рынке.
После этого из сырых данных я вытащил (частично вручную, частично через AI и скрипты) информацию о локации, минимальном требуемом опыте, зарплате (если была указана), а также распарсил ключевые навыки и технологии в отдельный столбец.
Самое занятное началось, когда я сел распределять вакансии по направлениям. Часть разлетелась по группам легко — когда заголовок, описание и стек совпадали. Но были и такие, где понять, что именно хочет работодатель, было практически невозможно: то ли они ищут ML-разработчика, то ли DevOps-мага, то ли человека, который в одиночку соберёт им весь стек из «всё и сразу».
Сначала я разметил каждую вакансию по направлению, но быстро понял, что получилось больше двадцати категорий, и половину из них занимала одна-единственная вакансия. Поэтому я добавил ещё один уровень — укрупнённые категории, куда сжал цифровой зоопарк примерно до девяти основных направлений (AI-разработка, Data Science, ML-разработка и т.д.).
В итоге после чистки и разметки осталось 583 вакансии, и каждая содержала следующий набор столбцов:
Теперь, когда всё это превратилось во что-то умеренно удобоваримое, можно переходить к агрегированию и визуализации этого увлекательного зоопарка. Посмотрим, как обстоят дела на нашем отечественном ИИ-поприще.
Анализ данных и мои результаты:
Для начала разберёмся, какие направления вообще присутствуют в выборке, насколько они численно представлены и кого именно сейчас ищут работодатели.
Первое, что бросается в глаза, — насколько сильный перекос идёт в сторону двух основных направлений: ML-разработка (51%) и AI-разработка (24%). В целом это звучит логично:
ML-разработчик создаёт и обучает модели, подстраивает процессы машинного обучения «под задачу».
AI-разработчик работает уже с готовыми моделями и инструментами, создавая прикладные решения и внедряя ИИ в продукт.
Честно говоря, до начала исследования я не очень представлял, насколько много ML-специалистов требуется на рынке. Казалось, что это больше научно-исследовательская или околонаучная деятельность. По итогу оказалось, что именно это направление сейчас самое массовое. То есть обучение, оптимизация и настройка моделей — это то, что доминирует на рынке труда сегодня.
Внедрение же занимает четверть выборки, но пока не выглядит как «золотое» направление или что-то сверхвостребованное. Возможно, ситуация изменится — время покажет.
На третьем месте — Data Science, что тоже вполне логично: сами модели данные не принесут, а данных для нормального обучения нужно много, и желательно хорошего качества.
Из любопытного: при разделении вакансий по направлениям неожиданно всплыл довольно существенный запрос на специалистов, которые будут обучать других работе с AI (примерно 5% от общей массы). И при этом — пугающе низкий уровень зарплат. Среди тех вакансий, где оклад был указан, максимум составил 90 тысяч в Петербурге, а в регионах чаще встречались 40–50 тысяч. Контраст со всеми остальными категориями очень резкий.
Блок с распределением по регионам и типу занятости сюрпризов не принёс и никакой новой «силиконовой долины» в пределах СНГ не открыл:
В лидерах — работодатели, которые не привязывают сотрудников к офису и позволяют работать откуда удобно: удалёнка занимает 34% всех вакансий. Далее идёт Москва с примерно четвертью рынка и Петербург с 9%.
Из зарубежных работодателей встречаются предложения из Минска, Ташкента, Кипра и Астаны. Так что если уровень английского не слишком уверенный, но хочется попробовать «за границей», — варианты ближнего зарубежья тоже присутствуют.
Теперь к опыту и зарплатам. Несмотря на ощущение, что ИИ «появился совсем недавно», средний минимальный опыт, указанный в вакансиях, составил 2,5 года. То есть работодатели чаще всего хотят видеть человека, который уже успел поработать в индустрии, а не новичка «с нуля». При этом самые высокие требования по опыту (до 6 лет) чаще всего встречаются именно в ML-направлении. Возможно, это объясняется тем, что классическое машинное обучение в России развивается уже давно и там действительно востребованы более опытные специалисты.
По зарплатам я не стал делать разбивку по каждому направлению, а собрал общее среднее. Перед этим убрал явные выбросы — как слишком высокие, так и слишком низкие значения — и получил 178 103 рубля. Звучит вполне справедливо для IT-рынка в среднем, с учётом вакансий от уровня джуна до сеньора.
Поскольку занимаюсь всем этим в свободное время (которого у меня не так много), я решил не составлять стеки технологий для всех направлений, а сосредоточиться на самом интересном для себя блоке — AI инженерии.
Ниже — визуализация наиболее частых технологий и инструментов, встречающихся в 139 вакансиях, относящихся к AI Engineering направлению. Это то, что работодатели хотят видеть (с моими короткими комментариями по самым крупным направлениям — что это и почему оно так часто появляется):
Python, SQL и Docker оказались вполне ожидаемыми лидерами, но вместе с ними всплыло немало библиотек и фреймворков, о которых я раньше даже не слышал. Это оказалось и полезно, и любопытно — отличный повод покопать глубже и понять, что это за инструменты и где они применяются.
Вывод:
Не могу сказать, что потратил время зря. Рад, что теперь смотрю на рынок AI в России чуть более целостно. Основная разбивка по направлениям оказалась неожиданной, а вот зарплаты и география — без сюрпризов.
Буду рад отзывам, советам и комментариям — особенно по поисковому запросу (вполне допускаю, что мог упустить важные ключевые слова). Если вы, как и я, пытаетесь найти своё место в мире и постепенно исследуете сферу ИИ — пишите в комментарии или в личку, с удовольствием пообщаюсь или поработаю вместе.
Спасибо за внимание!
Источник: habr.com
