Рынок труда в AI хаотичен. Один и тот же навык в разных компаниях называют по-разному. Давайте наведем порядок и поймем, какая роль решает какие задачи и в каком порядке их нанимать.  

Data Scientist (Исследователь данных)  

• Классическое определение: Ученый, который добывает insights из данных с помощью статистики и ML.  

• Основной фокус: Анализ, предсказание, объяснение. Построение моделей для прогноза оттока (churn), кластеризации клиентов, A/B-тестов.  

• Типичные задачи: «Предскажи, какие пользователи купят в следующий месяц», «Проанализируй причины падения конверсии», «Построй dashboard с ключевыми метриками».  

• Технический стек: Python (pandas, scikit-learn, statsmodels), SQL, Jupyter Notebooks, иногда — глубже в ML (XGBoost, LightGBM).  

• Сильные стороны: Математика, статистика, исследовательское мышление, визуализация данных.  

• Слабые стороны для LLM-проектов: Часто не имеют глубоких знаний в NLP, инженерии программных систем, работе с GPU, продакшн-деплое.  

• Когда нанимать DS для LLM-проекта? Если вам нужна аналитика поверх данных, которые генерирует или обрабатывает LLM. Например, анализ тональности ответов ассистента, кластеризация запросов пользователей.  

Machine Learning Engineer / AI Engineer (Инженер машинного обучения)  

• Ключевое слово: ИНЖЕНЕР. Это главная роль для внедрения LLM.  

• Основной фокус: Создание, дообучение, развертывание и обслуживание ML-моделей (включая LLM) как части программного продукта.  

• Типичные задачи LLM-MLE:  

  • «Разверни модель Llama 70B на нашем GPU-кластере с latency <2 секунд.»  

  • «Дообучи модель на наших данных с помощью QLoRA.»  

  • «Построй RAG-пайплайн: от S3 до векторной БД.»  

  • «Интегрируй LLM-ассистента в наш чат на сайте.»  

• Технический стек: Python (PyTorch/TensorFlow, Transformers, vLLM, LangChain), Docker/Kubernetes, облачные ML-сервисы, API-дизайн, продакшн-код (не тетрадки).  

• Сильные стороны: Глубокое понимание ML-моделей и инженерные навыки (Software Engineering + ML). Умеет довести прототип до продакшна.  

• В чем отличие от классического MLE? Классический MLE мог работать с рекомендательными системами или компьютерным зрением. LLM-MLE должен глубоко знать архитектуры Transformer, техники NLP, тонкости работы с текстом.  

• Когда нанимать? Всегда, когда ваша цель — работающая, интегрированная AI-система. Это первая техническая роль, которую нужно закрыть.  

Prompt Engineer (Инженер промптов)  

• Самая переоцененная и неправильно понимаемая роль.  

• Что это НЕ: Отдельная магическая профессия, которая решит все проблемы.  

• Что это: Важный навык в арсенале ML Engineer, Product Manager и даже Domain Expert.  

• Основной фокус: Формулировка текстовых инструкций (промптов) для LLM для достижения максимального качества и предсказуемости ответов.  

• Типичные задачи: «Напиши системный промпт для ассистента техподдержки», «Оптимизируй промпт для суммаризации, чтобы он укладывался в 500 токенов», «Протестируй 10 версий промпта и выбери лучшую по качеству.»  

• Технический стек: Понимание работы LLM, методологии тестирования (A/B тесты), иногда Python для автоматизации тестов.  

• Когда имеет смысл нанимать отдельно? Почти никогда на старте. В крупных компаниях (FAANG), где есть десятки LLM-продуктов, может быть централизованная команда prompt-инженеров, которая вырабатывает best practices. Для 99% компаний это функция, а не роль. Ее должен выполнять тот, кто лучше всего понимает и задачу, и модель: ML Engineer.  

• Опасность: Наем «prompt engineer» без глубокого понимания ML и инженерии создаст иллюзию прогресса, но не приведет к продакшн-системе.  

NLP Engineer (Инженер NLP)  

• Узкий специалист внутри спектра MLE. Классический NLP Engineer до эры LLM занимался моделями поменьше: BERT для классификации, NER, машинный перевод.  

• Сейчас: Его экспертиза (токенизация, эмбеддинги, архитектуры внимания) бесценна для LLM-проектов. Фактически, современный ML Engineer для LLM и есть NLP Engineer с расширенными полномочиями.  

• Когда нанимать отдельно? Если у вас очень специфичная NLP-задача помимо LLM (например, высокоточное извлечение сущностей из документов), или если ваш основной ML Engineer слаб в NLP.  

Практическое руководство по найму для стартапа/средней компании:  

Сценарий 1: У нас нет AI-команды, хотим запустить первый проект.  

• Шаг 1: Нанять/назначить сильного Product Manager, который сформулирует задачу.  

• Шаг 2: Нанять одного сильного Machine Learning / AI Engineer. В его требованиях должны быть: опыт с Transformers, Python, облаками, желание работать с продакшном. В его обязанности будет входить и промпт-инжиниринг, и прототипирование, и часть ML Ops.  

• Шаг 3: Привлечь внутреннего Domain Expert (юриста, инженера, маркетолога).  

Сценарий 2: У нас есть команда Data Scientists, хотим перейти к LLM.  

• Шаг 1: Оцените, есть ли среди DS те, кто имеет инженерный бэкграунд и интерес к NLP. Возможно, одного можно «конвертировать» в ML Engineer, отправив на курсы.  

• Шаг 2: Нанять ML Ops Engineer, чтобы закрыть слабое звено — продакшн.  

• Шаг 3: Нанять Senior ML Engineer с опытом в LLM/NLP в качестве тимлида направления.  

Что писать в вакансии?  

• НЕ: «Ищем Prompt Engineer».  

• ДА: «Ищем Machine Learning / AI Engineer (фокус на LLM и NLP)».  

• Ключевые требования: Опыт работы с фреймворками (PyTorch, Transformers), понимание архитектуры Transformer, опыт fine-tuning'а моделей, знание современных LLM (Llama, GPT), опыт развертывания ML-моделей в продакшн (Docker, API), умение писать чистый, поддерживаемый код.  

• Тестовое задание: Не просите «написать промпт». Дайте задачу: «Есть датасет чатов. Сделай прототип RAG-системы, которая отвечает на вопросы по этим чатам. Разверни его как простой REST API. Объясни свой выбор моделей и метрики оценки.»  

Вывод:    
Не гонитесь за модными названиями. Core-роль для воплощения LLM-проекта в жизнь — это Machine Learning (AI) Engineer. Prompt-инжиниринг — его инструмент. Data Scientist — это смежная, но иная профессия, больше про анализ. Собирайте команду вокруг сильного ML Engineer, давайте ему доступ к экспертам предметной области и инженерам данных — и у вас будет все необходимое для успеха.