Ну що, як і обіцяла – розбираємося, що там з AI-вакансіями 👀
У січні 2024 року DOU зафіксував 40 вакансій у категорії AI/ML за місяць.
У липні 2026-го – https://jobs.dou.ua/trends/categories/2026-07/.
Тобто місячна кількість вакансій у категорії за 2,5 роки зросла майже у 5 разів 🔥🔥🔥
Кого саме зараз шукають компанії?
Тут хочу підмітити досить цікаву тенденцію.
Наприклад, у свіжій вакансії https://jobs.dou.ua/companies/web-legends/vacancies/370928/ серед вимог: Python, Machine Learning та Deep Learning, але також LLM, AI Agents, prompt engineering, fine-tuning, LangChain/LlamaIndex, semantic search і vector databases.
А deployment, monitoring, Docker, Kubernetes та MLOps/DevOps теж фігурують у вимогах або як додаткові плюси.
Тобто компанії потрібен спеціаліст, який може перетворити AI на працюючу частину продукту 😁
А у вакансії https://jobs.dou.ua/companies/epam-systems/vacancies/370843/, АІ вже розглядається з іншого боку: як production-система, яку потрібно моніторити, дебажити й оптимізувати.
У вимогах: LLM, RAG, agentic applications, AI observability, distributed tracing, evaluation, latency, throughput, cost per request, hallucination monitoring, guardrails та інші речі, про які ще недавно більшість бізнесу навіть не думала.
Як бачите, під назвою АІ-інженер сьогодні можуть ховатися дуже різні задачі. І людина, яка донавчає моделі, зовсім не обов'язково займається тим самим, що інженер, який будує AI-агента для автоматизації бізнес-процесу.
Я б умовно виділила кілька основних напрямів.
1️⃣ LLM / AI Application Engineer
Це людина, яка будує продукт поверх готової моделі.
Наприклад, бізнес хоче, щоб AI відповідав на питання по тисячах внутрішніх документів.
Питання, на які має знати відповідь цей спеціаліст:
👉🏼 Як правильно розбити документи на фрагменти?
👉🏼 Що робити, якщо потрібна відповідь знаходиться на стику двох chunks?
👉🏼 Як знайти релевантну інформацію, якщо користувач використовує інше формулювання?
👉🏼 Чи потрібен тільки vector search, чи краще додати keyword search і reranking?
👉🏼 Що робити з metadata?
👉🏼 Як не показати користувачу документ, до якого він не має доступу?\
2️⃣ AI Platform / Infrastructure Engineer
Уявіть, що в компанії не один AI-продукт, а десятки.Різні команди використовують різні моделі та провайдерів.
В такі компанії часто наймають AI Platform Engineer, щоб зрозуміти:
👉🏼 Скільки ми взагалі витрачаємо на AI?
👉🏼 Яка команда це витрачає?
👉🏼 Що робити, якщо основний провайдер впав?
👉🏼 Як розподілити трафік між моделями?
👉🏼 Де поставити rate limits?
👉🏼 Як кешувати повторювані запити?
3️⃣ ML Engineer
І так, класичний ML нікуди не зник))
Якщо AI Application Engineer будує систему навколо готової моделі, ML Engineer може працювати вже із самою моделлю.
ML Engineer у 2026 році має розуміти не тільки як навчити модель, а й коли її взагалі варто навчати.
4️⃣ Forward-Deployed / Applied AI Engineer.
Він приходить у конкретний бізнес-процес і розбирається:
👉🏼 Що можна автоматизувати?
👉🏼 Де AI може приймати рішення сам, а де обов'язково потрібна людина?
По суті, всі ці напрями обʼєднує одне: ви маєте не тільки будувати систему, а й доводити, що вона працює.
Але ця складність себе окупує: принаймні, вашу роботу точно не забере АІ)))
Тому саме час навчитися будувати AI-системи 😏
Діліться, що далі розкрити для вас?)
