Data Scientist в 2026: меньше Kaggle, больше продакшена

Несколько лет назад в Data Scientist брали за медали Kaggle и красивые ноутбуки. В 2026 акцент сместился: компании обожглись на моделях, которые блестели в ноутбуке и разваливались в продакшене. Теперь спрашивают другое.

Что изменилось в требованиях

Раньше ценили умение выжать лишний процент точности. Сейчас — умение довести модель до пользователя: упаковать, задеплоить, мониторить, переобучать. Дата-сайентист, который не умеет отдать модель в прод, проигрывает тому, кто делает модель попроще, но доводит её до дела.

Отсюда вырос спрос на смежные навыки: Docker, очереди, базовый бэкенд, понимание, как модель встроится в сервис. Граница между Data Scientist и ML Engineer размылась, и вакансии всё чаще ждут гибрид.

Где спотыкаются кандидаты

Типичная ошибка на собеседовании — рассказывать про метрики и архитектуру сети, когда спрашивают про бизнес-эффект. Интервьюер хочет услышать: какую задачу решали, как поняли, что модель помогла, что было после внедрения. Точность без ответа на эти вопросы звучит как самоцель.

Вторая ошибка — портфолио из учебных датасетов. Titanic и MNIST давно не впечатляют. Сильнее смотрится один доведённый до конца проект на реальных, грязных данных с описанием, что не получилось и почему.

Понять текущую вилку поможет медиана зарплат в Data Science/ML по живым вакансиям.

Что делать

Возьмите свою лучшую модель и доведите её до работающего сервиса с API. Один такой проект перевешивает десять ноутбуков. Свежие позиции — в подборке вакансий Data Science.