Senior ML Evaluation Engineer может рассчитывать на доход в диапазоне $5–10 тыс. в месяц, а переход в ML-разработку — на $8–15 тыс. вне США. Для российского QA-рынка, где вакансии сокращаются быстрее мирового тренда, это не просто разговор о зарплатах, а возможный маршрут ухода из профессии с всё более тесным потолком.
Об этом сообщает Habr / Карьера со ссылкой на опыт специалистки, прошедшей последовательность ролей от manual QA до ML Engineer. В её карьерной схеме классическое тестирование сменяется автоматизацией, затем управлением качеством, AI QA, оценкой ML-моделей и, наконец, разработкой самих моделей. Автор подчёркивает: указанные вилки относятся к senior-позициям и к рынку за пределами США; воспринимать их как ориентир для российских офферов было бы слишком смело.
Главная мысль истории не в том, что каждому тестировщику срочно нужен диплом по машинному обучению. Она в другом: тестирование ИИ становится промежуточной специальностью между QA и ML-разработкой. На позиции ML Evaluation Engineer человек не только составляет тест-кейсы и ищет дефекты. Ему приходится разбираться в поведении моделей, выбирать и интерпретировать метрики, писать код, собирать пайплайны проверки и понимать, почему модель ошибается. Это уже заметно ближе к инженерной работе с ML, чем к привычному тестированию веб-форм.
Такой переход выглядит короче, чем классический маршрут из QA в backend- или frontend-разработку. У тестировщика, который проверяет модели, постепенно появляется практический опыт работы с данными, экспериментами и качеством результатов. Дальше нужно двигаться от наблюдения за системой к пониманию её внутренней логики: какие подходы применимы к задаче, какие компромиссы дают разные реализации и как устроен весь цикл разработки модели. Именно этот «белый ящик», по словам автора, становится главным новым слоем компетенций.
В её собственном опыте каждый карьерный переход приносил прибавку примерно на 30–50% и более сложные задачи. Но это не универсальная формула роста: здесь смешиваются рынок, уровень специалиста, страна найма и способность брать на себя инженерную ответственность. Даже сама автор оговаривается, что путь зависит от исходного бэкграунда и не обходится без математики. Вакансия с названием AI QA ещё не делает человека ML-инженером, как наличие pytest не превращает любой проект в зрелую систему качества.
Для российских QA-специалистов история важна прежде всего как сигнал о перераспределении спроса. Ручное тестирование остаётся нужным, особенно в сложных продуктах и регулируемых отраслях, но число ролей, где достаточно проверять интерфейс по чек-листу, давят автоматизация, стандартизация и конкуренция. При этом компаниям, внедряющим генеративные модели и другие ML-сервисы, нужны люди, способные проверять не только техническую исправность продукта, но и качество, устойчивость и предсказуемость ответов модели.
Это меняет и набор задач для команд. У ИИ нет привычной бинарной логики «работает» или «не работает»: два корректно обработанных запроса могут дать ответы разного качества. Поэтому оценка модели требует заранее определить метрики, наборы сценариев и допустимые границы ошибок. Нужны проверки на воспроизводимость, регрессии, нежелательные ответы, провалы на отдельных типах входных данных. В такой работе тестировщик приносит свою сильную сторону — дисциплину проверки и привычку искать крайние случаи, — но должен дополнить её кодом, статистическим мышлением и пониманием ML-пайплайнов.
Для работодателей это повод не сводить AI QA к переименованной позиции ручного тестировщика. Если от человека ждут оценки моделей, проектирования наборов проверок и работы с данными, ему нужны доступ к инженерным инструментам, время на эксперименты и понятные критерии качества. Иначе команда получит красивый титул в вакансии, но не сможет ответить на базовый вопрос: стала ли модель после очередного изменения действительно лучше.
Практический вывод для QA-инженера довольно приземлённый: полезно начинать не с обещаний «войти в ИИ», а с навыков, которые переносятся между ролями. Это программирование для автоматизации и анализа данных, основы вероятности и статистики, понимание метрик, работа с ML-пайплайнами и способность формулировать проверяемые критерии качества. Следующий дефицит на рынке может оказаться не в людях, умеющих запускать модель по API, а в тех, кто способен доказать, что она пригодна для продукта. Именно здесь роль ML Evaluation Engineer может стать для сильных тестировщиков не модной вывеской, а рабочим мостом в ML-инженерию.
