Machine Learning в школе Нетология

Machine Learning в Узбекистане: почему эта профессия обгоняет рынок труда

Ещё пять лет назад Machine Learning в Узбекистане выглядел как университетская дисциплина без практического применения. Сегодня на моделях машинного обучения строят кредитный скоринг банки, телеком-операторы прогнозируют отток абонентов, а IT-компании Ташкента пишут модели на экспорт для зарубежных заказчиков. Специалистов с реальным портфолио на рынке заметно меньше, чем открытых вакансий — и это создаёт редкое для местного IT-рынка окно возможностей.

Кто в Узбекистане нанимает специалистов по машинному обучению

Спрос делится на три лагеря. Банки — например, Ipoteka Bank, который с 2023 года работает в составе венгерской OTP Group, — строят на этих данных модели кредитного скоринга и антифрод-системы: в вакансиях так и пишут «специалист по кредитным рискам» рядом с «data scientist». Аутсорсинговые компании вроде Andersen или ISsoft закрывают позиции ML Engineer для зарубежных заказчиков: код пишется в Ташкенте, а продукт использует клиент из Европы или США. Телеком и ритейл нанимают реже, но точечно — под конкретную задачу вроде прогноза спроса или сегментации клиентов.

Спрос на рынке труда

По данным агрегатора вакансий ГородРабот.uz, в Ташкенте одновременно открыто около 109 вакансий по запросу «machine learning developer», с зарплатной вилкой от 4 до 50 млн сум в месяц и средней около 23 млн сум. По всей стране подобных вакансий уже свыше 1 100 — часть закрывают удалённо специалисты из регионов, а не только из Ташкента. Если смотреть на IT-рынок Узбекистана в целом по итогам 2026 года, ближайшая по смыслу официальная категория hh.uz — «BI-аналитик, аналитик данных» — показала один из самых быстрых темпов роста среди всех IT-профессий: плюс 102% вакансий год к году, с медианной зарплатой около 5,8 млн сум в месяц. Диапазон широкий, потому что в выборку попадают позиции разного уровня — от начинающих аналитиков до senior data scientist.

Что учить в первую очередь

Порядок такой: Python как основной язык, статистика и линейная алгебра как база, затем классические алгоритмы — регрессии, деревья решений, градиентный бустинг. Нейросети и библиотеки вроде TensorFlow и PyTorch имеет смысл трогать только после того, как разобрались, почему вообще работает более простая модель. Отдельно пригодится SQL: модель бесполезна, если не умеешь готовить для неё выборку, — и на этом шаге многие новички теряют интерес раньше, чем добираются до нейросетей. В отличие от многих технических профессий на местном рынке, здесь английский почти обязателен: свежие статьи, документация фреймворков и курсы по NLP выходят в первую очередь на английском, а ждать перевода — терять минимум год.

Специализации внутри профессии

• Data Scientist — строит и проверяет гипотезы, ищет закономерности в цифрах, отвечает за качество модели
• ML Engineer — доводит модель до продакшена и следит, чтобы она не деградировала со временем
• NLP-инженер — отдельно растущий сегмент: судя по вакансиям, спрос на обработку текста и речи в Узбекистане особенно заметен у аутсорсинговых компаний

Государство тоже делает ставку на ИИ

По данным IT Park Uzbekistan, в начале 2026 года в стране было открыто около 500 вакансий, связанных с искусственным интеллектом, и спрос продолжает расти вслед за финтехом и телеком-сектором. Ключевые компетенции, которые ищут работодатели, — Python, статистика и алгоритмы машинного обучения, опыт с TensorFlow и PyTorch, работа с большими массивами информации и понимание нейросетей. Это ровно тот набор навыков, который закрывают качественные курсы по Machine Learning, если совмещать их с самостоятельной практикой на реальных наборах данных.

Порог входа в Machine Learning выше, чем в веб-разработку или тестирование, — это не профессия для быстрого старта за три месяца. Но именно поэтому конкуренция за вакансии здесь ниже, чем шумиха вокруг темы могла бы предположить: банкам и аутсорсерам Узбекистана нужны не сертификаты, а рабочие модели в портфолио на GitHub. Если тема данных вам близка, но замахиваться сразу на нейросети страшно, — можно начать с анализа данных, а к машинному обучению прийти уже на второй итерации.