Fizetesek.com LogoFizetesek.com

Gépi tanulás / Mélytanulás mérnök (3-5 év tapasztalattal)

Pozíció a Technológia szektorban

Adatmérnök (3-5 év tapasztalattal)BI fejlesztő (3-5 év tapasztalattal)

💰 Fizetési adatok (2026)

Mennyit keres egy Gépi tanulás / Mélytanulás mérnök (3-5 év tapasztalattal)?

Egy középszintű gépi tanulás és mélytanulás mérnök jövedelme a technológiai szektorban általában versenyképes, dinamikusan növekvő és lehetővé teszi a gyors szakmai előrelépést. A fizetés nagymértékben függ a tapasztalattól, a munkavégzés helyétől és a cég típusától - startup, scale-up vagy multinacionális vállalat más kompenzációs struktúrát kínálhat. A 3–5 év tapasztalattal rendelkező Gépi tanulás / Mélytanulás mérnökök jellemzően a középszintű bérsávban mozognak, ahol a technikai készségek, a projektvezetési szerep és a keretrendszerekben szerzett gyakorlat jelentősen befolyásolja a kompenzációt. A pontos piaci bérsávok - minimum, átlag és maximum értékek - az alábbi táblázatban találhatók, hogy gyorsan áttekinthető legyen a várható jövedelem. Szakmai, tárgyilagos leírásunk mellé gyakorlati tanácsokat és tárgyalási pontokat is adunk, hogy magabiztosan lépj fel a bérmegállapodás során.

Minimum Bruttó

1 400 000 Ft

Medián Bruttó

1 500 000 Ft

Maximum Bruttó

1 800 000 Ft

*Bruttó havi fizetések forintban+365% a minimálbér felett

📋 A Gépi tanulás / Mélytanulás mérnök (3-5 év tapasztalattal) pozíció összefoglalója

A pozíció általános leírása és lényeges információi
Ez a pozíció a Technológia szektorban, a Kutatás és Fejlesztés részlege keretében kínál lehetőséget a gépi tanulás és mélytanulás mérnök szerepének betöltésére, ahol 3-5 év szakmai tapasztalat szükséges. Az ideális jelöltnek komplex gépi tanulási és mélytanulási modellek tervezése, fejlesztése, optimalizálása mellett az adatok előkészítésében, elemzésében és a tanulási folyamatok monitorozásában kell jártasnak lennie.
A pozíció fő feladatai közé tartozik:

  • Modellfejlesztés és finomhangolás: innovatív, versenyképes megoldások kidolgozása és a projektdokumentáció precíz vezetése.
  • Csapatmunka és vezetés: a Kutatás és Fejlesztés vezetőjének jelentés, és szükség esetén egy kisebb fejlesztőcsoport koordinálása.
    A pozíció betöltéséhez elengedhetetlen az erős analitikus gondolkodás, kiváló problémamegoldás, precizitás, valamint a modern programozási nyelvek (Python, C++) és mélytanulási keretrendszerek (TensorFlow, PyTorch) alapos ismerete.
    A versenyképes juttatási csomag bruttó 1 400 000 Ft és 1 800 000 Ft közötti havi fizetéssel, bónuszrendszerrel és szakmai támogatással jár.
    A karrierút a Junior pozíciótól indulva lehetőséget ad a Gépi tanulás / Mélytanulás mérnök szerepe mellett a Senior mérnöki, műszaki vezetői, szakmai vezetői, illetve kutatásban és innovációban jeleskedő szakértői pozíciók elérésére.
    Ez a szerepkör ideális azok számára, akik szakmai fejlődésre törekednek egy dinamikus és innovatív környezetben, miközben nemzetközi tapasztalatokat is szerezhetnek rövidtávú utazások során.

📅 Egy nap a Gépi tanulás / Mélytanulás mérnök (3-5 év tapasztalattal) életében

Egy nap a pozícióban

Nagy Dániel, gépi tanulás / mélytanulás mérnök a Kutatás és Fejlesztés részlegen, reggel hatkor ébred Budapesten. A megszokott rutin: erős kávé, gyors zuhany, majd egy rövid szemrevételezés a távoli szerverek állapotáról a telefonján - a dashboardon a modellek pontossága és a CI-build státusza villog. Átismétli a napi teendőket a jegyzetében, és még otthonról válaszol pár sürgős e-mailre, mielőtt beindulna a busz és villamos felváltva.

Délelőtt a fókusz a fejlesztésen van. Dániel beállít egy új adatcsővezési lépést, ahol a nyers logokat tisztítja és kiegészíti annotációval; Python-szkriptek és egy kis C++ modul fut párhuzamosan a perf-optimalizáció miatt. Tart egy rövid standupot a kisebb fejlesztőcsoportjával: leosztják a kísérleteket, megbeszélik a hyperparaméterek változtatását PyTorch-ban, és egyeztetnek a kutatókkal a prototípus validációjáról. Dániel dokumentálja a mérési beállításokat és frissíti a projekt-tervet, mert a pontosság és a késleltetés mutatói ma is értékelési szempontok.

A csúcsidőszak délután kezdődik: hirtelen drift-riasztás a produkciós modellnél, egy külső partner szabályozási kérdése, és egy váratlan nagyobb adatbetöltés terheli a pipeline-t. Dánielnek gyors döntéseket kell hoznia - rollback vagy gyors patch? Pár rövid egyeztetés, prioritásátrendezés és egy ideiglenes adatfilter után megnyugszanak a metrikák. Közben motiválja a csapatot, kioszt feladatokat és elküld egy vészforgatókönyvet a vezetőnek.

A nap zárása békésebb: commitol a repóba, összefoglalót küld a Kutatás és Fejlesztés vezetőjének a nap eredményeiről és a nyitott kockázatokról, lefoglalja a részvételt a jövő heti konferenciára, és még egy rövid tervezőlistát ír holnapra. Hazafelé gondolatban átnézi a notebookban maradt ötleteket - otthon egy egyszerű vacsora és egy könyv segít újratölteni a fejét egy következő, kódokkal és kísérletekkel teli naphoz.

❓ Gyakori Kérdések

Milyen technológiai stackkel és üzemeltetési környezettel dolgozik a Gépi tanulás / Mélytanulás mérnök a cégnél?

A munkaköri leírás szerint a mérnöknek napi szinten Python és C++ ismeretekre, valamint modern mélytanulási keretrendszerekre (TensorFlow, PyTorch) van szüksége, tehát modellek fejlesztése és kísérleti prototípusok készítése itt alapelvárás. A gyakorlatban ez tipikusan együtt jár konténerizációval (pl. Docker), CI/CD pipeline-okkal és GPU-alapú fejlesztői környezettel a gyors iteráció érdekében. A leírás nem részletezi a felhő- vagy on-prem üzemeltetést; feltételezhető, hogy iparági szokás szerint vagy hibrid környezet (on‑prem GPU szerverek + AWS/GCP) áll rendelkezésre, de ez a cégspecifikus döntés tárgya. A telepítéshez és monitoringhoz előfordulhatnak kiegészítő eszközök (pl. Kubernetes, modell-monitoring megoldások), ezt a csapat határozza meg projektenként.

Mit jelent a vezetőnek történő riportálás és a kisebb fejlesztőcsoport irányítása a Gépi tanulás / Mélytanulás mérnök szerepében?

A pozíció leírása szerint a mérnök közvetlenül a Kutatás és Fejlesztés vezetőjének jelent, ami azt jelenti, hogy a mérföldkövekről, kockázatokról és eredményekről rendszeres, technikai tartalmú beszámolók várhatók. Kisebb fejlesztőcsoportok koordinálása gyakran magában foglalja feladatkiosztást, kód- és kísérlet-áttekintést, valamint mentorálást junior kollégák felé; ezek időszakos vezetői feladatokként jelennek meg. A leírás nem ad pontos számot az alárendelt munkatársakra, de iparági tapasztalat alapján 1–4 fős csapatok vezetése a tipikus, és ez feltételezésként kezelendő. Fontos, hogy a vezetői részfeladatok mellett várják a műszaki szerepvállalást is, tehát a hands-on munkavégzés rendszeres.

Mekkora utazási és konferencia részvételi elvárásai vannak a Gépi tanulás / Mélytanulás mérnök pozíciónak, és ez befolyásolja-e a munkaidőt?

A leírás egyértelműen jelzi, hogy a pozíció rendszeres részvételt igényel szakmai konferenciákon és partneri egyeztetéseken, továbbá alkalmanként rövid nemzetközi utazásokat is magában foglal, tehát a munkavállalónak számolnia kell rendezvényeken való megjelenéssel. A munkavégzés elsősorban Budapesten történik, de konferenciák és partnertalálkozók miatt évi néhány külföldi út várható; a pontos gyakoriság nincs megadva, ez cégenként változó (feltételezés: néhány alkalom/év). A munkaidő rugalmas, ugyanakkor a határidők és projektszumok miatt időszakos túlóra előfordulhat, különösen konferenciák előtti-demonstrációs időszakokban. A részvétel szakmai fejlődési lehetőségként is értendő, mivel a cég támogatja a konferenciákon való megjelenést.

Hogyan mérik és értékelik a Gépi tanulás / Mélytanulás mérnök teljesítményét a projektekben?

A munkaköri leírás alapján a teljesítmény mérőszámai között szerepelnek a fejlesztett modellek pontossága és hatékonysága, valamint a projekt határidők betartása, tehát mind kvantitatív modellmetrikák, mind projektmenedzsment szempontok számítanak. A gyakorlatban ez általában benchmark tesztek, valós adatokon végzett értékelések, teljesítményprofilok és a meghatározott mérföldkövek teljesülése alapján történik. Emellett elvárt a rendszeres adatalapú eredmény-elemzés, minőségbiztosítás és a kísérletek reprodukálhatóságának dokumentálása, melyek mind befolyásolják az értékelést. Ha a részletek hiányoznak, tipikus mérési gyakorlatként projektenként meghatározott KPI-ket és kód-/kísérlet-áttekintést feltételezünk.

Milyen elvárások vannak az adatok előkészítése, dokumentálása és a kísérleti reprodukálhatóság terén a Gépi tanulás / Mélytanulás mérnök pozícióban?

A pozíció részeként várják az adatok előkészítését és elemzését, valamint a projekt dokumentációjának és a mérési, tesztelési folyamatok precíz nyilvántartását, tehát magas szintű reprodukálhatóság és traceability szükséges. Ez magában foglalja a kísérleti beállítások, hyperparaméterek és adat-verziók rögzítését, valamint részletes eredmény- és hibajegyzőkönyveket, amelyek alapján a prototípusok validálhatók. A leírás nem sorol fel konkrét eszközöket; iparági gyakorlatként eszközök mint MLflow/DVC/experiment tracking használata jellemző lehet, de ez feltételezés és csapatonként változhat. Emellett fontos a GDPR és egyéb adatvédelmi elvárások betartása, különösen ha partneri adatokon dolgoznak.

📋 Adatok Hitelessége

Forrás: Hays Salary Guide, NAV, Független Munkáltatói Bérfelmérés
Adatgyűjtés: Több ezer munkáltatói bérfelmérés alapján
Utolsó frissítés: 2025. december 15.
Kiadó: Fizetesek.com Szerkesztőség