Як знайти, втримати та мотивувати співробітників?

У третьому кварталі 2026 року оборонні компанії опублікували на DOU 3942 вакансії. Це близько 20% усіх пропозицій на платформі і рекорд за всі роки. Для hardware-фахівців показник теж рекордний: 704 вакансії за квартал, а на одну вакансію embedded-розробника в середньому припадає 4,6 відгуку (DOU, III квартал 2026). Компанії, які шукають «готового» інженера методами класичного IT, витрачають на це місяці. У статті зібрані дані ринку, цифри з нашого вебінару «Навчати чи наймати» з Мартою Хрип'як, HR Director Lira Engineering, і критерії, за якими варто вирішувати: шукати людину на ринку чи виростити її.

Скільки інженерів бракує Defence Tech у 2026 році

Попит на інженерів в оборонці росте швидше, ніж ринок встигає готувати людей. У 2025 році deftech-вакансій було в 2,6 раза більше, ніж у 2024-му. За перше півріччя 2026 року їх опублікували більше, ніж за весь 2025 рік. Кількість вакансій для hardware-фахівців з 2024 року зросла більш ніж ушестеро.

Наймати далі планують усі. У дослідженні Української ради зброярів і CORE Team усі 27 опитаних виробників збираються шукати людей найближчі 6–12 місяців, а майже половина називає найдефіцитнішими інженерів-конструкторів та інженерів з електроніки (AIN). Конструкторів шукають 67% виробників.

Найважче закрити ролі на стику заліза і коду:

• Embedded
• Firmware
• FPGA
• RF/EW
• конструктори
• інженери з електроніки

Частка embedded-вакансій в оборонці в 6–7 разів вища, ніж в IT (DOU). При цьому бракує не лише стеку. Як підкреслювала на вебінарі Марта Хрип'як-Стеценко, компаніям не вистачає інженерного мислення: уміння ухвалювати рішення в умовах невизначеності й відповідати за продукт.

Скільки триває пошук інженера в defence tech

Звичайну технічну роль в оборонці закривають за 1–2 місяці, критичну інженерну за 3–6 місяців і довше. Такі терміни Марта Хрип'як-Стеценко навела на вебінарі «Навчати чи наймати»:

Кілька цифр, які пояснюють, чому все так довго:

• 200–400 контактів потрібно, щоб зібрати якісний шорт-лист на інженерну роль. Це у 2–3 рази більше, ніж на інших позиціях.
• На 31% довше закриваються вакансії в мілтеху порівняно з IT, а шлях від першого контакту до згоди на офер довший на 42%.
• 7 з 10 вакансій закривають кандидатом, якого знайшли в перші 10 днів пошуку.

Остання цифра найпрактичніша. Якщо за два тижні у воронці немає жодного близького кандидата, проблема, найімовірніше, у профілі вакансії. Продовжувати пошук з тими самими вимогами означає втрачати ще місяці.

Навіть коли кандидата знайдено, найм часто зривається на фініші. Серед типових причин: контрофер, безпекові перевірки, невизначеність із бронюванням, формат роботи, знижена ставка на випробувальний термін, зміна обов'язків або етапів у процесі і повільне рішення самої компанії.

Пошук «єдинорога»: чому ідеальний кандидат існує в одиницях

Більшість вакансій, які не закриваються місяцями, вимагають від однієї людини поєднання кількох рідкісних навичок. Кожну з них окремо на ринку знайти можна. Разом майже ніколи.

«Окремо знайти Senior Embedded — в принципі реально. Окремо знайти людину з досвідом у БПЛА — реально. Окремо знайти людину, яка знає англійську на рівні B2-C1 — реально. Але знайти сеньйора з досвідом БПЛА, з сильним системним дизайном, з англійською мовою і, наприклад, з готовністю працювати в мілтеху... це вже одиниці на всю країну».

Марта Хрип'як-Стеценко, HR Director, Lira Engineering

Перетин вимог лише одна з причин. Спікерка вебінару виділила ще кілька:

1. Малий і невидимий пул. Частина сильних інженерів «старої школи» працювала на промислових підприємствах, у НДІ, у радіоелектроніці. Профілю в LinkedIn у них часто немає, резюме на job-сайтах вони роками не оновлюють, тож сорсинг під IT їх просто не бачить.
2. Частина людей служить або перебуває за кордоном.
3. Пасивний ринок. Ті, хто вже працює в оборонці, рідко відповідають на вакансії самі.
4. Конкуренція з IT, телекомом і automotive за тих самих інженерів.
5. Бронювання більше не вирізняє. Його пропонують 74% компаній, тож для кандидата це вже стандарт.

Пул IT-фахівців цю проблему не закриває. У класичному IT окремі напрями збирають понад 80 відгуків на вакансію, тоді як у deftech середній показник за перше півріччя 2026 року становив 10,2 (RazomUA за даними DOU). І більшість цих відгуків іде на Project Manager, QA та DevOps.

Що змінилося на ринку найму за рік

Кандидатів стало ще менше, а підняття зарплат ситуацію не врятувало. Ось як Марта Хрип'як-Стеценко описала зміни на вебінарі:

• Відгуків на вакансію наприкінці 2023 року було приблизно 15, наприкінці 2025-го близько 7. У 2026 році 0–4.
• 89% компаній переглянули зарплати на 10–20%, але легше не стало нікому.
• Вимоги до кандидатів ростуть, вакансій для початківців меншає.
• Мотивація кандидатів зсунулась від місії до бронювання і фінансових умов.

Висновок спікерки прямий: головна проблема в браку людей і конкуренції за той самий пул. Ставки тут вторинні.

Справжня ціна пошуку: чотири шари

Бюджет на рекрутера чи агенцію видно одразу. Решту витрат зазвичай не рахують, хоча вони більші:

1. Прямі витрати: рекрутер, агенція, платформи.
2. Час команди. Інтерв'ю забирають час наймаючих менеджерів і керівників, до 30% їхнього робочого часу йде на рекрутинг.
3. Ціна порожнього місця. Продукт або модифікація стоїть місяцями.
4. Ціна помилки: повторний цикл пошуку й онбордингу, якщо людина не підійшла.

Що роблять компанії, коли позиція не закривається

Оборонні компанії зазвичай пробують шість підходів. Лише один із них збільшує кількість інженерів у галузі.

Марта Хрип'як-Стеценко назвала це канібалізацією талантів. Коли компанія B переманює інженера в компанії A, у галузі як було вісім інженерів, так і лишилося вісім. Чийсь продукт зупинився, а ринкові зарплати піднялися для всіх. Вирощений інженер додає галузі ще одного фахівця. Збільшити пул може тільки навчання.

Знайти чи виростити: критерії рішення

Шукати на ринку варто, коли людина потрібна за тижні або йдеться про унікальну lead-роль. Вирощувати всередині, коли до потреби є 3–6 місяців, у кандидата є суміжна база, а в команді є ментор. Рішення залежить від трьох критеріїв:

• Глибина експертизи: наскільки вузький профіль потрібен.
• Наставник: чи є в команді людина, у якої буде на це час.
• Терміновість: скільки часу лишається до моменту, коли роль має запрацювати.

Внутрішня підготовка працює, якщо в компанії є наставники з виділеним часом, документація, онбординг і прозора структура росту. Найчастіше бракує часу сеньйорів, плану розвитку ролі, відповідального за L&D і віри керівництва в окупність.

Частину цих прогалин закриває зовнішній освітній партнер. Він бере на себе базову програму, викладачів і практику на залізі, а специфіку продукту людина отримує вже всередині компанії. Кандидатів для такого навчання найкраще шукати серед розробників на C/C++, випускників електроніки, радіотехніки, мехатроніки і у власній команді.

Де шукати embedded- і hardware-інженерів поза job-сайтами

Офлайн-події та профільні медіа дають доступ до кандидатів, яких немає в онлайн-воронці:

Ці канали розширюють охоплення, але кількість інженерів на ринку вони не збільшують.

Навчання інженерних команд з Beetroot Academy

Beetroot Academy готує інженерів для defence і dual-use. Ключова освітня програма Embedded Development триває п'ять місяців і поєднує заняття з викладачами-практиками з роботою на реальному залізі; команди можна навчати окремими місцями або виділеною групою.

Повний запис вебінару «Навчати чи наймати: як Defence-компанії закривають дефіцит інженерів» і умови для команд є на сторінці для Defence-компаній.

Розробник з embedded чи backend уже має половину того, що потрібно CV-інженеру: впевнений код, Git, розуміння продуктивності й обмежень системи. Добрати доведеться роботу з даними, основи нейромереж і звичку оцінювати модель метриками замість відчуття «наче працює». У зимовому опитуванні DOU частка Computer Vision Engineer серед дата-фахівців за пів року зросла з 2% до 4% (DOU).

Розберемо, що з твого бекграунду переноситься, чого бракує і як виглядає реалістичний маршрут переходу.

Що вже є в embedded-розробника

Embedded-інженер мислить буферами, тактами й кілобайтами. Для комп'ютерного зору це сильна позиція, бо зображення в пам'яті і є буфером: висота × ширина × канали, тип даних uint8.

Що переноситься напряму:

• C/C++ і звичка рахувати, скільки пам'яті та часу займає кожна операція
• розуміння latency і реального часу: кадр має бути оброблений до приходу наступного
• робота з периферією та камерами на рівні інтерфейсів
• Linux на одноплатних комп'ютерах

Саме цього бракує багатьом ML-спеціалістам. У вакансіях CV Engineer у defence-компаніях окремим пунктом стоїть оптимізація моделей під Jetson та інші embedded-платформи, а C++ значиться бажаною навичкою поруч із Python.

Чого бракує: Python як робочого інструменту для експериментів, PyTorch, розуміння того, як модель вчиться і чому помиляється.

Що вже є в backend-розробника

Backend-розробник приносить інженерну дисципліну навколо коду: тести, Docker, CI, API, версіонування. У CV цього часто не вистачає: модель натренували в ноутбуці, а як вона житиме в продакшені, ніхто не продумав.

Що переноситься:

• Python, якщо ти пишеш на ньому, або будь-яка мова з досвідом від року
• Docker, Linux, Git
• проєктування сервісів, черги, обробка потоку запитів
• логування й моніторинг, які в CV перетворюються на моніторинг якості моделі

Чого бракує: відчуття заліза. Модель, яка видає 30 кадрів на секунду на серверній відеокарті, на пристрої може видати три. Бекендеру доводиться вчитися мислити обмеженнями пам'яті, енергії та нагріву.

Яка математика потрібна для computer vision

Менше, ніж здається. Щоб працювати з детекторами на практиці, вистачить:

• масиви й матриці: форма, індексація, множення
• згортка: що робить фільтр 3×3, проходячи по зображенню
• градієнтний спуск на рівні ідеї: модель потроху змінює ваги, щоб зменшити помилку
• базова статистика: середнє, розподіл, precision і recall

Лінійна алгебра й теорія ймовірностей на університетському рівні знадобляться, якщо підеш у дослідження або розробку нових архітектур. Для прикладних задач детекції, трекінгу й оптимізації більшість інженерів обходиться розумінням на рівні інтуїції і добирає глибину, коли конкретна задача цього вимагає.

Маршрут переходу: від пікселя до детектора на пристрої

1. Зображення як дані. NumPy, колірні простори, гістограми. Для embedded-розробника це день роботи, для бекендера тиждень.
2. Класичний CV в OpenCV. Фільтри, Canny, морфологія, контури. Розв'яжи одну задачу без нейромереж, наприклад підрахунок однакових деталей на фото.
3. Нейромережі й transfer learning. Візьми готову модель, донавчи на кількох сотнях власних фото, подивись на криві train і validation.
4. Детекція з YOLO. Спочатку готова модель, потім навчання на власних даних з розміткою і метриками.
5. Друга ітерація. Знайди, де модель помиляється, дозбери дані, перетренуй. Саме тут видно, хто розуміє модель, а хто запускав туторіал.
6. Запуск на пристрої. Експорт в ONNX, квантизація, вимір швидкості на Raspberry Pi або Jetson.

Для embedded-розробника крок 6 буде найпростішим, а кроки 3–5 найновішими. У бекендера навпаки.

Перший проєкт для портфоліо

Роботодавець хоче побачити, як ти розв'язуєш задачу від початку до кінця. Висока точність на чужому датасеті цього не показує. Добрий проєкт має чотири складники: власний датасет, дві ітерації тренування з поясненням, що змінилося, таблицю метрик і запуск на реальному пристрої чи хоча б замір швидкості на CPU.

Ідеї, які можна зробити за кілька тижнів:

Опиши проєкт у README так, як описав би технічне рішення колезі: задача, дані, що не спрацювало, що змінив, які цифри отримав.

Що просять у вакансіях Computer Vision Engineer

У вакансіях українських defence-компаній за 2026 рік повторюється приблизно однаковий набір:

• Python впевнено, C++ як перевага
• PyTorch і OpenCV
• детекція, трекінг, сегментація
• оптимізація під Jetson, ONNX, TensorRT
• розуміння latency, FPS і пам'яті
• Linux, Git, Docker

Наприклад, у вакансії Frontline Robotics, опублікованій у липні 2026 року, просили від трьох років досвіду в CV або ML. Це типово для ринку: вакансій для новачків у computer vision мало. Тому найреалістичніший шлях лежить через внутрішній перехід: ти лишаєшся розробником у своїй команді, береш CV-задачі, а за рік маєш комерційний досвід саме в цьому напрямі.

З чого почати

Освітня програма Computer Vision розрахована саме на розробників без ML-досвіду: від року програмування будь-якою мовою, 12 практичних занять, власний детектор і запуск на edge. Якщо ти з software і хочеш спершу розібратися із залізом, почни з Embedded Development.

Computer Vision Engineer створює системи для аналізу зображень і відео: від збору даних і тренування моделі до її роботи в продакшені чи на пристрої. Він поєднує машинне навчання з розробкою, тому в українських вакансіях від нього зазвичай чекають і PyTorch, і впевненого Python, і розуміння того, як модель поводиться на реальному залізі.

Нижче про задачі, стек, зарплати й шлях у професію, з опорою на вакансії 2026 року і дані DOU.

Що робить CV-інженер

Тренування моделі займає меншу частину роботи, ніж здається. Типовий цикл виглядає так:

1. Розібратися в задачі. Що саме треба знаходити, з якою точністю, на якій камері, з якою швидкістю.
2. Зібрати й розмітити дані. Узгодити правила розмітки, перевірити якість, поділити вибірки.
3. Обрати й навчити модель. Найчастіше це fine-tuning готового детектора; власну архітектуру з нуля пишуть рідко.
4. Проаналізувати помилки. Подивитися, де модель помиляється, і зрозуміти чому.
5. Оптимізувати й розгорнути. Експорт, квантизація, інтеграція у відеопайплайн чи сервіс.
6. Супроводжувати. Стежити, як модель працює на нових даних, дозбирувати приклади й перетреновувати.

Останній пункт часто недооцінюють. Модель, яка добре працювала в день запуску, через кілька місяців може гірше впоратися, бо змінилися освітлення, камера чи самі об'єкти. Це називають data drift, і відстежувати його входить в обов'язки CV-інженера.

Стек Computer Vision Engineer: що просять у вакансіях

Ми переглянули вакансії CV Engineer українських компаній за 2026 рік, зокрема Frontline Robotics і «Атлон Авіа». Повторюється такий набір:

У вимогах Frontline Robotics, наприклад, окремо згадано розуміння real-time обмежень: latency, FPS, пам'ять і продуктивність. Це характерно для продуктових компаній, де модель працює на пристрої. В аутсорсі чи хмарних продуктах акцент зміщується на MLOps, API і масштабування.

Скільки заробляє Computer Vision Engineer в Україні

Окремої медіани для CV-інженерів у публічних дослідженнях немає. Найближчі дані дає зимове опитування дата-фахівців DOU 2026:

Важливі застереження. Вибірка невелика: 332 фахівці на всі дата-ролі. Медіана не розбита за рівнями, тому в неї потрапляють і джуни, і сеньйори. І тренд за пів року був на зниження.

В оборонній галузі картина інша. За зарплатним звітом DOU літа 2026, розробники з Python у DefTech мають найвищу медіану серед мов: $4500 проти $3500 у розробників в ІТ загалом. CV-інженери в defence-компаніях зазвичай пишуть саме на Python, тож орієнтуватися варто на ці цифри, з поправкою на рівень.

Де працюють CV-інженери

• Продуктові компанії зі споживчими застосунками: фільтри, редактори фото, розумні камери
• Промисловість і логістика: контроль якості, підрахунок, сортування, складські роботи
• Агротех: моніторинг посівів, сортування врожаю
• Медтех: аналіз медичних знімків як допомога лікарю
• Defence і dual-use: робототехніка, автономні системи, аналіз аерофото
• Аутсорс і R&D-центри: проєкти для іноземних клієнтів у будь-якій із цих сфер

У зимовому опитуванні DOU частка CV-інженерів серед дата-фахівців за пів року подвоїлася, з 2% до 4%. Абсолютно це невелика група, але вона росте.

Junior, Middle, Senior: як виглядає зростання

Вакансій CV Engineer для людей без досвіду мало. У переглянутих вакансіях defence-компаній ішлося про три роки досвіду в CV або ML. Тому найчастіше в професію приходять з суміжних ролей.

Початковий рівень зазвичай виглядає як розробник у команді, який бере CV-задачі: підготовку даних, інтеграцію готової моделі, оптимізацію пайплайна.

Middle самостійно веде задачу від даних до розгортання й вміє пояснити, чому модель помиляється.

Senior обирає підхід і архітектуру під обмеження продукту, оцінює ризики й відповідає за якість моделі після запуску.

Як стати Computer Vision Engineer

Найкоротший шлях веде з розробки. Embedded-інженер приносить розуміння заліза й реального часу, backend-розробник приносить продакшен-дисципліну. Обом бракує роботи з даними й нейромережами. Покроковий маршрут ми описали в статті як embedded- або backend-розробнику перейти в computer vision.

Мінімум, з яким можна претендувати на CV-задачі:

• Python, NumPy, OpenCV
• PyTorch на рівні fine-tuning готових моделей
• один детектор, навчений на власних даних, з двома ітераціями
• метрики mAP, precision, recall і вміння пояснити їх щодо задачі
• досвід запуску моделі на пристрої або хоча б експорту в ONNX із виміром швидкості

З чого почати

Освітня програма Computer Vision у Beetroot Academy веде розробників без ML-досвіду від обробки зображень до власного детектора, його супроводу після деплою і запуску на edge: 12 практичних занять. Загальний огляд напряму є в гайді Комп'ютерний зір: що це і як працює.

Комп'ютерний зір (computer vision, CV) є галуззю штучного інтелекту, яка вчить програми знаходити й розпізнавати об'єкти на зображеннях і відео. Камера дає лише масив чисел. Завдання CV полягає в тому, щоб перетворити ці числа на відповідь: що на кадрі, де саме і що з ним відбувається.

Нижче про те, як це працює, які задачі розв'язує комп'ютерний зір, де його вже використовують і як увійти в напрям, якщо ти пишеш код або працюєш із залізом.

Як комп'ютер «бачить» зображення

Для програми фото є таблицею чисел. Кольорове зображення 640×480 пікселів зберігається як масив 480×640×3: висота, ширина і три канали кольору. Кожне значення від 0 до 255 описує яскравість червоного, зеленого або синього в одній точці.

З цим масивом можна працювати двома способами.

Класичні алгоритми. Інженер сам описує правила: розмий шум, знайди краї, виділи контури, порахуй об'єкти. Цим займається бібліотека OpenCV. Такий підхід швидкий, передбачуваний і добре працює там, де умови стабільні: однакове освітлення, однаковий фон, однакові деталі на конвеєрі.

Нейромережі. Правила не пишуть вручну. Модель показують тисячі розмічених прикладів, і вона сама підбирає фільтри, які відрізняють один клас від іншого. Згорткова мережа (CNN) по суті робить те саме, що й класичний фільтр, тільки її ядра налаштовуються на даних. Сучасні детектори на кшталт YOLO та RT-DETR будуються на цьому принципі.

На практиці ці підходи поєднують. Нейромережа знаходить об'єкт, а класичний алгоритм уточнює його межі чи рахує розміри.

Які задачі розв'язує комп'ютерний зір

Найчастіше в продуктах трапляються детекція і трекінг. Саме з них зазвичай починають навчання, бо результат видно одразу: рамка або з'являється на правильному місці, або ні.

Де використовують computer vision

Споживчі продукти. Фільтри, які накладають маски на обличчя, розумні камери, що відрізняють людину від кота, сканери документів у банківських застосунках. Частина таких продуктів створена в Україні: у програмі Computer Vision Beetroot Academy окремо розбирають кейси Looksery (згодом Snapchat), Reface, Ajax Systems і Petcube.

Промисловість. Контроль якості на лінії, де камера шукає подряпини й відколи швидше за людину. Підрахунок продукції, перевірка маркування, моніторинг безпеки на виробництві.

Агро. Виявлення хвороб рослин за фото листя, оцінка стану посівів з аерознімків, сортування врожаю.

Медицина. Допомога лікарю в аналізі рентгенівських і МРТ-знімків. Остаточне рішення тут ухвалює людина, а модель підсвічує ділянки, на які варто подивитися.

Робототехніка й dual-use. Автономні роботи, складські системи, аналіз аерофото і тепловізійних даних. Для інженера це ті самі алгоритми, тільки дані інші: кадр знято згори, об'єкти дрібні, а тепловізор дає одноканальне зображення замість кольорового.

Комп'ютерний зір, машинне навчання і AI: у чому різниця

Штучний інтелект є найширшим поняттям. Машинне навчання є його частиною: програми, які вчаться на даних замість прописаних правил. Комп'ютерний зір є прикладною областю, де машинне навчання застосовують до зображень і відео.

Звідси практичний висновок для кар'єри. CV Engineer зазвичай знає ML-основи, але глибоко працює з одним типом даних і з обмеженнями заліза, на якому модель має працювати. Детальніше про роль ми написали в статті Computer Vision Engineer: хто це і що робить.

Інструменти: OpenCV, PyTorch, YOLO, ONNX

Базовий набір, з яким працюють у більшості команд:

• Python як основна мова для експериментів і тренування
• OpenCV і NumPy для класичної обробки зображень
• PyTorch для нейромереж
• YOLO від Ultralytics для детекції, сегментації та трекінгу
• Roboflow або CVAT для розмітки даних
• ONNX, TensorRT, OpenVINO для запуску моделей на конкретному залізі
• C++ там, де важлива швидкість на пристрої

Для старту достатньо Python і Google Colab: GPU для тренування Google надає безкоштовно, тож власна відеокарта на першому етапі не потрібна.

Що потрібно, щоб почати вивчати комп'ютерний зір

Найкоротший шлях має той, хто вже програмує. Досвіду з machine learning для старту не треба. Вища математика теж не є обов'язковою умовою: щоб працювати з детекторами, вистачить розуміння масивів і матриць, а складніші речі засвоюються на практиці.

Типова послідовність виглядає так:

1. Зображення як масив: канали, типи даних, колірні простори
2. Класичні операції в OpenCV: фільтри, краї, контури
3. Основи нейромереж і transfer learning
4. Детекція з YOLO на готових моделях, потім на власних даних
5. Метрики, аналіз помилок, друга ітерація тренування
6. Експорт моделі та запуск на пристрої

Один із цих кроків ми розібрали у окремій статті, як embedded- або backend-розробнику перейти в computer vision.