Вакансия — MLOps / ML Platform Engineer

MLOps / ML Platform Engineer

О проекте

Ищем MLOps / ML Platform Engineer в команду, которая развивает ML-платформу и выводит модели в production. Основной фокус — построение полного жизненного цикла моделей: от обучения до деплоя, мониторинга и поддержки. Важно мыслить платформой и надёжностью, а не отдельными ноутбуками или экспериментами.

Задачи

• Строить и развивать ML-пайплайны (training, validation, deployment);

• Разворачивать и поддерживать инфраструктуру для обучения и инференса моделей;

• Организовывать model serving (API, batch/real-time inference);

• Обеспечивать reproducibility и versioning моделей и данных;

• Настраивать CI/CD для ML-сервисов;

• Мониторить модели (drift, качество, стабильность);

• Работать с инфраструктурой (Kubernetes, облака, IaC);

• Оптимизировать ресурсы (включая GPU) и стоимость;

• Взаимодействовать с ML-инженерами и data-командой.

Требования

Обязательно:

• Уверенный оммерческий опыт (MLOps, DevOps, ML Engineering) от 4х лет;

• Уверенный Python;

• Опыт работы с Docker и Kubernetes;

• Опыт построения ML-пайплайнов;

• Понимание CI/CD процессов;

• Уверенная работа с Linux / bash;

• Опыт с Terraform или другими IaC-инструментами;

• Понимание жизненного цикла ML-моделей (training / inference / serving);

• Понимание reproducibility, versioning и мониторинга моделей.

Будет плюсом:

• Опыт с GPU-инфраструктурой;

• Model serving (KServe, Seldon, Triton и др.);

• Feature Store;

• Инструменты versioning (DVC, Delta Lake);

• Мониторинг drift и качества моделей;

• Облачные ML-платформы (AWS SageMaker, GCP Vertex AI);

• Опыт с LLM inference;

• Опыт построения ML Platform.

Этапы:

• Скрининг (30 минут);

• Техническое интервью (1 час 30 минут).

Условия:

• Работа в сильной ML/AI-команде;

• Возможность строить платформы, а не просто поддерживать;

• Конкурентная зарплата;

• Гибкий график и удалённая работа;

• Минимум бюрократии, максимум влияния на архитектуру;

• Интересные задачи на стыке ML, инфраструктуры и платформенной разработки.

⸻———————————————-

Пожалуйста, к отклику приложите короткий самоскрининг:

• Опыт (лет) + стек;

• Какие ML-пайплайны строили (training → deployment → monitoring);

• С какими инструментами работали (K8s, CI/CD, serving, облака);

• Был ли опыт работы с model lifecycle (versioning, reproducibility, drift).