MLOps Engineer (Enterprise AI Platform)

О позиции

Вы будете работать на пересечении машинного обучения, облачной инженерии и DevOps, помогая трансформировать ML-модели в надёжные, масштабируемые сервисы, готовые к продакшену. Вы получите возможность работать с современными cloud-native технологиями, автоматизировать ML-процессы, улучшать процессы деплоя моделей и участвовать в разработке корпоративной AI-инфраструктуры. Вы будете сотрудничать с Data Scientists, ML Engineers и Cloud Engineers для обеспечения эффективного развёртывания, мониторинга и поддержки ML-систем.

Будет плюсом

• Опыт работы с MLflow (experiment tracking, model registry)
• Знание ML frameworks: PyTorch, TensorFlow или Scikit-learn
• Опыт с KServe, NVIDIA Triton Inference Server, vLLM, ONNX Runtime
• Знание GitOps и Argo CD / Argo Rollouts
• Опыт детектирования data drift и ML observability
• Знание Apache Kafka, Apache Spark, distributed data processing
• Опыт GPU-based ML workload и оптимизации inference
• Опыт работы с feature stores (Feast) или data versioning (DVC)
• Понимание cloud security, IAM/RBAC, secrets management

Условия

• Работа с новыми технологиями в области machine learning и software development
• Бюджет на саморазвитие ежегодно
• Возможность участвовать в разнообразных интересных проектах
• Внутренние воркшопы
• Personal branding (статьи, спикер на конференциях, лидер внутренних воркшопов)
• Гибкий график работы
• Возможность удалённой работы
• Chillout room / бесплатные напитки / командные мероприятия
• Дружелюбная атмосфера
• MultiSport, LuxMed

Навыки

• Python
• Docker
• Kubernetes
• Azure
• AWS
• GCP
• GitLab CI
• GitHub Actions
• MLflow
• PyTorch
• TensorFlow
• Scikit-learn
• Kubeflow
• Apache Airflow
• Argo Workflows
• Terraform
• Prometheus
• Grafana
• KServe
• NVIDIA Triton Inference Server
• vLLM
• ONNX Runtime
• Argo CD
• Apache Kafka
• Apache Spark
• Feast
• DVC
• GPU Computing
• Data Drift Detection
• ML Observability
• IAM
• RBAC

Могут спросить на собеседовании

1. Как вы организуете workflow оркестрации для ML-пайплайнов?
2. Какой подход вы используете для мониторинга моделей в продакшене?
3. Опишите ваш опыт работы с Kubernetes для деплоя ML-сервисов
4. Как вы решаете проблему управления версиями данных и моделей?
5. Приведите пример оптимизации GPU workload для ML inference