Senior MLOps Engineer

О позиции

Мы растим наш AI-отдел и ищем опытного Senior MLOps Engineer, чтобы построить платформу, которая превращает модели и LLM-системы в стабильные производственные решения. Ваша работа будет лежать в основе наших ИИ-возможностей — от пайплайнов обучения и настройки моделей до автоматизированных деплоев, инференса и мониторинга. Вы определите стандарты MLOps, примете ключевые архитектурные решения по надёжности, масштабируемости и стоимости, а также будете технически наставлять разработчиков ИИ и RAG-инженеров.

Будет плюсом

• Опыт работы с model optimization/quantization
• Знание air-gapped сред и deployments в защищённых средах
• Опыт проведения root cause analysis и поддержания high availability систем

Условия

• Критически важная роль в построении MLOps-платформы с прямым влиянием на бизнес-возможности компании
• Работа с передовыми технологиями в области ML и LLM в продакшн-среде
• Международная компания с распределёнными командами из США, Латинской Америки и Индии
• Возможность установить отраслевые стандарты и best practices
• Техническое лидерство и менторство команде разработчиков ИИ
• Сложные инженерные задачи в области AI infrastructure
• Culture of ownership и innovation в сильной технической организации

Навыки

• Kubernetes
• Docker
• Linux
• Terraform
• Ansible
• AWS
• Azure
• GCP
• Python
• Bash
• NVIDIA CUDA
• GitOps
• CI/CD
• GitHub Actions
• Prometheus
• Grafana
• MLflow
• Kubeflow
• vLLM
• Ollama
• RAG
• Airflow
• Kafka
• Zero Trust
• OAuth2
• OIDC
• API Gateway

Могут спросить на собеседовании

1. Расскажите о вашем опыте развёртывания ML-моделей и LLM inference engines в production окружении. Какие были вызовы и как вы их решали?
2. Как вы проектировали масштабируемую MLOps-архитектуру с учётом различных сред (cloud, on-prem, air-gapped)?
3. Приведите пример сложного инцидента в production, который вам пришлось устранить. Каков был ваш процесс root cause analysis?
4. Какие best practices и стандарты вы устанавливали в предыдущих ролях для команды ML/DevOps?
5. Как вы подходите к оптимизации затрат при работе с GPU-инфраструктурой и крупными моделями?