Senior MLOps Engineer

О позиции

C the Signs — компания, разрабатывающая AI-решения для здравоохранения с целью раннего выявления заболеваний и улучшения исходов для пациентов. Команда ищет Senior MLOps Engineer, который возьмёт на себя проектирование и эксплуатацию ML-платформы, поддерживающей LLM-driven рабочие процессы в регулируемой медицинской среде. Позиция полностью удалённая (или гибридная), расположена в США.

Будет плюсом

• Опыт работы в регулируемых отраслях (healthcare, fintech) с требованиями compliance, PHI/PII
• Знание RAG-архитектур и LLM orchestration фреймворков
• Опыт с инструментами оценки и observability LLM-систем (hallucination detection, retrieval quality)
• Знакомство с медицинскими стандартами безопасности данных (HIPAA)

Условия

• Конкурентная заработная плата и социальный пакет
• Гибкий формат работы: удалённо или гибридно
• Возможность работать над AI-технологиями, непосредственно влияющими на исходы лечения пациентов
• Работа в команде, сочетающей передовые инновации с миссией по улучшению справедливости в здравоохранении
• Непрерывное обучение и доступ к новейшим инструментам в области AI и healthcare

Навыки

• Python
• MLOps
• LLM
• RAG
• GCP
• Vertex AI
• Docker
• Kubernetes
• GKE
• Cloud Run
• CI/CD
• Feature Store
• Model Registry
• Experiment Tracking
• Distributed Training
• GPU Scheduling
• Observability
• Model Monitoring
• Prompt Engineering
• Vector Search
• IAM
• Data Governance
• HIPAA
• Terraform

Могут спросить на собеседовании

1. Расскажите о ML-платформе, которую вы строили с нуля или значительно развивали. Какие архитектурные решения оказались наиболее важными?
2. Как вы организовывали training-serving consistency и предотвращали training-serving skew в production?
3. Опишите ваш подход к оценке LLM-систем в production. Какие метрики и инструменты вы использовали для обнаружения деградации качества?
4. Как вы обеспечивали соответствие требованиям безопасности и конфиденциальности (например, PHI/PII) при построении ML-пайплайнов в регулируемой среде?
5. Какие стратегии вы применяли для управления стоимостью LLM-инференса в production при сохранении качества?