mlops engineer

Добавь резюме в профиле, а нейросеть определит твою категорию. Затем ты сможешь генерировать сопроводительные письма для вакансий этой категории

Команда занимается внедрением ML-решений и обеспечивает жизненный цикл моделей на этапе вывода в продакшн.

• Контейнеризировать ML-модели с помощью Docker и развертывать в Kubernetes-кластерах.
• Настраивать и управлять оркестрацией ML-пайплайнов через Apache Airflow.
• Обеспечивать масштабируемость и отказоустойчивость ML-сервисов в on-premise средах.
• Подключать сервисы к системам мониторинга и журналирования.
• Анализировать и устранять инциденты в работе ML-сервисов на третьей линии поддержки.
• Оптимизировать использование вычислительных ресурсов и автомасштабирование нагрузок.
• Разрабатывать интеграции между ML-сервисами через REST API и Kafka.
• Создавать автоматизированные пайплайны для обработки данных, feature engineering и тестирования моделей.
• Внедрять Infrastructure as Code для управления ML-инфраструктурой.

• Глубоко владеете Python (от 3 лет) и понимаете принципы production-ready кода.
• Имеете опыт контейнеризации (Docker) и оркестрации (Kubernetes) для ML-моделей.
• Уверенно владеете Apache Airflow для оркестрации ML-пайплайнов.
• Понимаете построение CI/CD пайплайнов для ML-решений (GitLab CI, GitHub Actions).
• Умеете работать с системами мониторинга (Prometheus, Grafana) и централизованным логированием.
• Есть высшее образование.
• Будет плюсом понимание жизненного цикла ML-проектов, опыт с системами версий данных и feature store, базовые знания машинного обучения, работа с распределёнными вычислениями (Apache Spark, Hadoop), специализированные ML-фреймворки (MLflow, ZenML) и векторными базами данных для RAG-приложений.

• Работа с современными технологиями на переднем крае MLOps.
• Участие в проектах полного цикла от исследований до продакшена.
• Возможность влиять на архитектурные решения и выбор стека.
• Глубокое погружение в практики MLOps с опытными коллегами.
• Участие в конференциях и обучающих программах по ML-технологиям.
• Работа с реальными production ML-сервисами.
• Доступ к современной инфраструктуре и вычислительным ресурсам.
• Поддержка инициатив по новым технологиям и улучшению процессов.