MLOps инженер

Мы ищем опытного MLOps инженера в команду внедрения ML-решений.
Эта позиция предназначена для специалистов, готовых работать с современным технологическим стеком и обеспечивать жизненный цикл ML-решений на этапе вывода в продакшн.

Предстоит:

• Развертывание и масштабирование в продакшене:
  Контейнеризация ML-моделей с использованием Docker и развертывание в Kubernetes кластерах.
  Настройка и управление оркестрацией ML-пайплайнов через Apache Airflow.
  Обеспечение масштабируемости и отказоустойчивости ML-сервисов в on-premise средах.
• Мониторинг и оптимизация:
  Подключение сервисов к системам мониторинга и журналирования.
  Анализ и устранение инцидентов в работе ML-сервисов на третьей линии поддержки.
  Оптимизация использования вычислительных ресурсов и автомасштабирование рабочих нагрузок.
• Интеграция и автоматизация:
  Разработка интеграций между ML-сервисами через REST API и системы обмена сообщениями (Kafka).
  Создание автоматизированных пайплайнов для обработки данных, feature engineering и тестирования моделей.
  Внедрение Infrastructure as Code подходов для управления ML-инфраструктурой.

Мы ожидаем:

• Глубокое владение Python (от 3 лет) с пониманием принципов написания production-ready кода.
• Опыт работы с контейнеризацией (Docker) и оркестрацией (Kubernetes) для развертывания ML-моделей.
• Уверенное владение Apache Airflow для оркестрации ML-пайплайнов.
• Понимание построения CI/CD пайплайнов для ML-решений (GitLab CI, GitHub Actions).
• Навыки работы с системами мониторинга (Prometheus, Grafana) и централизованного логирования.
• Высшее образование.

Будет преимуществом:

• Понимание жизненного цикла ML-проектов и специфики production ML-решений.
• Опыт работы с системами управления версий данных и feature store.
• Базовые знания принципов машинного обучения и методов валидации моделей.
• Опыт работы с распределенными вычислениями (Apache Spark, Hadoop).
• Знание специализированных ML-фреймворков (MLflow, ZenML).
• Опыт работы с векторными базами данных и системами поиска для RAG-приложений.

Технологический стек:

• Оркестрация: Apache Airflow
• Контейнеризация: Docker, Kubernetes
• CI/CD: Сфера CI/CD
• Мониторинг: Prometheus, Grafana, ELK Stack
• БД: Postgres, OpenSearch
• Данные: S3/MinIO, HDFS
• Python (основной)
• ML библиотеки: CatBoost, scikit-learn, PyTorch, Keras
• REST API разработка (FastAPI)
• Apache Kafka
• Apache Spark

Мы предлагаем:

• Работу с современными технологиями на переднем крае MLOps индустрии.
• Участие в проектах полного цикла - от исследований до production развертывания.
• Возможность влиять на архитектурные решения и выбор технологического стека.
• Глубокое погружение в практики MLOps с опытными коллегами из индустрии.
• Участие в конференциях и обучающих программах по передовым ML технологиям.
• Работу с реальными production ML-сервисами.
• Доступ к современной инфраструктуре и вычислительным ресурсам.
• Поддержку инициатив по внедрению новых технологий и улучшению процессов.