Senior MLOps / Recsys

Мы - команда MLOps в отделе Рекомендаций. Именно с помощью Рекомендаций в WB совершается более трети всех покупок. Наша команда по-своему уникальна, так как очень тесно связана с бизнес- продуктами, которые выводятся на реальных пользователей с помощью наших технологий.

Над алгоритмами и продуктами рекомендаций трудится большое количество DS/ML специалистов, которым необходимо предоставить все условия, чтобы их процесс разработки от идеи до выкатки в prod был удобным, понятным, быстрым и безопасным.

Для организации этого процесса мы разрабатываем и внедряем различные инструменты, а также выстраиваем ML инфраструктуру - как для ресерча, так и для продовых запусков.

Что нужно делать

• Развивать существующие MLOps инструменты, утилиты и библиотеки, повышать их надежность, внедрять новые "фичи";
• Дорабатывать существующие Open-source инструменты под нужды команды;
• Внедрять MLOps инструменты для автоматизации процессов жизненного цикла ML-моделей;
• Оптимизировать инфраструктуру для Highload ML сервисов, заниматься оптимизацией инференса ML моделей;
• Обеспечивать быстрое масштабирование и высокую доступность ML инфраструктуры;
• Помогать DS'ам в создании пайплайнов и сервисов в production среде (помощь в продуктивизации), оптимизировать их производительность;
• Развивать системы мониторинга и логирования ML решений;
• Помогать проектировать и планировать ресурсы, инфраструктуру и архитектуру решений;
• Участвовать в разработке стратегии развития MLOps направления;
• Менторить младших специалистов;
• Повышать качество внешней и внутренней документации по нашим продуктам.

Какой опыт и знания нужны

• Экспертное владение Python;
• Опыт деплоя в production с помощью Kubernetes, глубокое понимание его работы, опыт работы с Helm-чартами;
• Опыт построения сложных CI/CD пайплайнов (Gitlab CI/CD) и продвинутый опыт использования VCS (Git);
• Опыт инференса ML/LLM моделей в production под высокой нагрузкой (Triton Nvidia Inference Server, vLLM);
• Знания и опыт в оптимизации ML моделей для инференса;
• Практический опыт внедрения с дальнейшей эксплуатацией MLOps инструментов для пользователей - Airflow, Dagster, Argo Workflows, Prefect, Flyte, MLFlow, JupyterHub, DVC, LakeFS, Seldon Core, KubeFlow и др;
• Понимание современных алгоритмов машинного обучения и жизненного цикла ML модели;
• Опыт написания пайплайнов / оптимизации запросов на Spark под экосистемой Hadoop;
• Понимание современных архитектур распределенных систем / опыт реализации и использования для обучения/инференса;
• Знание библиотек для веб-разработки: asyncio, FastAPI, Celery (SAQ);
• Знакомство с компонентами мониторинга и логирования (Thanos, Grafana, OpenSearch).

Будет плюсом

• Продвинутая оптимизация инференса ML/LLM моделей (Quantization Aware Training, Post Training Quantization, PV Tuning и др.);
• Опыт использования KubeFlow + KNative + KServe + ArgoCD;
• Distributed / MultiNode Training / Inference - от построения архитектуры до способов запуска моделей;
• Опыт построения online/offline Feature Store собственными силами, либо с помощью готовых решений: Feast, Tecton;
• Опыт работы с online/offline надежным и быстрым векторным поиском (Qdrant, LanceDB).

Наш стек

MLOps: Kubernetes, Gitlab CI/CD, JupyterHub, Airflow, ClearML, Qdrant, Triton Nvidia Inference Server, vLLM, Kong, Label Studio
DE: Greenplum, ClickHouse, DataLens, Spark / Hadoop
DevOps: Nginx, Katran, Helm

Мы предлагаем

• Интересные задачи, и исследовательские, и прикладные, возможность переключаться между ними и видеть улучшения от них в production;
• Большие данные, сотни миллионов товаров, миллиарды действий пользователей в день, ресурсы и инфраструктуру, необходимые для работы с ними;
• Гибридный или удаленный формат работы с гибким началом рабочего дня;
• Бесплатное питание в наших офисах;
• Скидки на фитнес и образовательные программы.