MLOps-инженер Middle+/Senior
Что за роль
IT-Implant ищет MLOps-инженера, который соединит практики Data Science и DevOps и поможет доводить модели от экспериментов в Jupyter Notebook до production-grade микросервисов. Важная часть работы — не только запускать ML-пайплайны, но и наблюдать за их состоянием, качеством данных и поведением моделей в эксплуатации.
Что предстоит делать
- Упаковывать модели и Python-код в сервисы, готовые к промышленной эксплуатации, в том числе с использованием FastAPI, Triton Inference Server или TorchServe.
- Настраивать оркестрацию ML-процессов: выбирать и применять Airflow, Prefect, Dagster или Argo Workflows для событийных и расписанных пайплайнов.
- Контейнеризировать приложения с Docker и развёртывать их в Kubernetes, включая настройку Helm-чартов и HPA для нагрузок с использованием GPU.
- Создавать инфраструктуру как код с Terraform или Pulumi и поддерживать конфигурации облачной либо on-premise-среды.
- Настраивать CI/CD не только для кода, но и для данных, используя DVC, LakeFS или Git LFS.
- Организовывать мониторинг сервисов и качества моделей: отслеживать дрейф данных и концепций, настраивать метрики и алертинг с Prometheus, Grafana или VictoriaMetrics.
- Разбирать сбои Linux- и Kubernetes-среды, включая проблемы GPU-узлов, по диагностическим данным и системным инструментам.
Что потребуется
- Уверенное владение Python, включая асинхронность, и практический опыт работы с Pandas или Polars в production-среде.
- Глубокое знание хотя бы одного инструмента оркестрации: Airflow, Prefect, Dagster или Argo Workflows; понимание различий между event-driven и scheduled-пайплайнами.
- Практический опыт с Docker и Kubernetes, Helm-чартами и настройкой HPA для GPU-нагрузок.
- Опыт применения Terraform или Pulumi и понимание состояния инфраструктуры и работы providers.
- Понимание мониторинга моделей и настройки алертов на дрейф данных или концепций; уверенная работа в Linux-терминале.
Что важно знать
В описании предусмотрены разные технологические контексты: облачные платформы AWS, GCP, Azure или Yandex Cloud, on-premise и open source. Дополнительным преимуществом будет опыт с SageMaker, Vertex AI, Azure ML, Kubeflow, MLflow, Ray, Feast или Tecton, GPU-виртуализацией, распределёнными хранилищами, OIDC, Keycloak и Vault. Также компания отдельно отмечает ценность умения собирать ML-инфраструктуру из базовых сервисов, а не полагаться только на готовые ML-обвязки.
Подписка TalentMove
Больше,
чем вакансии
→ TalentScanAI
Узнайте стоимость вашего опыта на рынке
→ Закрытое сообщество
Нетворкинг и инсайды рынка труда
→ Топ вакансии
Лучшие вакансии с доставкой в Telegram