Вакансии MLOps-инженера
Инфраструктура машинного обучения: развёртывание моделей, ML-пайплайны и наблюдение за их работой. Сравните требования к платформе и эксплуатации. Обновляется каждый час. Найдено: 30 вакансий за последнюю неделю.
- Вакансий за неделю:
- 30
- Медиана:
- 375 000 ₽
- Вилка:
- 285 647 ₽ — 487 500 ₽
Зарплаты — по 41 вакансии с указанной вилкой за 30 дней
Поиск вакансий
HireSeeker — агрегатор вакансий. Собираем вакансии со всех основных площадок и показываем по вашей специальности. Подпишитесь на ежедневную подборку только релевантных.
Machine Learning Engineer в ••••••••
📍Барселона (нужен work-permit)
💎Python, NumPy, pandas, scikit-learn, PyTorch/TensorFlow, SQL
🚀•••••••• — Владимир Лупенко, партнер Financial Consulting Group и сооснователь CarPrice, и Диляра Лупенко, ex Акватон.
•••••••• — сеть стоматологий и разработчик технологий, в том числе невидимых элайнеров. •••••••• вошел в топ самых быстрорастущих компаний health-tech по версии Forbes.
Размер команды — 1000+ | Инвестиции — $110M🔥
Узнать подробнее и откликнуться: ••••••••
Другие вакансии:
— ••••••••
— ••••••••
Мы развиваем LLM Platform — внутреннюю платформу Т-Банка для создания и промышленной эксплуатации решений на базе больших языковых моделей. Она дает командам доступ к моделям, инструментам разработки AI-агентов, корпоративным данным, оценке качества, мониторингу и средствам безопасности.
Вместе с командами находим процессы, в которых ИИ может дать измеримый эффект: увеличить доход, сократить затраты или время выполнения операций, повысить качество и снизить количество ошибок. Проектируем решения, собираем их ключевые части, доводим до промышленного запуска и подтверждаем полученный результат.
Работаем на стыке инженерии, бизнеса и AI: принимаем технические решения, взаимодействуем со смежными командами и заказчиками и объединяем специалистов вокруг общего результата.
Обязанности
- Самостоятельно вести техническую реализацию AI-проектов: от исследования бизнес-процесса и выбора сценария до промышленного запуска и подтверждения эффекта.
- Вместе с бизнес-заказчиком и продуктовой командой определять проблему, ограничения, критерии успеха и способ измерения результата.
- Проектировать архитектуру агентных систем, выбирать модели, источники данных, инструменты, интеграции и механизмы контроля.
- Писать воспроизводимый код, оформлять эксперименты в воспроизводимые пайплайны, которые включают разметку и обработку данных, обучение моделей и валидацию системы в целом.
- Доводить первую рабочую версию до надежной эксплуатации: тестировать, настраивать мониторинг, разбирать сбои и обеспечивать необходимый уровень безопасности.
- Строить систему оценки качества AI-систем, анализировать ошибки и улучшать решение через изменение контекста, данных, инструментов, логики агента или используемой модели.
- Принимать решения о компромиссах между качеством, сроками, стоимостью эксплуатации и надежностью.
- Работать внутри команды-заказчика, задавать техническое направление и передавать ей код, знания и ответственность за дальнейшее развитие решения.
- Возвращать команде LLM-платформы опыт внедрений и превращать повторяющиеся решения в общие компоненты, инструкции и инженерные практики.
Требования
- У вас есть опыт работы ML-разработчиком в NLP-домене с использованием современных DL-фреймворков от 4 лет.
- Имеете опыт создания продукта на базе LLM или сервиса с нуля.
- Уверенно пишете и проверяете промышленный код на Python.
- Умеете самостоятельно пройти путь от неструктурированной задачи до работающей системы: разобраться в предметной области, сформулировать технический план, определить приоритеты и довести решение до результата.
- Умеете строить NLP-решения в продакшене: разрабатывать пайплайны, настраивать мониторинг, работать с деградациями и проводить A/B-тесты.
- Создавали и запускали в промышленную эксплуатацию агентные и другие решения на базе LLM.
- Понимаете, как устроены вызов инструментов, RAG, управление контекстом и состоянием, обработка ошибок, трассировка и оценка качества AI-систем.
- Умеете находить причины недостаточного качества: отличать ограничения модели от проблем в данных, контексте, инструментах, архитектуре или постановке задачи, последовательно проверять и применять способы улучшения.
- Умеете самостоятельно проектировать эксперименты, собирать наборы проверочных примеров и доказывать, что изменения действительно улучшили результат.
- Умеете вести техническое обсуждение с инженерами, руководителями продуктов и бизнес-заказчиками, объяснять ограничения и договариваться о критериях успеха.
- Регулярно используете AI-инструменты в разработке, понимаете их ограничения и проверяете полученный результат.
- Будет преимуществом опыт работы в ML-командах внедрения или технического лидерства в проектах с несколькими участниками.
- Будет преимуществом знание LangGraph, LangChain, LangFlow или аналогичных инструментов и опыт работы с LangFuse или другими системами трассировки и оценки качества.
- Будет преимуществом знание Go, Docker, Kubernetes, Helm и GitLab CI/CD.
- Будет преимуществом опыт внедрения решений в крупных продуктах с высокими требованиями к безопасности, доступам и надежности.
- Будет преимуществом умение самостоятельно собрать целое решение — от серверной части и интеграций до простого пользовательского интерфейса.
Мы предлагаем
- Работу в офисе или удаленно — по договоренности.
- Возможность работы в аккредитованной ИТ-компании.
- ДМС со стоматологией, включая чекапы, компенсацию покупки лекарств и льготные условия страхования для близких. Еще — страховка от несчастных случаев и болезней.
- Рост по карьерному треку: проходите курсы по софт- и хард-скиллам, развивайтесь с поддержкой ментора и повышайте уровень с матрицей компетенций и регулярным ревью.
- Сильное комьюнити. Вы будете работать с экспертами в своей области, сможете делиться знаниями и выступать на конференциях, посещать митапы и писать статьи.
- Онлайн-консультации с психологами, юристами, специалистами по финансам и здоровому образу жизни.
- Компенсацию затрат на спортивные абонементы, приложение Т-Спорта для онлайн-занятий и командные тренировки с коллегами.
- Три дополнительных дня к отпуску — можно использовать для отдыха или получить компенсацию.
- Специальные тарифы на продукты Т-Банка и широкую программу скидок от партнеров.
- Достойную зарплату — обсудим ее на собеседовании.
Senior MLOps Engineer
Местоположение: РФ
Формат работы: Удаленно
Опубликована: ••••••••
Требования:
• Опыт от 4 лет, глубокое владение Python от 5 лет, production-ready код
• Docker, Kubernetes
• Apache Airflow
• CI/CD для ML (GitLab CI, GitHub Actions)
О компании:
Не указано
Контакт: ••••••••
•••••••• опубликована в ••••••••
Чем предстоит заниматься:
Управление ML-инфраструктурой:
- Администрирование и развитие систем оркестрации экспериментов и обучения моделей;
- Поддержка и развитие сервисов для управления ML workflows;
- Работа с системами версионирования данных и моделей;
- Мониторинг и поддержка систем инференса моделей.
DevOps и автоматизация:
- Развертывание и поддержка ML-сервисов в контейнеризованной среде;
- Настройка CI/CD процессов для ML-проектов;
- Мониторинг инфраструктуры и производительности ML-систем;
- Автоматизация развертывания и управления ML-пайплайнами.
Разработка и стандартизация:
- Участие в разработке внутренних инструментов для упрощения MLOps процессов;
- Создание документации и регламентов для работы с ML-артефактами;
- Поддержка распределенного обучения моделей.
Что мы ждем от кандидата:
- Опыт работы с MLOps инструментами (ClearML, MLflow, Kubeflow или аналогичными) от 1 года;
- Уверенное владение Python для разработки сервисов и автоматизации;
- Опыт работы с контейнеризацией и оркестрацией (Docker, Kubernetes);
- Опыт работы с GPU инфраструктурой в kubernetes;
- Понимание CI/CD процессов и опыт их настройки;
- Хорошее процессов понимание машинного обучения и жизненного цикла ML-моделей;
- Опыт разработки веб-сервисов и API;
- Знание Linux и навыки системного администрирования.
Будет плюсом:
- Опыт работы с системами версионирования данных;
- Понимание принципов работы современных ML-моделей;
- Опыт настройки систем мониторинга;
Опыт работы с фреймворками глубокого обучения.
Мы строим платформу для инференса и SFT open-source LLM. Используем продвинутые cutting-edge движки для инференса, много экспериментируем и боремся за каждую дополнительную единицу в Token throughput. Cейчас мы находимся в поиске MLOps-инженера, который вместе с нами продолжит настраивать и улучшать инфраструктуру инференса LLM-моделей и осуществлять вывод решений в прод контур.
Первый этап отбора на эту вакансию — общение с AI-рекрутером. После отклика вам на почту и в чат на платформе HeadHunter придет приглашение пройти первичное интервью с ГигаРекрутером в Telegram. Диалог займёт примерно 10 минут. Его задача — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры. ГигаРекрутер только начинает свой путь, поэтому просим относиться с пониманием. Ваш опыт и участие помогут сделать его удобным и полезным!
Вам предстоит:
- Разрабатывать и оптимизировать инфраструктуру инференса LLM-моделей для минимальной задержки и высокой пропускной способности внутренних приложений и сервисов.
- Обеспечивать масштабируемость и надежность LLM-serving инфраструктуры; выбирать и настраивать инструменты для инференса (sglang, vLLM, llama.cpp).
- Разрабатывать механизмы разграничения доступов к API-сервисам моделей.
- Строить систему observability и мониторинга LLM-инференса.
- Собирать модели в сервисы и интерфейсы (FastAPI, Flask, Tornado, Streamlit, Chainlit и т.д.).
Мы ожидаем:
- Опыт в аналогичной роли от 5 лет.
- Опыт с Linux (сеть, storage, роли/пользователи, менеджмент процессов).
- Уверенное владение Kubernetes (используем Istio Service Mesh).
- Опыт построения высокопроизводительных LLM-сервисов (sglang, vLLM).
- Опыт настройки высоконагруженных прокси-серверов (nginx, Envoy, HAProxy): load balancing, rate limiting, SSL termination, health checks.
- Владение языками: Bash, Python, Groovy (Jenkins scripted).
- Продвинутые навыки в CI/CD и оркестрации моделей.
Будет преимуществом:
- Понимание распределенных систем и GPU-коммуникации (NCCL, MPI, RDMA, InfiniBand).
- Знание служебных компонентов LLM-пайплайна: токенизаторы, KV-cache, контекстное окно.
- Понимание внутренней архитектуры GPU (CUDA, cuDNN, Tensor Cores).
- Опыт работы с векторными БД (Opensearch, Qdrant, FAISS, pgvector) для RAG и других задач.
Мы предлагаем:
- Гибридный формат работы (2-3 дня в офисе).
- Годовой бонус и ежегодный пересмотр.
- Расширенный ДМС с первого дня + стоматологию и льготное страхование для семьи.
- Корпоративный университет Сбера, внутреннюю образовательную платформу, участие в IT-конференциях.
- Офис на Кутузовской с зонами отдыха и спортзалом.
- Льготную ипотеку в Сбере, корпоративную пенсионную программу, подписку СберПрайм+, скидки от партнеров и сервисов группы компаний.
Travelpayouts — платформа, которая помогает зарабатывать на контенте о путешествиях, и часть группы компаний Авиасейлс. Мы стали лидерами в России и развиваем бизнес в Азии, Северной Америке, Европе и других регионах. Международные рынки приносят больше половины нашей выручки.
Ищем Head of Engineering. Главная задача — подготовить инженерную организацию и технологии к росту числа продуктов и команд.
Почему открываем роль
Мы впервые выделяем роль руководителя, который будет отвечать за развитие технологий и инженеров в масштабе всей компании.
Бизнес быстро растёт. Сейчас мы существенно расширяем продуктовую команду, чтобы развивать больше продуктов в параллель. Следом будет расти разработка, усложняться система, увеличиваться число зависимостей и нагрузка на инфраструктуру. Нам нужен человек, который поможет управлять этим ростом.
Команда и подход к работе
Сейчас у нас три тимлида, около 12 разработчиков, два ML-инженера и QA. В работе используем Go, Ruby, Python, React, ClickHouse, Kafka и другие технологии.
Мы хотим выстроить работу вокруг продуктовых команд, в которых технический лид и продакт вместе отвечают за результат направления. Инженеры участвуют в поиске решений с самого начала, понимают бизнес-контекст и влияют на то, что и как команда делает.
Команда небольшая и динамичная. Здесь важно самому погружаться в технические детали: разбираться, как устроена система, почему приняты конкретные решения и каким задачам бизнеса они служат. Мы ожидаем, что ты можешь самостоятельно исследовать технологию, проверить гипотезу, разобраться в коде или инфраструктуре и при необходимости включиться в реализацию решения.
Ответственность и полномочия
Ты будешь работать в тесном партнёрстве с CEO и продуктовой командой.
Решения о структуре инженерных команд, найме и расставании с сотрудниками ты принимаешь самостоятельно. На старте будем обсуждать их с CEO, чтобы ты успел разобраться в людях, истории решений и бизнес-контексте.
Задачи
- Готовить инженерную организацию к росту: развивать тимлидов, формировать команды с понятными зонами ответственности и планировать найм под продуктовые направления.
- Определять технологические приоритеты вместе с лидами: оценивать ограничения системы, развивать архитектуру и инфраструктуру, управлять техническими рисками и долгом.
- Улучшать взаимодействие разработки и продукта: помогать командам договариваться о приоритетах, вовлекать инженеров в поиск решений и устранять зависимости, которые тормозят работу.
- Повышать скорость, предсказуемость и качество разработки: развивать подходы к релизам, инцидентам и надёжности, находить системные причины проблем.
- Проверять эффект изменений: выбирать полезные инженерные метрики, внедрять AI-инструменты и оценивать их влияние на работу команд.
В перспективе может потребоваться разделение инфраструктуры Travelpayouts и Авиасейлс. Сроки пока не определены; важно понимать текущие зависимости и заранее оценивать варианты постепенного перехода.
С чего начнём
В первые месяцы ждём, что ты погрузишься в бизнес, команды и технологии, определишь основные ограничения роста и согласуешь с CEO план работы: приоритеты, последовательность изменений, ресурсы и критерии результата.
Будем оценивать изменения по согласованным критериям и регулярной обратной связи команд. Для этого зафиксируем исходное состояние: насколько понятны приоритеты и ответственность, что мешает взаимодействию и предсказуемой разработке.
Требования
Какой опыт нам важен
- Управление несколькими инженерными командами через руководителей и развитие лидов.
- Рост инженерной организации: найм, формирование команд и изменение структуры под задачи бизнеса.
- Организационные и технические изменения, которые прижились и дали понятный результат.
- Продуктовая разработка и умение связывать инженерные решения с целями бизнеса.
- Техническая глубина и актуальные практические навыки, позволяющие самостоятельно разбираться в системе и работать над решениями.
- Умение сочетать личное погружение с развитием самостоятельности лидов и команд.
Условия
- Влияние на развитие компании: возможность сформировать инженерную организацию под следующий этап роста международного бизнеса.
- Работу из любой точки мира и оплату в долларах.
- Открытые коммуникации: прямое обсуждение идей и быстрое принятие решений.
- Компенсации: ДМС, психотерапия или иностранные языки, занятия спортом и больничный.
- Возможность работать на Пхукете с видом на океан.
ML Platform – платформенная команда в отделе Trust & Safety Wildberries. Мы отвечаем за ML-инфраструктуру модерации контента и карточек товаров. Ежедневно через наши системы проходят десятки миллионов карточек – это сотни миллионов предсказаний по 100+ ML-моделям. Модели крутятся в Nvidia Triton Inference Server на GPU-кластере в нескольких дата-центрах; пиковая нагрузка на инференс – порядка 400–500K RPS, десятки инстансов Triton.
Исторически платформа выросла из модерации, сейчас становится самостоятельным юнитом и расширяется на все направления T&S. В отделе работают 50+ DS, и единой платформы для них пока нет. Мы это меняем – строим общую мультитенантную ML-платформу для всего отдела.
Ищем ML Infrastructure Engineer (MLOps) на инфраструктурный слой платформы: GPU-кластер, разделение ресурсов между командами, ML-тулинг, среда обучения, стандартизация пайплайнов.
Вам предстоит:
- Отвечать за GPU-кластер целиком: драйверы, GPU Operator, DCGM-мониторинг, утилизация, планирование ёмкости;
-
Выстроить стратегию разделения GPU между командами в гетерогенной среде, квоты и приоритеты;
-
Поднять единый Kubeflow и ClearML как стандарт для DS-команд отдела;
-
Оптимизировать inference-инфраструктуру - автоскейлинг GPU-нод, bin-packing, утилизация;
-
Строить инфраструктуру Embedding Store (pgvector, FAISS, qdrant);
-
Общаться с DS-командами, понимать их потребности и переводить в инфраструктурные решения;
-
Раскатать платформу на остальные команды Trust & Safety с полноценной мультитенантностью.
-
Имеете глубокое понимание Kubernetes: операторы, scheduling, resource management, GPU в K8s (device plugin, GPU Operator);
-
Имеете практический опыт с NVIDIA GPU: драйверы и CUDA-стек, DCGM, MIG или time-slicing;
-
Имеете опыт развёртывания и поддержки MLOps-платформ для DS-команд (ClearML, MLflow, Kubeflow, Airflow или аналоги);
-
Владеете Linux и bare-metal, IaC (Ansible или Terraform), Helm;
-
Имеете опыт разработки на Python или Go: операторы, экспортеры, внутренний тулинг;
-
Умеете взаимодействовать с DS-командами и переводить потребности в технические решения;
Обязанности:
-AI / LLM-инфраструктура — основное направление
-Развёртывать, настраивать и поддерживать self-hosted LLM.
-Работать с GPU-серверами и оптимизировать использование GPU/VRAM.
-Запускать и сопровождать inference-сервисы на базе vLLM, llama.cpp и других инструментов.
-Настраивать и диагностировать NVIDIA Drivers, CUDA, NCCL и Docker GPU.
-Работать с Multi-GPU-конфигурациями.
-Развёртывать AI-агентов и agentic workflows.
-Интегрировать LLM и AI-агентов с внутренними сервисами компании.
-Участвовать в автоматизации процессов с использованием AI.
Инфраструктура:
-Администрировать Linux, Proxmox VE, Docker и LXC.
-Поддерживать серверную и GPU-инфраструктуру.
-Настраивать и развивать мониторинг: Zabbix, Grafana, Prometheus.
-Диагностировать и устранять инфраструктурные и сетевые инциденты.
-Работать с VPN, Firewall, VLAN, маршрутизацией и управлением доступами.
Участвовать в организации резервного копирования и Disaster Recovery:
-Автоматизация
-Автоматизировать развёртывание и настройку серверов и сервисов.
-Использовать Ansible, Terraform и другие инструменты автоматизации.
-Снижать количество ручных операций и повышать стабильность инфраструктуры.
Дополнительно:
-Помогать команде разработки с инфраструктурными задачами.
-Участвовать в настройке окружений и CI/CD.
-Работать совместно с разработчиками, DevOps, QA и NOC.
-Опыт от 3 лет в системном администрировании.
-Глубокое понимание GPU-инфраструктуры и принципов работы LLM.
-Умение находить нестандартные решения (задачи действительно сложные, скучно не будет).
-Уровень английского B1+ (для чтения документации).
-Полная удаленка (5/2, 10:00–18:00 по GMT+3 Georgia, Belarus, Russia )
-Испытательный срок 3 месяца.
-Дежурства 1 раз в неделю с доплатой +50%.
Вакансия размещена на перспективу.
Senior MLOps Engineer
#SeniorMLOpsEngineer #MLOps #MLOpsEngineer #Python #CICD #Удаленно #РФ
Требования:
Опыт: от 4 лет. Глубокое владение Python (от 5 лет), production-ready код. Docker, Kubernetes. Apache Airflow. CI/CD для ML (GitLab CI, GitHub Actions). Мониторинг (Prometheus, Grafana) и централизованное логирование. Опыт проектирования промышленных систем и участия в архитектуре. Понимание best practices разработки и управления кодом. Будет преимуществом: Понимание жизненного цикла ML-проектов и production ML. Опыт с feature store и версионированием данных. Базовые знания ML и методов валидации моделей. Опыт с Apache Spark, Hadoop. Обязательно: законченное высшее образование, отсутствие открытых ИП/ООО, документ воинского учёта, привлечение 1 год+.
Локация:📍РФ, удалённо.
Контакт для отклика: •••••••• +CV
••••••••
#mlengineer #uzbekistan
ML Engineer in Tashkent
Локация и формат: On-site и full-time в Ташкенте. К рассмотрению приглашаются кандидаты, готовые к релокации
Компания: ••••••••
Английский: Intermediate+ (B1+/B2)
Ищут опытного Machine Learning Engineer в Ташкент для международного проекта в сфере корпоративного кредитования и финтеха. Заказчик — крупная технологическая компания в области цифровой инфраструктуры, развивающая высоконагруженные платформы для обработки больших объемов данных в нескольких регионах.
Ключевые задачи:
• Вывод ML-моделей в production и их интеграция в пайплайны принятия кредитных решений.
• Мониторинг производительности моделей, отслеживание дрифта данных и поддержание их стабильной работы.
• Участие в развитии высоконагруженной платформы в распределенной облачной среде с высокими требованиями к безопасности и отказоустойчивости.
Что важно:
• 5+ лет опыта работы на позиции Machine Learning Engineer.
• Опыт работы с Apache Spark и feature stores в банковской среде (с учетом регуляторных требований).
• Уверенный Python и практический опыт в MLOps.
• Опыт работы с Docker и Kubernetes.
• Знание CI/CD пайплайнов для ML-моделей, версионирования моделей и мониторинга дрифта (например, MLflow).
• Опыт деплоя ML-моделей в виде API или сервисов и их интеграции с decision engines.
• Уровень английского языка — от Intermediate+ и выше.
Писать: ••••••••
SNAP IT - российская независимая технологическая компания.
Мы представители самой технологичной и стремительно эволюционирующей индустрии IT. Создаем ПО для ФинТеха.
Топовые банки уже доверили нам самые сложные высокотехнологичные проекты.
Мы верим, что роботизация бизнеса - это будущее, которое наступило уже сегодня.
Ищем инженера, который совмещает прикладную ML-разработку и MLOps: умеет работать с данными и моделями, организовать воспроизводимый процесс и довести решение до стабильной работы в production с помощью ИИ-агентов.
Обязанности:
- Вести ML-задачу. Уточнять задачу и критерии успеха, анализировать и подготавливать данные, создавать baseline и выбирать подход.
- Обучать и оценивать модели. Обучать или дообучать модели, анализировать ошибки, сравнивать решения по качеству, скорости и стоимости. Документировать результаты экспериментов и ограничения выбранного подхода
- Организовывать воспроизводимый MLOps-процесс. Автоматизировать подготовку данных, обучение, оценку и развёртывание; версионировать данные, код, модели и конфигурации. Обеспечивать повторяемость экспериментов и сборок
- Разрабатывать и сопровождать ML-сервисы. Создавать сервисы инференса и интеграции с продуктом, настраивать окружения CPU/GPU, тестирование, CI/CD, мониторинг, обновление и откат моделей
- Настраивать ИИ-агентов для ML и инфраструктуры. Создавать skills, проектные инструкции и workflow. Подключать инструменты и документацию, контролировать доступ к данным, секретам и вычислительным ресурсам, проверять подготовленный агентами код
- Лично валидировать качество. Вручную проверять данные и разметку на выборках, анализировать предсказания и ошибки модели, исследовать проблемные сценарии. Не ограничиваться сводными метриками
- Проверять решение в целевой среде. Лично проходить реальные сценарии в развёрнутом продукте, проверять интеграции и нагрузочные характеристики. Диагностировать проблемы данных, модели, сервиса и инфраструктуры
- Контролировать работу после запуска. Следить за качеством, задержками, ошибками, потреблением ресурсов и изменениями входных данных. Исследовать отклонения, устранять проблемы и проверять результат исправлений
Требования:
-
Самостоятельная ML-разработка. Уверенный Python, опыт PyTorch и/или scikit-learn либо аналогичных инструментов. Умение читать, писать и отлаживать код подготовки данных, обучения и инференса, а не только запускать готовые примеры
-
Production-опыт и MLOps. Практический опыт развёртывания и сопровождения ML-сервисов. Понимание API, хранения и версионирования артефактов, воспроизводимости окружений, мониторинга, обновления и отката моделей
-
Инженерная инфраструктура. Практические навыки Linux, Docker, Git, тестирования и CI/CD. Умение диагностировать проблемы производительности, использования CPU/GPU и памяти
-
Coding agents и их адаптация. Практический опыт Codex, Claude Code или аналогов; создание skills и проектных инструкций, настройка контекста, инструментов и безопасных окружений под ML- и инфраструктурные задачи
-
Опыт с речевой аналитикой.
-
Личная ответственность за результат. Готовность самостоятельно проверять код и выводы агентов, вручную анализировать данные и предсказания, проверять реальные сценарии и доводить модель и сервис до согласованного качества
Будет плюсом:
-
Опыт MLflow, DVC, Kubernetes и оркестраторов вычислительных задач
-
Опыт оптимизации GPU-инференса, батчинга, квантования и нагрузочного тестирования ML-сервисов
-
Хорошее понимание ASR, TTS, DSP ML, speech & audio processing понимание трансформеров, attention-механизмов, KV-cache, diffusion
-
Опыт работы с диффузионными и авторегрессионными архитектурами для аудио/музыки
Условия:
-
Формат работы: удалённый. Важно иметь возможность пару раз в месяц ездить в офис в Москве;
-
Оформление в соответствии с ТК РФ;
-
ДМС+стоматология после окончания испытательного срока;
-
Предоставление техники;
-
Отсутствие бюрократии, прозрачность, быстрое принятие решений, а также уважение к каждому члену команды;
-
Поддержка в значимых событиях.
Senior MLOps Engineer
Местоположение: Москва / СПБ
Формат работы: Удаленно
Опубликована: ••••••••
Требования:
• Python 5+ лет, production-ready код, паттерны проектирования
• Docker, Kubernetes. Apache Airflow
• Apache Kafka, REST API
• Базы данных, распределенные вычисления
Важно:
📌 Гражданство: РФ
Контакт: ••••••••
•••••••• опубликована в ••••••••
Senior MLOps Engineer
#SeniorMLOpsEngineer #MLOps #Python #ApacheKafka #RESTAPI #GitLabCI #Удалённо #Москва #СанктПетербург
Требования:
Python 5+ лет, production-ready код, паттерны проектирования. Docker, Kubernetes. Apache Airflow. Apache Kafka, REST API. Базы данных, распределенные вычисления. GitLab CI / GitHub Actions. Prometheus, Grafana. Git. Будет плюсом: Понимание MLOps Lifecycle. Опыт с Feature Store, DVC. Базовые знания ML/DL и методов валидации моделей. Apache Spark, Hadoop.
Локация:📍Удалённо, Москва / СПБ. Гражданство: РФ. Оформление: ИП, СЗ.
Контакт для отклика: •••••••• RT-20 +CV
••••••••
О команде
Мы развиваем внутреннюю on-prem AI-платформу, которой пользуется вся компания: собственный inference на GPU, LLM-шлюз, RAG и AI-агенты в защищённом контуре. Приоритет — собственная инфраструктура там, где это критично. Помимо собственных моделей, платформа обеспечивает безопасное использование внешних моделей; при этом работа с моделями и AI-агентами выполняется в изолированной песочнице (sandbox), ограничивающей доступ к файлам, сети и данным.
Эта роль — про развитие AI-платформы изнутри: установку и конфигурирование AI-сервисов, их развёртывание в Docker и Kubernetes, запуск новых моделей на нашем GPU-оборудовании и обеспечение их безопасности и производительности. Мы ищем инженера с сильным техническим бэкграундом в администрировании Linux, контейнеризации, автоматизации и информационной безопасности.
Чем предстоит заниматься
- Установка, конфигурирование и развитие AI-платформ: веб-интерфейсы для моделей, LLM-шлюзы, оркестрация AI-workflow и агентов, облачные среды разработки (CDE), RAG-платформы
- Развёртывание и сопровождение сервисов: контейнеризация (Docker) и оркестрация (Kubernetes)
- Развёртывание и запуск новых моделей на сервисах инференса (vLLM и аналогичные) с учётом возможностей GPU, включая оптимизацию и quantization
- Безопасные конфигурации (hardening, secure by design) и безопасность платформы: RBAC, secrets management, network policies, изоляция моделей, защита от prompt injection
- Обеспечение изолированного и безопасного выполнения моделей и AI-агентов (sandbox)
- Автоматизация развёртывания и обновления, управление конфигурациями (IaC, CI/CD, GitOps)
- Мониторинг, диагностика и оптимизация производительности; контроль latency, throughput и стоимости инференса
- Оценка качества моделей (evals) и наблюдаемость (observability)
- Развитие и продвижение использования AI-технологий в компании
- Контроль лицензий open-weight моделей и требований compliance
- Взаимодействие с командами разработки и инфраструктуры, подготовка документации
- Обучение и консультирование сотрудников по работе с AI-инструментами
Что для нас важно
- Высшее образование (техническое)
- Опыт работы в роли AI/ML Platform, MLOps или DevOps инженера от 3 лет
- Уверенное понимание принципов работы LLM, RAG и векторных баз данных
- Опыт развёртывания и эксплуатации сервисов: контейнеризация (Docker) и оркестрация (Kubernetes)
- Опыт развёртывания и эксплуатации моделей машинного обучения/LLM на серверных сервисах инференса (vLLM, SGLang, TGI)
- Опыт администрирования Linux
- Навыки работы с GPU (NVIDIA CUDA, VRAM, оптимизация инференса)
- Уверенное владение Python и скриптовыми языками для автоматизации
- Опыт построения CI/CD и управления конфигурациями (Ansible, Terraform, Helm)
- Понимание принципов информационной безопасности и разграничения доступа (RBAC, secrets management)
- Опыт production-эксплуатации: мониторинг, evals, контроль latency, throughput и стоимости
- Аналитические навыки и навыки поиска и устранения неисправностей
- Английский язык на уровне Intermediate и выше
Будет плюсом
- Опыт работы с Open WebUI, LiteLLM, Langflow, RAGFlow, OpenHands и аналогичными
- Опыт администрирования Windows Server
- Опыт с локальными рантаймами инференса (Ollama, llama.cpp);
- Понимание MCP и agentic AI
- Опыт мониторинга (Prometheus, Grafana) и логирования
- Знание принципов fine-tuning и оценки качества моделей
- Хорошие коммуникативные и презентационные навыки
Что мы предлагаем
- Прозрачный карьерный рост: индивидуальный карьерный трек, программы коучинга и менторинга
- Возможность внести свой вклад в изменения бизнеса и расширить профессиональную экспертизу
- Команда профессионалов, которые поддерживают друг друга и работают на результат
- Гибкие начало и конец рабочего дня, возможность работать из офиса или из дома
- Корпоративное обучение: более 50 тренингов, доступ к изучению иностранных языков и электронной библиотеке
- Забота о сотрудниках: ДМС со стоматологией с первого месяца работы и скидка на ДМС для родственников, 5 оплачиваемых дней в году по болезни без оформления больничного, корпоративный спорт и мероприятия, скидки партнеров, программа психологического здоровья, комфортный и стильный офис
- Конкурентная заработная плата, бонусы по итогам финансового года и годовой оценки сотрудника, премии за интенсивную работу и выдающиеся результаты
- Официальное трудоустройство
Ищем MLOps инженера, который будет настраивать модели, агентов и базы данных на железе, оптимизировать их работу и готовить измеримые результаты для команды. Работа предстоит и в собственной лаборатории с тестовым сервером для PoC и сборки MVP, и на удаленных стендах вендоров.
Задачи:
- Разворачивать и обслуживать GPU серверы и инференс окружения для LLM в локальном контуре и на стендах вендоров.
- Настраивать и поддерживать пайплайны деплоя моделей и агентов, включая версионирование.
- Создавать тестовые песочницы для валидации новых моделей и фреймворков.
- Тестировать новые фреймворки и рантаймы как на локальном оборудовании, так и на удаленных стендах вендоров.
- Настраивать мониторинг качества и производительности инференса.
- Оптимизировать паттерны обращения к моделям и throughput под нагрузкой.
- Участвовать в сборке PoC и MVP.
- Опыт в MLOps или DevOps от 2 до 3 лет, в идеале от 3 до 5 лет.
- Уверенное знание Docker.
- Опыт работы с LLM, включая облачные модели.
- Опыт работы с GPU платформами, прежде всего NVIDIA.
- Опыт настройки рантаймов и бэкендов инференса: vLLM, SGLang, TensorFlow.
- Понимание метрик инференса, батчинга и квантизации: FP16, BF16, FP8, INT8.
- Опыт настройки мониторинга: Grafana, Zabbix или аналоги.
- Опыт оптимизации инфраструктуры под ML нагрузки.
Сильное преимущество:
- Опыт работы с Kubernetes. Не обязателен, но будет весомым плюсом при выборе кандидата.
- Опыт работы с реальными enterprise архитектурами.
- Оплата: условия обсуждаются индивидуально с каждым кандидатом.
- Москва, офис. Сейчас метро Кунцевская, в ближайшие месяцы переезд на метро Динамо.
- Первое время работа из офиса, затем возможен гибридный формат. Полная удаленка не предусмотрена.
- Официальное оформление по трудовому договору.
#SeniorML #MachineLearning #Python #PyTorch #MLOps #vacancy #вакансия
Всем привет! 👋
Ищем Senior Machine Learning Engineer.
📍 Location: LATAM
💼 Experience: Senior, Python и SQL — от 5 лет
🇬🇧 English: B2
📅 Duration: Long-term
🔹 Требования:
• Сильный опыт работы с Python, SQL, PyTorch, Scikit-learn и Pandas.
• Практический опыт с FastAPI и Pydantic.
• Опыт полного цикла разработки ML-моделей: от постановки задачи и подготовки данных до внедрения в production и дальнейшей поддержки.
• Знание ML evaluation techniques: time-aware validation, backtesting, holdout datasets, calibration, error analysis.
• Опыт создания CI-based regression suites для контроля качества моделей.
• Опыт работы с model serving, MLOps, experiment tracking, model registries и containerization.
• Опыт мониторинга моделей, выявления data drift и model degradation, организации retraining.
• Понимание data privacy, PII, privacy leakage testing.
• Опыт uncertainty quantification и работы с prediction intervals.
➕ Будет плюсом: embeddings, retrieval systems, synthetic data generation, differential privacy, geospatial data, LangGraph, Airflow, Step Functions, real estate / finance domain.
🔹 Основные задачи:
• Разработка и внедрение ML-моделей для прогнозирования occupancy, headcount, rent и финансовых показателей.
• Оценка качества моделей, backtesting и анализ ошибок.
• Разработка и поддержка ML-сервисов, API и MLOps-процессов.
• Мониторинг production-моделей, контроль drift и degradation, переобучение.
• Работа с embedding и retrieval-системами, synthetic data pipelines.
• Взаимодействие с Product, Platform Engineering и Data Platform командами.
CV и ЗП ожидания ••••••••
❗️Только фрилансеры, аустафф и рекрутинговые компании не рассматриваем.
Задачи
- Разрабатывать backend-сервисы на Python;
- Оптимизировать код по обработке больших массивов данных и атрибутивности для распознавания документов;
- Интегрировать LLM в существующие продукты компании;
- Разрабатывать векторные базы данных и разметку датасетов для обучения моделей RAG-поиска;
- Работать с API, базами данных и внутренними сервисами;
- Создавать и поддерживать AI-функциональность в production, проектировать и оптимизировать модели данных, взаимодействовать с базами данных;
- Обеспечивать качество кода через code review, автоматизированное тестирование и соблюдение лучших инженерных практик;
- Совместно с DevOps-инженерами участвовать в развитии CI/CD-процессов, мониторинга и обеспечения отказоустойчивости сервисов;
- Разрабатывать продакшен-пайплайны обработки данных;
- Промпт-инжиниринг и написание эффективного и масштабируемого кода инференса моделей и экспериментов на GPU-кластере;
Требования
- Хорошее знание Python и ключевых фреймворков для работы с данными (PySpark, PyArrow, Pandas);
- Работа с embedding'ами, глубокое понимание RAG, дообучение VLM, OCR, агентскими системами;
- Опыт написания качественного production-кода;
- Опыт написания промышленных пайплайнов обработки данных, содержащих множество шагов, зависимостей и сложную логику;
- Опыт использования Airflow (или другого industry-standard оркестратора пайплайнов, т.к. Luigi, Dagster и т.д.);
- Хорошее понимание баз данных SQL/NoSQL;
Условия и бенефиты
- Гибридный или полностью удалённый формат работы в РФ, с возможностью гибкого начала и окончания рабочего дня;
- Участие во внешних IT-конференциях;
- Полезные курсы и вебинары в корпоративном университете и электронные библиотеки;
- ДМС с первого месяца работы, включая стоматологию. А ещё оплачиваем 50% стоимости полиса ДМС для родственников;
- Мобильная связь за счёт компании и льготные тарифы для близких;
- Подписка на online-кинотеатр KION, сервис МТС Музыка, книжный сервис Строки от МТС, безлимитные мессенджеры и соцсети.
МТТЕХ - центр разработки Московского транспорта.
Мы создаём ИТ-решения, которыми ежедневно пользуются миллионы пассажиров: от оплаты и планирования маршрутов до беспилотного трамвая
Мы приглашаем квалифицированного кандидата на должность "Специалист по сервису беспилотных трамваев". Ваша ключевая задача заключается в качественном и своевременном обслуживании системы автоведения трамвая.
Управление данными и автоматизация (Core MLOps)
- Построение end-to-end процессов работы с видеоданными: от сбора с edge-устройствдо подготовки финальных датасетов для обучения моделей
- Интеграция инструментов разметки (CVAT) с S3-хранилищем и ClearML, автоматизация обмена данными и статусов задач разметки
- Автоматизация процессов Active Learning: выборка данных для доразметки, формирование заданий, обновление датасетов
- Анализ и улучшение производительности пайплайнов работы с данными (скорость обработки, стоимость хранения, стабильность)
Генеративный AI и Синтетические данные
- Развертывание и сопровождение генеративных моделей на GPU-серверах (например, диффузионные модели для генерации изображений)
- Построение пайплайна генерации синтетических изображений для дообучения нейронных сетей (Data Augmentation / Synthetic Data Generation)
- Организация хранения и учёта сгенерированных данных (метаданные, версии, параметры генерации)
Оптимизация моделей под целевую платформу:
- Квантизация, pruning, сжатие
Разработка и обучение новых моделей детектора:
- Подбор и внедрение современных архитектур
- Настройка пайплайна обучения, валидации, тестирования
ТРЕБОВАНИЯ
- Опыт работы с современными генеративными моделями (диффузионные модели, GAN)
- Опыт в MLOps / Data Engineering: уверенное владение Python, опыт написания скриптов автоматизации
- Работа с ML-инфраструктурой: уверенный опыт использования ClearML
- Опыт построения пайплайнов обработки данных (желательно — видеоданных): скачивание, конвертация, нарезка, аугментации, контроль качества
- Уверенная работа в Linux-среде
- Уверенный Python, опыт с PyTorch/TensorFlow
- Практический опыт обучения, тюнинга и квантизации моделей
- Опыт развёртывания и оптимизации генеративных моделей
- Опыт работы с Active Learning, semi-supervised/self-supervised подходами в контексте данных компьютерного зрения
- Понимание типичных задач CV (детекция, трекинг, сегментация) и требований к датасетам для них
Работа у нас это:
-
Забота о здоровье без лишней бюрократии (комфортный пакет ДМС)
-
Энергия, которая не заканчивается на дейликах (компенсация спорта)
-
Рабочий день начинается с завтрака за кофе (компенсация питания)
-
Дорога до офиса и обратно без лишних трат (компенсация проезда на пассажирском транспорте)
-
Дополнительные дни для перезагрузки (5 day-off в год)
-
Аккредитованная ИТ-компания
ML Engineer в сфере E-com
#MLEngineer #ML #Python #MLOps #DevOps #Удалённо #РФ
Требования:
3+ лет коммерческого опыта в ML (желательно-рекомендательные системы). Экспертизу в Python и умение писать production-ready код. Опыт с DevOps/MLOps (развертывание, мониторинг моделей). Бэкграунд в backend-разработке (плюсом). Способность вести проект от идеи до продакшна самостоятельно.
Локация:📍Удалённо на территории РФ.
Контакт для отклика: •••••••• +CV
••••••••
Локация
Алматы, работа в офисе или гибридном формате в банковской сфере.
О компании
Крупный банк из Казахстана, развивающий цифровые финансовые сервисы и внедряющий ML-решения в кредитные и коллекторские процессы.
Что нужно делать
- Проектировать и развивать MLOps-инфраструктуру для полного жизненного цикла моделей: обучение, валидация, деплой, переобучение, мониторинг и откат.
- Строить CI/CD-пайплайны и обеспечивать стабильный production deployment моделей, их интеграцию с бизнес-системами и decisioning-процессами.
- Настраивать мониторинг drift, качества данных, производительности и инфраструктурных метрик, а также механизмы автоматического переобучения.
- Создавать стандарты и переиспользуемые компоненты для Data Scientists, участвовать в архитектуре ML-платформы и менторить инженеров.
Требования
- 3+ года опыта в MLOps, ML Engineering, Data Engineering или DevOps с фокусом на ML, уверенный Python.
- Практика построения production ML pipelines, Docker, Kubernetes, CI/CD, Airflow и MLflow, понимание model registry и версионирования.
- Опыт работы с REST API для inference, мониторингом моделей и качеством данных, знание Linux, Git и основ облачной инфраструктуры.
- Умение проектировать отказоустойчивые и масштабируемые решения; плюсом будут AWS/Azure/GCP, Spark/PySpark, Kafka, feature store, Terraform и опыт в банковской или fintech-сфере.
- Сбор и очистка данных. Поиск источников информации, парсинг, фильтрация шумов, устранение пропусков и подготовка датасетов для обучения моделей.
- Разметка данных. Организация и контроль процесса разметки изображений, текстов или аудиозаписей, написание инструкций для асессоров.
- Feature Engineering. Выделение и генерация значимых признаков из сырых данных для повышения точности предсказаний алгоритмов.
-
Разработка и обучение моделей (ML / DL / LLM)
- Выбор архитектуры. Подбор подходящих алгоритмов машинного обучения или нейросетевых архитектур (трансформеры, сверточные сети) под конкретную бизнес-задачу.
- Обучение и дообучение (Fine-tuning). Тренировка моделей с нуля или адаптация готовых крупных языковых моделей (LLM) и моделей компьютерного зрения под специфику компании.
- Промпт-инжиниринг и RAG. Создание систем генерации с дополненной поисковой выдачей (RAG) для работы ИИ с корпоративными базами знаний без «галлюцинаций».
- Оценка качества. Тестирование моделей на контрольных выборках, расчет метрик точности (Precision, Recall, F1, ROC-AUC) и проведение A/B-тестов.
-
Внедрение и эксплуатация (MLOps)
- Интеграция в продакшн. Упаковка обученных моделей в микросервисы (REST API, gRPC, Docker) для взаимодействия с сайтами, приложениями или внутренними системами.
- Оптимизация производительности. Ускорение работы нейросетей (квантизация, дистилляция) для снижения нагрузки на серверы и уменьшения времени отклика.
- Мониторинг и поддержка. Отслеживание деградации моделей в реальном времени (Data Drift) и регулярное переобучение на свежих данных.
-
Бизнес-анализ и коммуникация
- Перевод бизнес-задач на язык математики. Оценка целесообразности применения ИИ для решения проблем заказчика и выбор критериев успеха.
- Исследования (R&D). Изучение новых научных статей, тестирование свежих open-source инструментов и внедрение передовых практик в работу команды.
-
Базовые технические навыки (Hard Skills)
- Языки программирования. Уверенное владение Python (основной язык разработки в ИИ), знание стандартных библиотек для анализа данных (NumPy, Pandas, Scikit-learn).
- Фреймворки глубокого обучения. Практический опыт работы с PyTorch или TensorFlow для создания, обучения и отладки нейронных сетей.
- Математическая база. Понимание линейной алгебры, теории вероятностей, математической статистики и методов оптимизации (градиентный спуск).
- Работа с базами данных. Знание SQL для извлечения и агрегации данных, а также опыт работы с векторными базами данных (Qdrant, Pinecone, Milvus, pgvector).
- Инструменты разработки. Уверенное владение Git, Docker, ОС Linux и навыками создания API (FastAPI, Flask) для интеграции моделей в продукты.
-
Профильные требования (в зависимости от задач)
- Для работы с текстом и генеративным ИИ (NLP / LLM). Опыт работы с трансформерами (Hugging Face), знание принципов промпт-инжиниринга, построения RAG-систем (LangChain, LlamaIndex) и дообучения моделей (LoRA, QLoRA).
- Для компьютерного зрения (Computer Vision). Знание библиотек OpenCV, опыт работы с архитектурами детекции и сегментации объектов (YOLO, Mask R-CNN, ViT).
- Для классического машинного обучения. Опыт работы с градиентным бустингом (CatBoost, XGBoost, LightGBM), анализа временных рядов и проведения A/B-тестирования.
-
Инженерная культура и MLOps (будет плюсом)
- Ускорение и оптимизация моделей. Знание инструментов оптимизации инференса (ONNX, TensorRT, vLLM) для снижения затрат на видеокарты (GPU).
- Трекинг экспериментов. Опыт использования систем мониторинга обучения и версионирования моделей (MLflow, Weights & Biases, DVC).
-
Образование, опыт и Soft Skills
- Образование. Высшее техническое или математическое образование (прикладная математика, информатика, анализ данных) либо сильное портфолио реализованных проектов.
- Английский язык. Уровень чтения научных статей (arXiv) и технической документации без словаря.
- Бизнес-мышление. Умение переводить абстрактные запросы бизнеса в конкретные ML-метрики и оценивать экономическую выгоду от внедрения ИИ.
- Официальное оформление, конкурентная заработная плата по итогам технического интервью .
- формат работы в современном офисе с гибким началом рабочего дня.
- Неограниченный доступ к мощным GPU-серверам для экспериментов и обучения моделей, современный рабочий ноутбук.
- Сильная команда R&D-инженеров, отсутствие лишней бюрократии и возможность напрямую влиять на развитие ИИ-продуктов компании.
MLOps / Cloud Engineer (AWS)
🏢 Компания: ••••••••
🌍 Формат: Удалёнка / офис / гибрид — по всему миру
О компании:
•••••••• — международная софтверная компания, специализируется на сложных цифровых продуктах для FinTech, Healthcare, eCommerce и других отраслей. Компания работает с R&D и внедряет решения для улучшения производственных процессов и качества продуктов.
Задачи:
• Спроектировать и настроить AWS-архитектуру для ML-пайплайна: ingest, inference, хранение изображений, метаданных и результатов.
• Построить CI/CD-пайплайны в GitLab для приложений и моделей.
• Реализовать инфраструктуру как код с Terraform.
• Настроить dev, pre-production и production окружения; автоматизировать provisioning и teardown тестовых сред.
• Контейнеризовать сервисы и интегрировать S3 и RDS.
• Настроить мониторинг, логирование и трассируемость; документировать инфраструктуру.
Требования:
• 5+ лет в DevOps/Cloud, AWS как основной облак.
• Практический опыт деплоя ML-моделей или Python-сервисов на AWS (SageMaker, inference endpoints, Step Functions).
• Опыт с MLOps-инструментами (MLflow или аналоги).
• Практический опыт использования Terraform в реальных проектах.
• Опыт построения CI/CD в GitLab; опыт с Docker и деплоем контейнеров на AWS (ECS, EKS или Lambda).
• Опыт работы с S3 и RDS и управлением многосредовой инфраструктурой (dev/pre-prod/prod); уровень английского — от Intermediate+.
Будет плюсом:
• Опыт построения инфраструктуры с нуля для новых продуктов.
• Опыт работы с гибридными (on-premise + облако) решениями.
• Знание практик безопасности и соответствия (ISO 27001 или аналог).
• Опыт работы с GPU-инстансами и оптимизацией облачных расходов.
Стек:
AWS, SageMaker, Step Functions, Terraform, GitLab CI, GitHub Actions, Docker, ECS, EKS, Lambda, S3, RDS, MLflow, Python, GPU, Computer Vision, ML
Условия:
• Возможность полностью удалённой работы, из офиса или в гибридном формате.
• Профессиональный и карьерный рост, система менторства и адаптации.
• Возможность дополнительного заработка до 1 000 EUR/мес (включается в годовой бонус) в зависимости от активности и уровня.
• Доступ к корпоративной обучающей платформе и компенсация сертификаций (AWS, PMP и др.).
• Частичная или полная оплата медстраховки и спортивная компенсация, реферальная программа.
📩 ••••••••
🔥 Актуальные вакансии
• ID 7146 — Senior AI/ML Engineer (Remote within Europe)
• ID 7145 — Senior Java Engineer
• ID 7144 — Senior Business Analyst
• ID 7143 — Senior Business Analyst (Financial Crime / Anti-Financial Crime) - Baltics Preference and EU
• ID 7141 — Senior QA Engineer for Test Automation and Migration
• ID 7140 — Microsoft Dynamics 365 - 4 FTE
• ID 7139 — Infrastructure Specialist - DevOps (Cloud Networking)
• ID 7138 — Google Cloud Engineers
• ID 7134 — 3 Senior Data Stewards for Regulatory Reporting - Baltics Preference and EU as Fallback
• ID 7133 — FLEXCUBE System Analyst - 2 Consultants Needed - EU
• ID 7131 — 5 FTEs - Automation QA Engineers in Payments - Baltics
• ID 7130 — 3 FTEs - Business System Analyst in Payments
• ID 7129 — 7 FTEs - Java Oriented Software Engineers
• ID 7128 — Tech Lead Java in Baltic Payments
• ID 7127 — Team Lead Agile Product Owner
• ID 7125 — Senior AQA Engineer (Python)
• ID 7124 — Senior QA Automation Engineer
• ID 7123 — Senior Full-stack QA Engineer
• ID 7121 — Scrum Master (Middle)
• ID 7120 — Lead Applied AI Engineer / AI Systems Architect (Part-time)
• ID 7113 — Blockchain Architect / Tech Lead
• ID 7107 — 2 FTEs - Senior React Developer - Baltics is a Prio, EU is a Fallback Plan
❗️❗️❗️Пишите ••••••••⚡️⚡️⚡️⚡️, прикладывая резюме, в котором указан возраст и местонахождение. Укажите 🆔 вакансии! Без этой информации заявки не будут рассматриваться! ❗️❗️
Чем предстоит заниматься
- Проектирование и разработка ETL/ELT-пайплайнов: сбор, обработка и трансформация больших объёмов данных из различных источников (API, баз данных, логов, внешних систем) в хранилище.
- Разработка и сопровождение ML-пайплайнов: автоматизация процессов обучения, валидации, деплоя и мониторинга моделей машинного обучения (MLOps). Внедрение моделей в продуктовую среду через API-сервисы (REST, gRPC).
- Работа с данными: написание высокопроизводительных SQL-запросов, оптимизация работы с большими таблицами (миллиарды строк, терабайты данных), партиционирование, индексация, настройка кластеров.
- Поддержка инфраструктуры: сопровождение кластеров баз данных, очередей сообщений (Kafka, RabbitMQ), объектных хранилищ. Участие в выборе технологий и проектировании архитектуры решений.
- Оптимизация производительности: устранение узких мест в пайплайнах, профилирование и тюнинг запросов, настройка параметров сред выполнения (JVM, Python, контейнеры).
- Разработка и рефакторинг кода: написание высококачественного кода на Python, Java, Scala или Go. Чтение и правка чужого кода, рефакторинг легаси-решений.
- Ведение технической документации: описание архитектурных решений, схем данных, API-интерфейсов, инструкций по развёртыванию и эксплуатации сервисов.
Требования
- Опыт в инженерии данных от 3+ лет: разработка и поддержка ETL-процессов в продакшене, работа с большими объёмами данных.
- Опыт разработки на Python: уверенное владение Python для написания пайплайнов, API-сервисов, скриптов обработки данных. Опыт работы с Pandas, NumPy, PySpark, Dask.
- Глубокое знание SQL: сложные запросы, оконные функции, оптимизация, работа с различными СУБД (Oracle, PostgreSQL, ClickHouse, Greenplum).
- Опыт работы с распределёнными системами: понимание архитектуры и принципов работы ClickHouse, Apache Spark, Hadoop. Настройка кластеров, управление ресурсами.
- Опыт построения ML-пайплайнов: работа с фреймворками машинного обучения (scikit-learn, XGBoost, LightGBM, CatBoost), опыт внедрения моделей в продукт.
- Опыт работы с облачными технологиями и контейнеризацией: Docker, Kubernetes, Yandex Cloud, AWS, GCP или аналоги.
- Понимание архитектуры микросервисов: опыт разработки REST/gRPC API, работа с очередями сообщений (Apache Kafka, RabbitMQ).
- Системное мышление: умение видеть систему целиком, понимание компромиссов между производительностью, стоимостью и надёжностью.
- Работа с кодировками и локализацией: понимание работы с многобайтовыми кодировками (UTF-8), проблемы с данными из разных источников.
Будет плюсом
- Опыт работы с MLOps-инструментами (MLflow, Kubeflow, Airflow для управления пайплайнами, DVC для версионирования данных и моделей).
- Опыт разработки на Java, Scala, Go для высоконагруженных систем.
- Опыт работы с NoSQL-базами (MongoDB, Redis, Cassandra, Elasticsearch).
- Знание Data Lake / Data Lakehouse архитектур (Delta Lake, Iceberg, Hudi).
- Опыт работы с BI-инструментами (Power BI, Tableau, DataLens) для валидации данных на выходе из пайплайнов.
- Опыт миграции систем между платформами и версиями (например, с on-premise в облако, с Hadoop на ClickHouse).
- Опыт работы с Git и CI/CD (GitLab CI, Jenkins, GitHub Actions).
- Опыт менторства младших инженеров, проведение Code Review.
- Знание Oracle BI EE (репозиторий и его слои, Administration Tool, веб-каталог, пулы соединений).
- Архитектурное проектирование: опыт проектирования систем с нуля, выбор технологического стека, оценка стоимости владения (TCO), разработка стратегии масштабирования.
- Безопасность: глубокое понимание вопросов безопасности данных, управление доступом, шифрование, аудит.
- Управление командой: опыт руководства командой инженеров (от 3 человек), распределение задач, участие в найме, проведение техсобеседований.
- Стратегическое планирование: участие в дорожной карте развития платформы данных на 1-2 года вперёд.
Мы предлагаем
-
Оформление по ТК РФ, полный социальный пакет. Конкурентная заработная плата (обсуждается по итогам собеседования). Интересные проекты федерального масштаба — информационные системы ФТС России.
ФАУ НИА - Аккредитованная ИТ компания, занимающаяся разработкой информационных систем, обработкой данных, обучением и развитием отрасли аккредитации. Мы занимаемся продуктовой разработкой на современном технологическом стеке Java. Строим собственное хранилище данных чтобы применять современные методы анализа данных.
Чем предстоит заниматься:
- Построение и поддержка инфраструктуры для развертывания и эксплуатации ML/AI-решений (RAG-систем, LLM, ИИ-агентов)
- Развертывание и сопровождение больших языковых моделей (Mistral, Deepseek, Qwen и др.) на собственных мощностях, в том числе с использованием GPU
- Настройка CI/CD-пайплайнов: автоматизация сборки, тестирования и доставки кода и моделей в продуктив
- Контейнеризация и оркестрация сервисов: Docker, Kubernetes, управление микросервисной архитектурой
- Обеспечение стабильной работы систем под нагрузкой: мониторинг, логирование, алертинг (Prometheus, Grafana, ELK)
- Управление инфраструктурой как кодом (IaC): Terraform, Ansible
- Поддержка и развитие MLOps-практик: версионирование моделей и данных, воспроизводимость экспериментов, автоматизация деплоя моделей
- Обеспечение информационной безопасности инфраструктуры, управление доступами, резервное копирование и восстановление
- Взаимодействие с командой разработки и аналитики для оптимизации процессов разработки и эксплуатации
- Подтвержденный опыт построения и поддержки инфраструктуры для ML/AI-проектов
- Опыт локального развертывания больших языковых моделей и работы с GPU-ресурсами
- Уверенное владение Docker и Kubernetes (оркестрация, масштабирование, Helm)
- Опыт настройки CI/CD (GitLab CI, Jenkins, GitHub Actions)
- Знание Linux на уровне администрирования, навыки написания скриптов (Bash, Python)
- Опыт работы с системами мониторинга и логирования (Prometheus, Grafana, Zabbix, ELK)
- Владение инструментами IaC (Terraform, Ansible)
- Понимание принципов MLOps и опыт работы с MLflow, DVC или аналогами
- Знание сетевых технологий, принципов построения отказоустойчивых систем
- Опыт работы с облачными и/или гибридными инфраструктурами
Мы предлагаем:
- Работа в офисе класса "А" Москва-сити "Башня Федерация"
- Официальное трудоустройство и полностью белая заработная плата
- График работы 5/2 с 09.00 до 18.00 (в пятницу до 17.30)
- Комфортный формат работы (офис на испытательном сроке, гибрид на основном)
- Конкурентный уровень дохода (обсуждается с успешным кандидатом по итогам интервью)
- Премии (ежемесячные, квартальные, годовые)
- Социальные и иные гарантии, предусмотренные ТК РФ
- Прозрачный и комфортный старт с поддержкой наставника
- Возможность самореализации в надежной и стабильной компании
- ДМС
Кто такой MLOps инженер
MLOps-инженер строит инфраструктуру, на которой живут модели: конвейеры обучения, деплой в прод, версионирование данных и моделей, мониторинг качества и дрейфа. Он делает так, чтобы модель, обученная дата-сайентистом, стабильно работала под нагрузкой, обновлялась предсказуемо и не деградировала молча. Это DevOps, заточенный под специфику машинного обучения.
Когда моделей в компании становится больше одной, а деплой руками превращается в боль, появляется потребность в этой роли. Кто-то должен собрать training pipeline, поднять serving на GPU, настроить трекинг экспериментов и алерты на просадку метрик. MLOps-инженер закрывает разрыв между «модель обучили» и «модель приносит пользу в проде» — без него исследование так и остаётся исследованием.
Требования и стек
Стек — на стыке ML и эксплуатации.
- Serving: TorchServe, Triton, KServe, BentoML, SageMaker.
- Пайплайны обучения: Kubeflow Pipelines, Airflow, Prefect, Metaflow.
- Трекинг и версии: MLflow, Weights & Biases, DVC.
- Feature stores: Feast, Tecton.
- Мониторинг: Evidently, Arize, WhyLabs — детекция дрейфа данных и модели.
- Инфраструктура: Docker, Kubernetes, Terraform, CI/CD (GitHub Actions, GitLab CI), GPU-ноды (NVIDIA device plugin).
Чистая инфраструктура без ML-специфики — это уже обычный DevOps, а обучение самих моделей — Data Science и ML. Граница с ними тонкая, и во многих командах роли пересекаются, так что кросс-навык только в плюс.
Карточек в выборке первой страницы: 25. С явной отметкой удалённой работы: 10. Источник — показанные объявления HireSeeker; одна карточка учитывается один раз. Это срез текущей страницы, а не доли по всему рынку. Отсутствие отметки не означает запрет удалённой работы.
Что ждут от кандидата
Главный вход в профессию — прийти из DevOps или SRE, добрав ML-специфику: если вы уже уверенно держите Kubernetes, CI/CD и облако, освоить serving и трекинг моделей — вопрос практики. Второй путь — из Data Science в сторону инженерии, когда хочется не столько обучать, сколько заставлять модели надёжно работать.
Что обсуждают на собеседовании:
- как задеплоите модель в прод и как организуете откат, если новая версия хуже;
- Kubernetes и контейнеры на уверенном уровне — это фундамент роли;
- как ловите деградацию: мониторинг метрик, дрейф данных, алерты;
- опыт с GPU-инфраструктурой и оптимизацией инференса.
Сильное преимущество — показать законченный пайплайн: от обучения до задеплоенной модели с мониторингом. Даже учебный сквозной проект убеждает сильнее списка инструментов, потому что демонстрирует, что вы видите весь жизненный цикл модели. Такой кейс стоит вынести в резюме первым.
Зарплаты и спрос
Медианная зарплата — 375 000 ₽ по вакансиям за последние 30 дней. Подробная статистика зарплат MLOps инженер.
Смотрите также в каталоге
Хотите персональную подборку?
Введите свои критерии — мы отфильтруем вакансии по вашим требованиям
Найти подходящие вакансии →