MLOps инженер — свежие вакансии

Чем ты будешь заниматься

• разворачивать и поддерживать ML-инфраструктуру в Kubernetes: ML-модели, сервисы, базы данных;
• настраивать и оптимизировать инференс-сервисы и системы мониторинга;
• работать с облачными сервисами и управлять инфраструктурой через Terraform;
• автоматизировать деплоймент ML-сервисов и взаимодействовать с ML командой;
• поддерживать ClearML для управления экспериментами и автоматизации обучения и деплоя;
• оптимизировать CI/CD и развертывание моделей, улучшать инструменты для экспериментов и мониторинга;
• реализовать деплоймент сервисов через Helm чарты и ArgoCD.

Стек: Kubernetes, Helm, ArgoCD, Terraform

Мы ожидаем

• опыт работы в DevOps/SRE от 3 лет
• опыт работы с системами мониторинга и алертинга, создания дашбордов (Prometheus, Grafana, Loki)
• глубокое знание основ DevOps-практик и методов эффективной организации CI/CD-процессов
• опыт взаимодействия с распределенными системами, контейнерами
• высокий уровень владения Linux и сетевыми технологиями
• способность быстро находить правильные технические решения и брать ответственность за их реализацию
• хорошая ориентация в ИТ: сетях, работе с данными, протоколах интернета, RPC и другом

Мы разрабатываем внутреннюю ML‑платформу, которая помогает ML‑разработчикам быстро и предсказуемо доводить модели до продакшена — от готовой модели до стабильного продового инференс-сервиса, который можно передавать внешним командам на интеграцию.

На платформе больше тысячи моделей и суммарно десятки тысяч запросов в секунду.

Задачи платформы:

• Сокращение time‑to‑market (TTM): убираем ручные шаги, стандартизируем путь модели в прод и делаем его воспроизводимым и прозрачным
• Эффективность и надёжность: большинство моделей работают на GPU, поэтому важно минимизировать простои, корректно масштабироваться под нагрузку и сохранять устойчивость сервиса даже при сбоях на уровне инфраструктуры/железа

Задачи инженера

• Развивать backend-инфраструктуру инференс-платформы
• Работать над эффективным использованием GPU
• Совместно с командой инфраструктуры улучшать end‑to‑end надёжность

Требования

• Опыт разработки на Java
• PostgreSQL
• Опыт работы с микросервисами

Будет плюсом

• Опыт работы с ML
• Опыт работы с Inference Backend'ами
• Опыт работы с Nvidia GPU

Группа разработки HPC-инфраструктуры занимается созданием суперкомпьютера, на котором обучается вся компания. Мы строим HPC-сегменты с использованием технологий InfiniBand и RoCE, а поверх них — ML-платформу на базе Kubernetes.

Задачи

• Разработка и развитие компонентов ML-платформы и инфраструктурных сервисов
• Автоматизация процессов запуска, сопровождения и мониторинга ML/HPC workloads
• Повышение надёжности, производительности и масштабируемости платформы
• Развитие CI/CD и внутренних инструментов для эксплуатации платформы
• Взаимодействие с командами разработки и ML-инженерами по вопросам платформы и инфраструктуры

Требования

• Опыт разработки инфраструктурных и platform-компонентов на Go
• Углубленные знания Linux, включая понимание работы ОС, сетевого стека и механизмов контейнеризации
• Хорошее понимание сетей, сетевых протоколов и диагностики проблем связности
• Знание архитектуры и принципов работы Kubernetes
• Навыки troubleshooting на всех уровнях инфраструктуры: хост, контейнеры, runtime, сеть
• Опыт автоматизации инфраструктурных процессов и разработки внутренних инструментов
• Понимание принципов надёжности, масштабируемости и observability production-систем

Будет плюсом

• Опыт работы с ML / MLOps / HPC workloads
• Опыт разработки на Python
• Опыт работы с CI/CD, monitoring и platform tooling

Команда АЛЬФА-МОБАЙЛ это мобильный виртуальный оператор для клиентов одного из крупнейших банков страны – «Альфа-Банка», признанного в 2024 году технологическим лидером в области финтех. Команда MVNO - это команда профессионалов с многолетним опытом в Телеком и ИТ. Мы объединяем в себе передовые технологии в области коммуникации.

Мы развиваем внутреннюю AI-платформу для запуска и эксплуатации AI/ML/LLM-сервисов. Ищем инженера уровня Pre-Middle, который уже имеет хорошую DevOps-базу и хочет развиваться в сторону AI Infrastructure / MLOps.

В этой роли предстоит не только сопровождать инфраструктуру, но и постепенно участвовать в проектировании и развитии платформы: Kubernetes, CI/CD, storage, observability, GPU-инфраструктура и сервисы инференса

Чем предстоит заниматься:

• Развивать и сопровождать инфраструктуру AI-платформы.
• Разворачивать и поддерживать сервисы в Kubernetes.
• Контейнеризировать приложения и инфраструктурные компоненты с использованием Docker.
• Разрабатывать и поддерживать CI/CD-пайплайны.
• Автоматизировать рутинные операции с помощью Python и Bash.
• Работать с ArgoCD и IaC-инструментами.
• Настраивать мониторинг, логирование и health-checks.
• Работать с persistent storage и S3/object storage.
• Участвовать в эксплуатации AI/ML-сервисов и LLM inference, администрировать AI системы.
• Постепенно осваивать GPU-инфраструктуру и особенности запуска AI-сервисов на GPU.
• Участвовать в развитии внутренних стандартов deployment и эксплуатации AI-сервисов.
• Разбираться в инцидентах и самостоятельно доводить технические задачи до результата.
• Взаимодействовать с архитекторами, разработчиками, специалистами по кибербезопасности, ML-инженерами и системными администраторами

Требования:

• Уверенное владение Linux и командной строкой.
• Практический опыт с Docker и Docker Compose.
• Базовый практический опыт работы с Kubernetes.
• Понимание основных Kubernetes-объектов: Pod, Deployment, Service, ConfigMap, Secret, Ingress, PVC.
• Опыт работы с Git.
• Понимание принципов CI/CD и практический опыт работы хотя бы с одним CI/CD-инструментом.
• Bash на уровне написания небольших скриптов автоматизации.
• Python на уровне написания automation scripts и небольших сервисных утилит.
• Базовое понимание сетей: TCP/IP, DNS, HTTP/HTTPS.
• Понимание принципов мониторинга и логирования.
• Понимание разницы между файловым, блочным и объектным хранилищем.
• Понимание базовых принципов работы AI/ML-сервисов: model, training, inference, embeddings, LLM
• Понимание базовых принципов применения мер защиты от киберугроз

Будет плюсом:

• Helm, Ansible
• ArgoCD / GitOps.
• Prometheus / Grafana / Loki.
• S3 / MinIO.
• PostgreSQL / Redis.
• Опыт работы с GPU и NVIDIA.
• NVIDIA Container Toolkit / CUDA.
• vLLM, SGLang, Triton или другие inference engines.
• MLflow, Airflow, Kubeflow или другие MLOps-инструменты.
• RAG, vector databases, embeddings.
• Непосредственный опыт эксплуатации AI/ML или LLM-сервисов.
• Опыт работы в инфраструктурной или DevOps-команде.
• Опыт эксплуатации production-систем.
• Опыт работы с on-premise инфраструктурой.
• Опыт работы с Linux-серверами и Kubernetes-кластерами.
• Понимание принципов отказоустойчивости и масштабирования.
• Английский язык на уровне чтения технической документации.

Мы не ожидаем глубоких знаний ML и разработки нейронных сетей.

Не требуется самостоятельно обучать модели или разрабатывать ML-алгоритмы.

Важнее хорошая инженерная база, способность самостоятельно разбираться в проблемах и готовность постепенно углубляться в AI infrastructure.

Условия:

• Стабильный и прозрачный доход: размер заработной платы обсуждается по итогам собеседования + премия по результатам KPI
• Сложные и интересные задачи, современный стек технологий
• Заботу о вашем здоровье: программа ДМС с первых дней работы, куда входит стоматология, обслуживание в лучших клиниках города
• Возможность вертикального и горизонтального карьерного роста: регулярно проходят тренинги, вебинары, митапы и демо-дни
• Корпоративные предложения от партнёров группы АЛЬФА-БАНК
• Бесплатная мобильная связь Альфа-Мобайл.

Обязанности:

• Разработка и обучение моделей: Создание прогнозных моделей для классических банковских задач (кредитный скоринг, отток клиентов, рекомендательные системы, антифрод, склонность к продуктам).
• Проектирование ML-инфраструктуры: Настройка полного цикла жизни моделей от сбора сырых данных до вывода в промышленную эксплуатацию (MLOps пайплайны, CI/CD для ML).
• Работа с данными: Оптимизация витрин данных, генерация и отбор фичей (Feature Engineering), а также контроль качества входных данных (Data Quality).
• Мониторинг моделей: Настройка дашбордов для контроля стабильности моделей в проде (отслеживание дата-дрифта и концепт-дрифта).
• Взаимодействие с бизнесом: Обсуждение требований с продуктовыми командами и аналитиками, перевод бизнес-задач на язык метрик машинного обучения.

Требования:

• Опыт работы: 1-2 года в роли ML-инженера или Data Scientist.
• Опыт в Финтехе: Обязателен успешный опыт реализации ML-проектов в банковской сфере (понимание логики кредитных конвейеров, транзакционных данных или маркетинговых кампаний).
• Языки и библиотеки: Отличное владение Python и классическим ML-стеком (Scikit-learn, LightGBM, XGBoost, CatBoost).
• Работа со сложными данными: Уверенное знание SQL (сложные запросы, оконные функции, оптимизация). Опыт работы с инструментами обработки больших данных (PySpark, Hadoop/Hive) будет преимуществом.
• Вывод в прод (Deployment): Опыт контейнеризации приложений (Docker) и написания API для моделей (FastAPI, Flask).
• Инструменты: Опыт работы с системами контроля версий (Git) и инструментами логирования экспериментов (MLflow / ClearML / W&B).

Став частью команды Forte, ты получишь:

• Конкурентную заработную плату и бонусы за персональную эффективность;
• График работы 5/2 с 9:00-18:00 в комфортном офисе;
• Жизнь внутри компании с ее корпоративными мероприятиями: тимбилдинги, челленджи, спортивные турниры, благотворительные акции;
• Заботу о здоровье с медицинским страхованием, а также DayOff в честь дня рождения и за выслугу лет;
• Выгодную рассрочку в крупные фитнес-клубы;
• Доступ к корпоративной библиотеке для непрерывного обучения и саморазвития.

​​​​​​

Мы строим современную платформу данных и ML: хранилище по слоям, единый профиль клиента (MDM), фичестор и систему принятия решений по заявкам в реальном времени.

ML-инфраструктуры в полноценном виде у нас пока нет, и мы ищем человека, который спроектирует её сам: выберет подходы и инструменты, обоснует решения, реализует и станет владельцем платформы. Это не позиция «делать по готовому ТЗ».

Важно: это роль технического лидера, а не менеджера. Основную часть времени вы будете сами, своими руками разворачивать, настраивать и отлаживать инфраструктуру — от кластеров и сервисов до CI/CD, логирования и алертов.

Чем предстоит заниматься:

• Спроектировать целевую архитектуру ML-платформы: как модели обучаются, выкатываются, обслуживаются и мониторятся; как фичи попадают из DWH в онлайн-контур скоринга.
• Сравнивать и выбирать технологии под наши задачи, готовить обоснования и защищать решения перед командой и руководством.
• Своими руками развернуть и настроить: dbt поверх Greenplum, Yandex Data Proc (Spark), MLflow (трекинг экспериментов, реестр моделей), serving моделей (онлайн-инференс по API и батч-скоринг, версионирование, откаты).
• Развернуть, настроить и поддерживать инфраструктуру фичестора на Feast: офлайн-хранилище в DWH (Greenplum), онлайн-хранилище на Valkey, registry, materialization, логирование и мониторинг. Сами признаки и пайплайны строят дата-инженеры, а вы задаёте стандарты работы с фичестором (регистрация фич, point-in-time корректность, отсутствие расхождений train/serve), обучаете команду и ревьюите решения.
• Выстроить мониторинг на всех уровнях: инфраструктура и сервисы — метрики, логи, алертинг (Prometheus, Grafana, Alertmanager, ELK/Loki); модели — дрейф фич и скоров, стабильность (PSI), деградация качества, латентность и ошибки инференса; данные — свежесть, полнота и корректность фич и витрин, контроль пайплайнов Airflow и dbt; дашборды и регламенты реагирования на инциденты.
• Обеспечить онлайн-скоринг заявки с низкой задержкой: сбор фич из фичестора, MDM и внешних источников.
• Автоматизировать пайплайны (Airflow, Kafka, Debezium), выстроить инфраструктуру как код (Terraform) и CI/CD.
• Поддерживать всё развёрнутое в эксплуатации: обновления, масштабирование, разбор инцидентов, runbook-и.
• Самостоятельно находить узкие места и риски в платформе и предлагать, что улучшить, не дожидаясь запроса.
• Задавать стандарты MLOps/DataOps и помогать командам DWH и Data Science работать по ним.

Что мы ждём:

• От 5 лет в DevOps / Data Engineering / MLOps, из них от 2 лет — ML-инфраструктура в продакшене.
• Сильный hands-on опыт: вы сами разворачивали и эксплуатировали инфраструктуру в проде и готовы много работать руками — Kubernetes, Terraform, конфиги, пайплайны, отладка.
• Опыт проектирования платформы или крупной подсистемы с нуля — не только поддержки существующей. Готовность рассказать, какие решения принимали и почему.
• Архитектурное мышление: умение видеть систему целиком, учитывать нагрузку, отказоустойчивость, стоимость владения и безопасность, взвешивать компромиссы.
• Опыт вывода ML-моделей в прод с онлайн-инференсом (FastAPI, BentoML, KServe, Triton или аналоги).
• Уверенный Python, SQL, Linux, Git.
• MLflow (или аналоги), Airflow, Spark, Kafka.
• Docker, Kubernetes, CI/CD, Terraform.
• dbt и MPP-хранилища (Greenplum, PostgreSQL, ClickHouse), + Redis.
• Опыт развёртывания и эксплуатации Feast в проде: online/offline store, registry, materialization, point-in-time корректность, интеграция с сервисом инференса. Умение передать эти знания дата-инженерам: написать гайдлайны, провести ревью, разобрать ошибки.
• Опыт построения мониторинга с нуля: Prometheus, Grafana, алертинг; мониторинг ML-моделей (Evidently, NannyML или собственные решения); контроль качества данных (dbt tests, Great Expectations или аналоги).
• Проактивность: вы сами формулируете задачи, доводите их до результата и приходите с предложениями, а не ждёте постановки.
• Умение письменно оформлять архитектурные решения (ADR, схемы, документация) и объяснять их техническим и нетехническим коллегам.

Будет плюсом:

• Опыт в Yandex Cloud (Data Proc, Managed Kubernetes, Managed Greenplum / MPP Analytics).
• Опыт в финтехе, банках или МФО: кредитный скоринг, антифрод, работа с БКИ.
• Знание требований 152-ФЗ и практик работы с персональными данными.
• Опыт с потоковой обработкой (Flink, Spark Structured Streaming).

Мы предлагаем:

• Возможность построить ML-платформу с нуля и влиять на архитектуру.
• Современный стек и реальные задачи с измеримым влиянием на бизнес.
• Зарплата: обсуждается по итогам интервью.
• Формат работы: удобный для вас [удалённо / гибрид / офис в Москве].
• Скидки от компаний-партнеров через PrimeZone.