Руководитель ML/AI-платформы
Циан — публичная IT-компания, крупнейший в России сервис для поиска недвижимости, входит в мировой топ-10.
циан На сервисе с: 07.10.26 17:23
Циан — публичная IT-компания, крупнейший в России сервис для поиска недвижимости, входит в мировой топ-10.
Cian.ru — это большой и сложный продукт, в котором представлено несколько типов недвижимости и типов сделки, а также есть множество сервисов, информационных материалов и собственное медиа.
Ежемесячная аудитория около 20 млн. человек. Растить число пользователей и решать их проблемы помогают уже больше 1000 человек.
Мы ищем руководителя ML/AI-платформы. AI-платформа Циана отвечает за ML и LLM-инфраструктуру для продуктовых команд и внутренних пользователей. В зоне ответственности две части: ML-платформа, которая поддерживает жизненный цикл около 150 production-моделей, и LLM-платформа — единый шлюз к внешним и собственным LLM, self-hosted инференс на GPU и корпоративный AI-ассистент для сотен сотрудников. Работаем на стыке с информационной безопасностью, SRE, инфраструктурой и Data Platform. Наша цель — давать компании надёжные, безопасные и экономически обоснованные AI-инструменты, превращая поток запросов «нам нужен AI» в понятный план развития и результат.
Задачи:
-
Развивать LLM-платформу как внутренний продукт: шлюз к моделям с учётом квот и стоимости, self-hosted инференс, выбор и оценка моделей (evals, бенчмарки), защита чувствительных данных, базовая инфраструктура для агентских сценариев.
-
Переводить продуктовые интеграции с внешних LLM на модели в собственном контуре и модели российских провайдеров.
-
Отвечать за GPU-мощности: планирование ёмкости, размещение с резервированием, выбор между арендой и своим железом, расчёт окупаемости, бюджет CAPEX/OPEX.
-
Поддерживать и эволюционно развивать ML-платформу: Kubernetes, model registry, serving, обновления под требования безопасности, наблюдаемость и надёжность.
-
Выстроить обработку входящих запросов в платформу: единая точка приёма, прозрачная приоритизация, чёткие границы между платформой и прикладными решениями команд, документация для самообслуживания.
-
Руководить командой: нанимать и развивать сильных инженеров,
-
Работать на стыках: с ИБ по ПДн, 152-ФЗ, prompt injection; с SRE, инфраструктурой и Data Platform по данным, Kafka и вычислениям;
-
Формировать и защищать стратегию развития ML/AI-платформы
Требования:
-
Опыт руководства ML- или LLM-платформой либо инфраструктурной командой.
-
Практическое понимание LLM-инфраструктуры: serving (vLLM, TGI, Triton или аналоги), ограничения и утилизация GPU, производительность, стоимость токена, оценка качества моделей, компромисс между своими моделями и внешним API.
-
Опыт MLOps: Kubernetes, model registry и tracking (MLflow или аналоги), CI/CD моделей, эксплуатация большого числа моделей.
-
Умение управлять внутренним продуктом: переводить размытые запросы в задачи с критериями результата, говорить «нет» с альтернативой, держать фокус команды на 2–3 главных целях.
-
Уверенная коммуникация с топ-менеджментом и заказчиками
-
Опыт работы с требованиями безопасности и регуляторики: умение договориться об этапности, а не принять весь скоуп разом.
-
Финансовая грамотность: бюджет, обоснование закупок железа и найма, прогноз потребления.
Будет плюсом:
-
Опыт миграции с зарубежных LLM API на self-host или российских провайдеров (Yandex Cloud, Cloud.ru и др.).
-
Агентские платформы: MCP, запуск и эксплуатация автономных агентов, LLM-роутинг, кэширование (KV-cache).
-
NLP и evals: детекция и маскирование ПДн, golden-датасеты, бенчмаркинг моделей.
-
Опыт найма в узком рынке LLM/GPU-инженеров и построения ML-гильдии или центра экспертизы.
-
Знакомство со стеком: Kafka, Spark, Feast, JupyterHub, Kubeflow.
Что мы предлагаем:
-
Удаленную работу с возможностью приходить в офис в Москве, Санкт-Петербурге и Новосибирске. В офисе – кухни, оборудованные всем необходимым, а также снеки, фрукты, кофе и чай. Тихие комнаты, где можно сосредоточиться над задачей или просто отдохнуть в тишине;
-
Большие возможности для роста и развития: в первые месяцы у каждого сотрудника есть ментор, после появляется личный план развития и возможность прокачивать soft/ hard skills на практике, обучении, конференциях;
-
ДМС с первого рабочего дня (со стоматологией, госпитализацией, страховкой выезжающего за пределы нашей страны);
-
5 day off в год, помимо основного отпуска;
-
Кафетерий льгот Aladdin и PrimeZone.
-
У каждого сотрудника есть денежный депозит 25000 рублей — можешь оплатить им абонемент в фитнес, обучение, развлечения, консультации психолога и других специалистов, купить вещи или подарки для себя и своей семьи;
-
Доплата за 10 дней больничного: Циан компенсирует 10 рабочих дней больничного в год после прохождения испытательного срока. Если ты проведёшь на официальном больничном две недели, ты не потеряешь в доходе, оклад за месяц будет выплачен полностью.
Похожие вакансии MLOps инженер
#vacancy
MLOps Engineer (LLM / Multi-Agent Systems / Kubernetes / RAG) ⚡️🤖
ID вакансии: MLm_DNA
Ставка: до 250 000 руб. на руки в месяц.
Грейд: Middle+ / Senior.
Загрузка: Full-time.
Формат: Удалённо.
Локация/Гражданство: РФ.
🏢 Клиент: МТС.
🧩 О проекте: построение и развитие современных MLOps-платформ для машинного обучения с фокусом на LLM-решения, RAG-пайплайны и мультиагентные системы.
Ищем MLOps-инженера, который находится на стыке классического DevOps и передовых AI-технологий. Роль для специалиста, который не только умеет строить надежные CI/CD и оркестрировать пайплайны в Kubernetes, но и глубоко понимает специфику развертывания и обслуживания LLM, LangGraph и Multi-Agent систем.
🚀 Ключевые задачи:
— Построение, развитие и поддержка MLOps-платформ для машинного обучения. — Оркестрация ML-пайплайнов и процессов обработки данных (Apache Airflow). — Внедрение и поддержка инструментов трекинга экспериментов, версионирования данных и моделей (MLflow, ClearML, Kubeflow, DVC). — Настройка и поддержка CI/CD процессов специально для ML-моделей и сервисов. — Инфраструктурная поддержка разработки и развертывания Multi-Agent Systems, RAG-пайплайнов и LLM-приложений. — Настройка мониторинга и наблюдаемости (Observability) для ML-сервисов и LLM-инференса.
🎯 Обязательные требования (Hard Skills):
MLOps и DevOps (КРИТИЧНО!): — Глубокое понимание и опыт работы с Docker и Kubernetes (K8s). — Опыт построения CI/CD for ML (специфичные пайплайны для обучения и деплоя моделей). — Владение инструментами MLOps: MLflow, ClearML, Kubeflow, DVC.
LLM и Agentic AI (КРИТИЧНО!): — Понимание и опыт работы с фреймворками: LangChain, LangGraph, LlamaIndex. — Опыт поддержки инфраструктуры для Multi-Agent Systems и Autonomous Agents. — Понимание принципов RAG (Retrieval-Augmented Generation), MCP (Model Context Protocol), Prompt Engineering и Tool Use. — Опыт работы с API LLM-провайдеров (OpenAI и аналоги).
Оркестрация и наблюдаемость: — Уверенный опыт работы с Apache Airflow. — Опыт настройки мониторинга и наблюдаемости (Observability) для ML-систем (метрики качества моделей, дрейф данных, latency, throughput).
💡 Будет плюсом: — Опыт оптимизации инференса LLM (vLLM, TensorRT-LLM, Ollama). — Знание Python на уровне, достаточном для написания скриптов автоматизации и кастомных операторов Airflow. — Понимание векторных баз данных (Qdrant, Milvus, pgvector) и их эксплуатации.
📲 Контакт для отклика: @hrwomenpro (При отклике, пожалуйста, пишите ID вакансии: MLm_DNA)
ML / MLOps Engineer (Прикладной ML, инфраструктура и эксплуатация моделей)
Ответственность end-to-end: от постановки ML-задачи и выбора подхода до работающего сервиса и контроля качества после запуска. Нужен специалист, способный не только развернуть готовую модель, но и подготовить данные, обучить или адаптировать модель, оценить результат и лично проверить его в продукте.
Обязанности:
- Вести ML-задачу полного цикла. Уточнять задачу и критерии успеха, анализировать и подготавливать данные, создавать baseline и выбирать подход. Определять, достаточно ли готовой модели или требуется её адаптация либо обучение.
- 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.
- Практический опыт прикладного ML. Самостоятельная подготовка данных, обучение и оценка моделей, анализ ошибок. Понимание выбора метрик, разделения данных на обучающие, валидационные и тестовые выборки, переобучения и утечек данных.
- 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.
- 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.
- Опыт в одном или нескольких направлениях: NLP/LLM, компьютерное зрение, обработка речи или ML на табличных данных.
Что считается завершённой работой:
- Получено воспроизводимое решение с подтверждённым качеством, проверенное в целевой среде и интегрированное в продукт. Результаты оценки и известные ограничения зафиксированы, мониторинг, обновление и откат предусмотрены. Личный анализ данных и предсказаний, а также проверка реальных сценариев обязательны. Одной сводной метрики, обученной модели или работающего endpoint недостаточно.
Условия:
- Фиксированная оплата труда. Уровень дохода в оффере будет согласовываться по грейдовой системе, исходя из результатов собеседования.
- Готовы рассматривать кандидатов с разным уровнем квалификации (junior/middle/senior).
- Оформление через ИП.
HireSeeker собирает вакансии со всех площадок и присылает только релевантные. Бесплатно.