EPAM Systems — 9 специалистов (Data/Cloud/DevOps)

#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)

• 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.