MLOps Engineer (LLM / Multi-Agent Systems / Kubernetes / RAG)

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.

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.

Требования:

• 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.

Мы ищем сильного бэкенд-разработчика, который будет отвечать за архитектуру и надежность сервисов и пайплайнов обучения ML-моделей

• Разработка системного дизайна сервисов с нуля и выбор оптимальных компонентов (БД, очереди, кэши, векторные хранилища) под конкретные задачи.

• Написание высоконагруженного и отказоустойчивого кода на Python.

• Создание внутренних библиотек и фреймворков для упрощения работы с обучением ML-моделей.

• Разработка пайплайнов для инференса моделей (включая LLM), управление контекстом, работа с API внешних провайдеров и локальных моделей.

• Траблшутинг сложных проблем на стыке инфраструктуры и ML.

• Настройка мониторинга, логирования и алертинга для сервисов.

• Самостоятельный сбор и анализ требований от стейкхолдеров, превращение бизнес-задач в технические решения.

• Проведение code review, помощь команде в вопросах архитектуры и лучших практик Python.

• Опыт коммерческой разработки на Python от 5 лет (AsyncIO, Многопоточность, FastAPI, Django, Flask или аналоги) из них 1 год в ML

• Глубокое понимание принципов построения распределенных систем, опыт проектирования отказоустойчивых архитектур (микросервисы, event-driven, паттерны работы с отказами)

• Понимание GIL, async/await, работа с памятью, умение писать чистый, тестируемый и переиспользуемый код (библиотеки).

• Понимание того, как работают ML-модели и LLM (эмбеддинги, RAG, fine-tuning, контекстное окно), умение выбрать подходящий инструмент (LangChain, vLLM и т.д.).

• Опыт работы с Docker, Kubernetes, CI/CD.

• Понимание принципов мониторинга (Prometheus, Grafana, Sentry) и умение диагностировать проблемы в проде.

• Проактивность, умение работать в условиях неопределенности, способность самостоятельно находить требования и предлагать решения.

• Будет плюсом опыт работы с векторными базами данных (Qdrant, Milvus, pgvector) и понимание MLOps-практик (MLflow, Clearml, Airflow, Feature Store).

• крупнейшее DS&AI community — более 600 DS-специалистов банка

• дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира

• возможность быть соавтором НИРов и статей для международных конференций

• возможность выбрать удобный формат работы: гибрид или офис

• ежегодный пересмотр зарплаты, годовая премия

• корпоративный спортзал и зоны отдыха

• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития

• расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа

• вознаграждение за рекомендацию друзей в команду Сбера.