Middle+ / Senior MLOps Engineer

Мы строим высоконагруженные production-grade ML-системы для обеспечения банковской безопасности. Наш фокус: антифрод, управление рисками, обнаружение аномалий и оптимизация бизнес-процессов. Внедряем различные решения – от классического ML до state-of-the-art архитектур в DL.

Ищем опытного ML/MLOps инженера, который будет работать на стыке Data Science, Backend и DevOps. Главная цель – автоматизировать, масштабировать и контролировать жизненный цикл моделей

Обязанности

• упаковка моделей в Docker
• настройка CI/CD пайплайнов
• версионирование данных, моделей и артефактов в MLflow
• деплой в Kubernetes
• проектирование end-to-end пайплайнов (от сырых логов до сервиса)
• сборка данных из SQL/NoSQL баз
• проектирование витрин признаков (Feature Engineering)
• автоматизация переобучения моделей в Airflow
• работа с потоковыми данными в Kafka
• настройка мониторинга data drift и model decay
• логирование экспериментов (MLflow)
• анализ данных и валидация моделей
• совместная работа DS/DE/DevOps/Backend по интеграции моделей в микросервисную архитектуру.

Требования

• опыт работы ML Engineer, MLOps Engineer или DevOps Engineer от 3-х лет (с подтверждённым опытом вывода моделей в прод)
• понимание жизненного цикла моделей
• уверенное владение Python
• знание Linux и сетевых основ
• понимание микросервисной архитектуры и работы с очередями (Kafka)
• опыт работы с REST API
• опыт работы с облачными платформами (AWS, GCP, Azure или Yandex Cloud)
• опыт построения CI/CD пайплайнов
• опыт работы с Airflow (оркестрация), MLflow (трекинг), Docker/K8s (контейнеризация), Kubernetes
• опыт использования систем контроля версий Git/Bitbucket
• уверенное владение SQL (сложные джойны, оконные функции, оптимизация запросов) и знакомство с Big Data стеком (Spark, Hadoop)
• умение решить любую несложную инфраструктурную задачу, с которой не работал(а) ранее
• навыки работы с генеративными AI-моделями; опыт создания AI-агентов и использования их в работе будет преимуществом
• опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки создания и использования AI-агентов
• инструментальное владение AI для анализа, генерации и автоматизации

Будет плюсом

• опыт с LLMs (fine-tuning, RAG, evaluation via RAGAS/DeepEval, vLLM).
• опыт работы с Kafka/Spark
• опыт с LangChain, LangGraph, function calling
• опыт работы с GPU-инфраструктурой и оптимизацией инференса
• опыт мониторинга с использованием Prometheus, Grafana, ELK/OpenSearch
• опыт использования DVC или других инструментов управления версиями данных.

Условия

• инновационные, амбициозные проекты и задачи, которые развивают: всегда есть возможность прокачать свои навыки в работе и профессионально расти
• среда для обмена знаниями – высокая экспертиза внутри команды;
• сплоченная команда, работающая над общими задачами и умеющая хорошо отдыхать
• нашу культуру создают сами сотрудники – мы их слышим и помогаем создавать и поддерживать корпоративные комьюнити по интересам
• стабильная заработная плата и годовой бонус
• полностью офисный формат работы. Современный IT-офис вблизи Москва-Сити в пяти минутах от метро "Кутузовская", с фитнес залом;
• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
• подписка Прайм с возможностью совместного использования на трёх близких
• расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
• вознаграждение за рекомендацию друзей в команду Сбера.

We are seeking a Senior Applied ML Engineer to join a fast-growing team building an agent-native search platform for AI systems, the emerging web access layer for AI. You will develop and deploy machine learning models that power retrieval, ranking, and indexing at scale, helping AI systems access fresh, reliable information in real time. This is a high-impact role working on a production system used 24x7, tackling challenges comparable to large-scale web search.

Your responsibilities:

• Design, train, and deploy ML models for retrieval, reranking, and search relevance in production
• Build and optimise embedding-based indexing and large-scale retrieval systems
• Develop models supporting crawling, data selection, and content understanding
• Define and improve quality metrics for agent-native search and build evaluation pipelines
• Work on systems operating at very large scale, including high-throughput query workloads
• Collaborate closely with engineering teams to integrate ML models into production services
• Analyse performance trade-offs across latency, quality, and cost
• Experiment with and apply state-of-the-art techniques in search, retrieval, and LLM-integrated systems
• Contribute to product and architectural decisions in a fast-moving environment

Must-haves:

• 5+ years of experience in software engineering or applied machine learning
• Strong programming skills in Python, Go, or C++
• Proven experience deploying ML models in production systems
• Hands-on experience with retrieval, ranking, recommendation, or similar ML problems
• Strong understanding of machine learning and modern deep learning techniques
• Experience working with large-scale data systems and high-throughput environments
• Ability to design evaluation frameworks and define meaningful model metrics
• Product-oriented mindset with a focus on impact and iteration
• Strong problem-solving skills and ability to work in a distributed team

Nice-to-haves:

• Experience with search systems or large-scale information retrieval
• Familiarity with embeddings, transformers, and modern NLP systems
• Experience working on LLM-powered or agent-based systems
• Contributions to open-source projects, technical publications, or conference talks
• Participation in competitive ML (e.g. Kaggle) or similar signals of strong technical ability

We conduct coding interviews as part of the process.

• Build prototypes and demos across the product portfolio — serverless inference, databases, MLflow, MLOps, and vertical use cases in Physical AI and HCLS — that become assets for sales, product, and engineering teams
• Support new customers hands-on through POC design, technical onboarding, and validation; act as the bridge between their ML team and the platform during the critical first months
• Go deep on emerging applied AI — new training techniques, inference optimizations, agentic architectures, new frameworks — and turn findings into working prototypes, writeups, and product recommendations
• Feed the product roadmap with specific, grounded feedback; be the voice of "here's what broke in three customer POCs last month and here's what needs to change"
• Develop reusable technical assets — notebooks, reference architectures, benchmark results — that reduce onboarding friction at scale

• You've fine-tuned large models, debugged distributed training jobs, built production RAG or agentic pipelines, and optimized inference on GPU infrastructure — not just read about it
• You're fluent in the modern ML stack: PyTorch, HuggingFace, CUDA fundamentals, Kubernetes for ML, MLflow or equivalent, vector databases
• You've worked with enterprise ML teams — whether as a solutions engineer, customer engineer, or an ML engineer who collaborated closely with customers
• You read papers and implement them — not for credit, but because it's how you stay sharp
• You communicate with calibration: you can explain activation checkpointing tradeoffs to an ML engineer in the morning and the cost implication to a CTO in the afternoon

• Experience in any of our vertical domains: Physical AI / robotics / simulation, HCLS (drug discovery, medical imaging, clinical NLP), or enterprise AI application development
• Familiarity with MLOps at scale (Kubeflow, Metaflow, Argo, Ray)
• Prior work at a cloud provider or AI infrastructure company
• You've shared technical work publicly — notebooks, talks, blog posts that people actually use

• Competitive salary and comprehensive benefits package.
• Opportunities for professional growth within Nebius.
• Flexible working arrangements.
• A dynamic and collaborative work environment that values initiative and innovation.