MLOps Engineer (Python)
Проектировать, развивать и поддерживать ML-платформу, автоматизируя полный жизненный цикл моделей: от обучения и валидации до развёртывания, мониторинга и переобучения
Задачи
- MLOps и ML-платформа
- Проектировать, развивать и поддерживать ML-платформу, автоматизируя полный жизненный цикл моделей: от обучения и валидации до развёртывания, мониторинга и переобучения
- Развивать AutoML-инфраструктуру: автоматизировать эксперименты, подбор гиперпараметров, сравнение моделей и их продвижение из staging в production
- Внедрять и поддерживать MLflow или аналогичные инструменты для трекинга экспериментов, версионирования моделей и обеспечения воспроизводимости результатов
- Проектировать и развивать Feature Store с онлайн- и офлайн-хранилищами, обеспечивая point-in-time корректность данных и согласованность признаков при обучении
- Автоматизировать пайплайны обучения, переобучения и скоринга с помощью Airflow и других инструментов оркестрации, поддерживать batch scoring и real-time inference
- Выстраивать CI/CD для ML: автоматизировать тестирование данных и моделей, проверки качества, безопасное развёртывание и откат изменений
- Настраивать мониторинг ML-систем в production: доступность, latency, throughput, использование ресурсов, data drift, concept drift и качество моделей
- Обеспечивать контейнеризацию, масштабирование и отказоустойчивость ML-сервисов с использованием Docker и Kubernetes
- Развивать Infrastructure as Code (IaC), управлять конфигурациями, секретами и доступами с помощью Terraform, Ansible, Vault и аналогичных инструментов
- Совместно с Data Engineering интегрировать ML-платформу с ClickHouse, Kafka, PostgreSQL, Redis и другими компонентами инфраструктуры данных
- Разрабатывать стандарты MLOps, шаблоны пайплайнов и инструменты для упрощения работы команд Data Science и ML Engineering
- LLMOps и инфраструктура LLM
- Развивать инфраструктуру для развёртывания и эксплуатации LLM-сервисов, включая управление окружениями, конфигурациями и версиями моделей
- Настраивать и оптимизировать LLM inference с помощью vLLM, Ollama и аналогичных решений, управляя GPU-ресурсами, batching, latency, throughput и использованием памяти
- Организовывать единый API-доступ к LLM через LiteLLM или аналоги, настраивать маршрутизацию запросов, fallback-механизмы и контроль использования моделей
- Интегрировать LLM-сервисы с внутренними приложениями и платформами, включая Onyx
- Автоматизировать развёртывание и обновление LLM-сервисов, обеспечивать воспроизводимость конфигураций и управляемый выпуск изменений
- Настраивать мониторинг LLM-инфраструктуры, оптимизировать производительность, стоимость инференса, масштабирование и отказоустойчивость
- При необходимости интегрировать LLM-сервисы с существующими ML-пайплайнами
Требования
- Практический опыт построения или эксплуатации MLOps-инфраструктуры и ML-платформ
- Уверенное владение Python и Linux, опыт автоматизации инфраструктурных задач и разработки сервисных компонентов
- Опыт работы с Docker и понимание принципов Kubernetes и оркестрации контейнеров
- Опыт построения CI/CD-пайплайнов и управления инфраструктурой с помощью Terraform, Ansible или аналогичных инструментов
- Понимание полного жизненного цикла ML-моделей: обучение, валидация, регистрация, развёртывание, мониторинг и переобучение
- Опыт работы с MLflow, Airflow, Feature Store или аналогичными решениями
- Навыки мониторинга, логирования, алертинга и диагностики production-систем
- Понимание batch scoring и real-time inference
- Опыт интеграции сервисов с брокерами сообщений и аналитическими хранилищами данных
- Опыт разработки AutoML-платформ и автоматизации экспериментов с помощью Optuna или Ray Tune
- Практический опыт эксплуатации LLM и построения LLMOps-инфраструктуры
- Опыт работы с vLLM, Ollama, LiteLLM, Ray или аналогичными инструментами
- Опыт управления GPU-инфраструктурой и оптимизации LLM inference
- Опыт работы с Feast или другими Feature Store
- Опыт мониторинга data drift, concept drift и качества ML-моделей в production
Бенефиты
- Highload-продукты, обрабатывающие десятки тысяч запросов в секунду и работающие на аудиторию 100M+ пользователей по всему миру
- Медицинская страховка в странах присутствия компании
- Годовой бюджет $2 000 после испытательного срока на медицинское страхование, изучение языков и занятия спортом
- Частичная компенсация профессионального обучения, курсов и участия в профильных конференциях
- Доступ к корпоративной электронной библиотеке
- Еженедельные онлайн-консультации с психологом за счет компании
- Возможность релокации в страны присутствия офисов компании с релокационной поддержкой после ИС
Похожие вакансии MLOps инженер
МТС Web Services (MWS) - бигтех-компания, предоставляющая облачные, AI-сервисы и платформенные решения под разные задачи бизнеса: от работы с данными до разработки продуктов и оптимизации процессов. Также мы запустили новую публичную платформу собственной разработки — MWS Cloud Platform.
xOps Copilots – это технологическое решение, представляющее собой единую платформу для разработки, внедрения и масштабирования интеллектуальных цифровых агентов и копилотов. Эти агенты — автономные программные сущности на базе ИИ, способные выполнять задачи, принимать решения, обучаться и адаптироваться в реальном времени для автоматизации внутренних бизнес-функций.
Задачи
проектировать архитектуру и программировать пайплайны для бизнес-копайлотов;
самостоятельно разрабатывать решения от прототипа до вывода в пром: реализация логики, обработка ошибок, масштабирование и обеспечение отказоустойчивости;
разрабатывать и дорабатывать LLM/RAG-копайлоты: реализация сложной агентской логики, оркестрация вызовов, управление контекстом;
работать с неструктурированными источниками (PDF, Excel, сканы договоров, локальные нормативные акты);
реализовывать RAG-системы: настройка пайплайнов индексации документов, работа с эмбеддингами, управление векторными базами данных;
при необходимости - дообучение или адаптация моделей под специфику домена.
Требования
опыт разработки на Python, работа с LLM API (OpenAI, Claude или аналогичными);
практический опыт построения RAG-систем: индексация документов, эмбеддинги, векторные БД;
опыт интеграции с корпоративными системами через API (SAP, OEBS/1С, коннекторы Confluence/Jira и т.п.);
понимание основ аналитики эффекта: как считать ROI/эффект внедрения, работа с метриками ;
умение самостоятельно доводить проект от MVP до прод-эксплуатации.
Условия
Собственную платформу MTS Ocean для получения ИТ-ресурсов, а это значит, что деплой, мониторинг, observability - не будут для вас проблемой, вы сможете сосредоточиться на фичах;
Профессиональные гильдии инженеров по направлениям, чтобы поддерживать друг друга и обмениваться опытом;
Внутреннюю площадку TechTalks для обмена опытом, дискуссий, развития навыков самопрезентации;
Участие во внешних IT конференциях. Наши эксперты выступают на ведущих профильных конференциях, таких как HighLoad++, DevOps Conf, Joker, AHA!, Матемаркетинг и другие. А еще мы организуем собственную масштабную конференцию True Tech Day и регулярно проводим митапы для разработчиков и инженеров.
Полезные курсы и вебинары в корпоративном университете и электронные библиотеки;
Медицинскую страховку с 1 месяца со 100% покрытием расходов, включая стоматологию, страхование жизни и здоровья в поездках за рубеж. А еще можно застраховать родственников с корпоративной скидкой;
Единую подписку МТС Premium — KION light в онлайн-кинотеатре KION, сервис МТС Music, 30 дней бесплатного пользования подпиской OZON Premium;
Скидки и предложения от партнеров на фитнес, занятия английским и прочее;
Отпуск 28 календарных дней + 3 дополнительных дня за ненормированный рабочий день;
Гибридный и удаленный формат.
Привет! Это команда ML Платформы. Мы отвечаем за стандартизацию процессов MLOps и ModelOps: разрабатываем и поддерживаем сервисы и пакеты для запуска пайплайнов машинного обучения, трекинга экспериментов, хранения и версионирования моделей и датасетов, а также инференса и мониторинга моделей.
Наша команда разрабатывает сервисы для всех дата-сайентистов, адаптирует инструменты ML-инфраструктуры под потребности отдельных команд, занимается кастомными интеграциями и исследованиями.
Ищем инженера, который готов вместе с нами развивать платформенную инфраструктуру и поддерживать высокий уровень инженерной культуры в компании.
Наш стек
Go с платформенными интеграциями, Kubernetes, GitLab CI, PostgreSQL, Redis, ClickHouse, Kafka, Python для скриптов.
Примеры задач
Поддержка совместной разработки для нескольких пользователей одновременно в jupyterhub.
Разработка сервиса по запуску интерактивных контейнеров на GPU.
Интеграция с платформенными сервисами по выделению общих хранилищ для команд.
Вы будете
Разрабатывать и развивать сервисы ML-платформы.
Проектировать микросервисную архитектуру и интегрироваться с платформенными сервисами.
Участвовать в код-ревью и поддерживать качество кодовой базы.
Исследовать и внедрять новые инструменты для улучшения ML-инфраструктуры.
Нам важно
Опыт коммерческой разработки на Go от трех лет, понимание тонкостей языка.
Опыт работы с Kubernetes, умение дебажить проблемы с помощью kubectl.
Понимание принципа «at least once».
Опыт проектирования микросервисной архитектуры.
Желание строить качественную ML-платформу и развивать её.
Будет плюсом
Умение читать и дебажить код на Python.
Опыт работы с JupyterHub.
Опыт построения дашбордов в Grafana.
Опыт работы с ML и понимание MLOps-практик.
HireSeeker собирает вакансии со всех площадок и присылает только релевантные. Бесплатно.