Откликайтесь
на вакансии с ИИ

DevOps Engineer, GPU and LLM Infrastructure
Отличная вакансия в передовой области AI/LLM с возможностью удаленной работы по всему миру. Высокий балл за актуальность стека и работу с современными технологиями (GPU, GCP, LLM).
Сложность вакансии
Высокая сложность обусловлена необходимостью глубоких знаний в специфической нише: работе с GPU в облаке и развертывании LLM, что требует навыков оптимизации стоимости и производительности нейросетей.
Анализ зарплаты
Предлагаемая роль в сфере AI Infrastructure обычно оплачивается выше среднего по рынку DevOps из-за дефицита специалистов с опытом работы с GPU и LLM. Указанный диапазон соответствует мировым стандартам для Senior-позиций в удаленном формате.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь в OpenTrain AI уже сейчас
Присоединяйтесь к OpenTrain AI и создавайте инфраструктуру будущего для LLM — откликайтесь прямо сейчас!
Описание вакансии
Published time: 2026-09-04
Company name: OpenTrain AI
Title: DevOps Engineer, GPU and LLM Infrastructure
Grades: middle, senior
Job description: Build and operate GPU infrastructure and production LLM serving systems on Google Cloud Platform for teams working on foundation models, LLM evaluation and reasoning. The work covers GPU provisioning, container orchestration, observability, reliability, autoscaling and cost optimization for scalable model inference and data pipelines.
Location: Worldwide
Anywhere: Yes
Remote: Yes
Tags:
#devops #gpu #llm #gcp #kubernetes #infrastructure #sre #remote #worldwide #contract
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- LLM
- Kubernetes
- SRE
- DevOps
- Google Cloud Platform
- Infrastructure as Code
- Observability
- GPU
- Cost Optimization
Возможные вопросы на собеседовании
Важно понимать, как кандидат справляется с дефицитом ресурсов и квотами в облаке.
Как вы организуете процесс динамического резервирования GPU-инстансов в GCP для минимизации простоев при обучении моделей?
Проверка навыков оптимизации расходов, что критично для GPU-инфраструктуры.
Какие стратегии вы используете для автоскейлинга инференс-сервисов LLM, чтобы сбалансировать задержку (latency) и стоимость ресурсов?
LLM требуют специфического мониторинга.
Какие метрики, помимо стандартных CPU/RAM, вы считаете критическими для мониторинга здоровья систем инференса LLM?
Проверка опыта работы с Kubernetes в контексте ML.
С какими проблемами вы сталкивались при использовании Kubernetes Device Plugin для GPU и как их решали?
Оценка навыков построения надежных пайплайнов.