Middle ML / MLOps Engineer
Оценка ИИОтличная вакансия для специалистов с правом на работу в ЕС, предлагающая работу с современным стеком (LLM, Generative AI) и полную удаленку. Высокий балл за актуальность технологий и четкие требования.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИСредний уровень сложности обусловлен строгим требованием к наличию разрешения на работу в ЕС и необходимостью свободного владения английским языком. Технический стек требует уверенных знаний как в ML, так и в инфраструктурных инструментах (K8s, AWS).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИВакансия не указывает конкретную сумму, предлагая кандидату назвать свою ставку. Для Middle ML/MLOps инженера в Европе рыночный диапазон составляет от 60,000 до 85,000 евро в год в зависимости от страны проживания и конкретного опыта.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
🔥 Hiring: Middle ML / MLOps Engineer
We are looking for an experienced Middle ML / MLOps Engineer (3+ years of experience) to join an international project! In this role, you will design, build, and deploy production-scale machine learning and Generative AI / LLM-based applications in a cloud-native environment.
📌 Workload: Full-time (100% Remote)
🗣 Language: English (Fluent — daily technical communication)
💻 Tech Stack: Python, AWS (SageMaker), Docker, Kubernetes, PySpark, FastAPI/Flask, MLOps (MLflow / Kubeflow), LLMs
🌍 Location: Remote within EU (must hold EU Citizenship, PR, or a valid EU Work/Residence Permit)
🎯 Key Responsibilities:
\* Design, develop, and deploy production-grade ML and LLM-based applications.
\* Build and maintain robust MLOps platforms and CI/CD pipelines for machine learning workflows.
\* Automate model training, evaluation, deployment, monitoring, and continuous improvement.
\* Develop cloud-native ML infrastructure using AWS, SageMaker, Docker, and Kubernetes.
\* Build reliable backend APIs and microservices using FastAPI or Flask.
\* Collaborate closely with product, software engineering, and data teams.
🛠 Requirements:
\ 3+ years of commercial experience* as an ML Engineer, MLOps Engineer, or in a related field.
\ Strong hands-on experience with Python and developing production-ready services with FastAPI / Flask*.
\ Proven experience with AWS (specifically Amazon SageMaker*).
\ Hands-on experience with Docker and Kubernetes* for deployment and orchestration.
\ Solid understanding of MLOps practices and ML lifecycle tools (MLflow, Kubeflow, or SageMaker Pipelines*).
\ Practical experience working with LLMs / Generative AI* in production environments.
\ Hands-on experience with PySpark / Apache Spark*.
\ Fluent English* (B2+/C1) for effective collaboration with cross-functional teams.
⭐️ Nice to Have:
\* Experience with recommendation systems, NLP, or forecasting use cases.
\* Knowledge of model monitoring and observability tools.
📩 To Apply:
Send your CV and expected hourly rate to Откликнуться
#vacancy #AI #MLEngineer #ML
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- AWS
- Amazon SageMaker
- Docker
- Kubernetes
- PySpark
- FastAPI
- Flask
- MLflow
- Kubeflow
- LLM
- Generative AI
- CI/CD
- Apache Spark
- NLP
Возможные вопросы на собеседовании
Проверка опыта работы с облачной инфраструктурой, указанной в вакансии.
Расскажите о вашем опыте развертывания моделей с использованием Amazon SageMaker и Kubernetes. С какими основными трудностями вы сталкивались?
Вакансия предполагает работу с LLM в продакшене.
Какие подходы вы используете для мониторинга и оценки качества ответов LLM в реальном времени?
MLOps является ключевой частью роли.
Как вы организуете CI/CD пайплайны для ML-проектов? Какие инструменты (MLflow, Kubeflow) вы предпочитаете и почему?
Требуется опыт работы с большими данными.
Опишите случай, когда вам приходилось оптимизировать PySpark задания для обработки крупных датасетов перед обучением модели.
Проверка навыков разработки API.
В чем преимущества использования FastAPI перед Flask для создания микросервисов в контексте ML-приложений?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
