- Страна
- Россия
Откликайтесь
на вакансии с ИИ
ML разработчик (Middle)
Оценка ИИИнтересный проект в сфере RnD с использованием современного стека (RAG, CV, NLP). Четко прописанные задачи и использование передовых технологий MLOps делают вакансию привлекательной для опытных специалистов.
Сложность вакансии
Оценка ИИРоль требует не только навыков разработки на Python, но и серьезной экспертизы в DevOps/MLOps (K8s, Airflow, CI/CD), а также готовности к работе в банковской инфраструктуре. Высокий порог входа обусловлен требованием к опыту от 5 лет и знанием специфических инструментов мониторинга и логирования.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, однако для Middle ML-разработчика с опытом от 5 лет и навыками MLOps на российском рынке медиана составляет около 300 000 - 350 000 рублей. В банковском секторе при работе через ИП ставки могут быть выше рыночных.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Eclipse Digital уже сейчас
Присоединяйтесь к Eclipse Digital и создавайте передовые ML-решения для банковского сектора!
Описание вакансии
ID 2424
ML разработчик
Middle
🌍 Локация: РФ
💼Сотрудничество : по ИП РФ
Eclipse Digital - наниматель
❗️Готовность к оформлению на 1/40 ставки в банк для получения доступов
Проект: Стрим «Моделирование RnD» специализируется на разработке ML-решений для подразделений Банка на базе продвинутых алгоритмов (CV, NLP, RAG и др.). Предоставляет бизнесу сервисы «под ключ» — от прототипирования до комплексного решения в промышленной среде.
Требования:
Высшее математическое/техническое образование
Глубокое владение Python (от 5 лет) с пониманием production-ready кода
Опыт работы с Docker и Kubernetes для развертывания ML-моделей
Уверенное владение Apache Airflow для оркестрации ML-пайплайнов
Понимание построения CI/CD пайплайнов для ML-решений (GitLab CI, GitHub Actions)
Навыки работы с Prometheus, Grafana и централизованным логированием
Понимание жизненного цикла ML-проектов и специфики production ML-решений (плюс)
Опыт работы с системами управления версий данных и feature store (плюс)
Базовые знания ML и методов валидации моделей (плюс)
Опыт работы с Apache Spark, Hadoop (плюс)
Знание MLflow, ZenML (плюс)
Опыт работы с векторными БД для RAG-приложений (плюс)
Задачи:
- Контейнеризировать ML-модели с помощью Docker и развертывать в Kubernetes.
- Настраивать и управлять оркестрацией ML-пайплайнов через Apache Airflow.
- Обеспечивать масштабируемость и отказоустойчивость ML-сервисов в on-premise средах.
- Подключать сервисы к системам мониторинга и журналирования.
- Анализировать и устранять инциденты в работе ML-сервисов на третьей линии поддержки.
- Оптимизировать использование вычислительных ресурсов и автомасштабирование.
- Разрабатывать интеграции между ML-сервисами через REST API и Kafka.
- Создавать автоматизированные пайплайны для обработки данных, feature engineering и тестирования моделей.
- Внедрять Infrastructure as Code подходы для управления ML-инфраструктурой.
Откликнуться можно
- в telegram Откликнуться
- в Откликнуться
veroneko_93911
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- Docker
- Kubernetes
- Apache Airflow
- CI/CD
- GitLab CI
- GitHub Actions
- Prometheus
- Grafana
- Apache Spark
- Hadoop
- MLflow
- ZenML
- Kafka
- REST API
- Infrastructure as Code
- RAG
Возможные вопросы на собеседовании
Вакансия предполагает работу в банковской среде с высокими требованиями к надежности.
Расскажите о вашем опыте обеспечения отказоустойчивости ML-сервисов в on-premise инфраструктуре. С какими сложностями вы сталкивались?
Оркестрация пайплайнов — одна из ключевых задач.
Как вы организуете обработку ошибок и повторные запуски (retries) в сложных DAG в Apache Airflow при работе с большими данными?
Упоминается работа с RAG и векторными БД.
Какие векторные базы данных вы использовали для RAG-приложений и по каким критериям выбирали конкретное решение?
Требуется понимание CI/CD для ML.
В чем, по вашему мнению, заключается основное отличие CI/CD пайплайна для классического микросервиса от пайплайна для ML-модели?
Работа включает мониторинг и поддержку 3-й линии.
Какие метрики ML-моделей вы считаете критически важными для настройки алертинга в Grafana?
Похожие вакансии
Data инженер Middle
Data инженер Middle+
Data Engineer Python (Middle)
Data Scientist (Middle)
Middle+ ML разработчик
Middle Data Scientist в RecSys
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!
- Страна
- Россия