MLOps / Cloud Engineer (AWS)
Оценка ИИОтличное предложение от известной международной компании с широким соцпакетом, возможностью удаленной работы по всему миру и бонусами. Стек технологий актуален и востребован на рынке.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена необходимостью глубокой экспертизы на стыке DevOps и Machine Learning, а также требованием к опыту работы от 5 лет и знанию английского языка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИВ вакансии указана возможность бонуса до 1000 EUR, но базовая зарплата не озвучена. Для специалиста уровня Senior MLOps на международном рынке вилка составляет 5000–8000 USD, что соответствует уровню Andersen Lab.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
MLOps / Cloud Engineer (AWS)
*🏢* Компания: Andersen Lab
*🌍* Формат: Удалёнка / офис / гибрид — по всему миру
О компании:
Andersen Lab — международная софтверная компания, специализируется на сложных цифровых продуктах для FinTech, Healthcare, eCommerce и других отраслей. Компания работает с R&D и внедряет решения для улучшения производственных процессов и качества продуктов.
Задачи:
• Спроектировать и настроить AWS-архитектуру для ML-пайплайна: ingest, inference, хранение изображений, метаданных и результатов.
• Построить CI/CD-пайплайны в GitLab для приложений и моделей.
• Реализовать инфраструктуру как код с Terraform.
• Настроить dev, pre-production и production окружения; автоматизировать provisioning и teardown тестовых сред.
• Контейнеризовать сервисы и интегрировать S3 и RDS.
• Настроить мониторинг, логирование и трассируемость; документировать инфраструктуру.
Требования:
• 5+ лет в DevOps/Cloud, AWS как основной облак.
• Практический опыт деплоя ML-моделей или Python-сервисов на AWS (SageMaker, inference endpoints, Step Functions).
• Опыт с MLOps-инструментами (MLflow или аналоги).
• Практический опыт использования Terraform в реальных проектах.
• Опыт построения CI/CD в GitLab; опыт с Docker и деплоем контейнеров на AWS (ECS, EKS или Lambda).
• Опыт работы с S3 и RDS и управлением многосредовой инфраструктурой (dev/pre-prod/prod); уровень английского — от Intermediate+.
Будет плюсом:
• Опыт построения инфраструктуры с нуля для новых продуктов.
• Опыт работы с гибридными (on-premise + облако) решениями.
• Знание практик безопасности и соответствия (ISO 27001 или аналог).
• Опыт работы с GPU-инстансами и оптимизацией облачных расходов.
Стек:
AWS, SageMaker, Step Functions, Terraform, GitLab CI, GitHub Actions, Docker, ECS, EKS, Lambda, S3, RDS, MLflow, Python, GPU, Computer Vision, ML
Условия:
• Возможность полностью удалённой работы, из офиса или в гибридном формате.
• Профессиональный и карьерный рост, система менторства и адаптации.
• Возможность дополнительного заработка до 1 000 EUR/мес (включается в годовой бонус) в зависимости от активности и уровня.
• Доступ к корпоративной обучающей платформе и компенсация сертификаций (AWS, PMP и др.).
• Частичная или полная оплата медстраховки и спортивная компенсация, реферальная программа.
*📩* Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- AWS
- Python
- Terraform
- Machine Learning
- Amazon EKS
- GitHub Actions
- Computer Vision
- Docker
- AWS Lambda
- MLflow
- Amazon S3
- Amazon ECS
- Amazon RDS
- GitLab CI
- Amazon SageMaker
- GPU
- AWS Step Functions
Возможные вопросы на собеседовании
Проверка опыта работы с ключевым инструментом AWS для ML.
Расскажите о вашем опыте настройки SageMaker для инференса моделей: какие типы эндпоинтов вы использовали и как решали вопросы масштабирования?
Оценка навыков управления инфраструктурой и предотвращения дрейфа конфигураций.
Как вы организуете структуру Terraform-модулей для управления несколькими окружениями (dev/prod) и как обеспечиваете безопасность хранения state-файлов?
Проверка понимания жизненного цикла ML-моделей.
Какую роль играл MLflow в ваших предыдущих проектах и как вы интегрировали его в CI/CD пайплайн?
Оценка навыков оптимизации ресурсов, что важно для ML-задач.
Какие стратегии оптимизации затрат на AWS вы применяли при работе с GPU-инстансами и хранилищами S3?
Проверка навыков мониторинга специфических ML-метрик.
Как вы настраивали мониторинг для ML-сервисов: какие метрики (кроме системных) вы отслеживали для контроля качества работы моделей в продакшене?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
