- Страна
- Россия
MLOps | DataOps
Оценка ИИИнтересная позиция в технологичной компании с современным стеком (K8s, Airflow, ClickHouse). Гибкий формат работы и возможность влиять на архитектуру MLOps-платформы делают вакансию привлекательной для опытных специалистов.
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 ИИРоль требует глубоких знаний на стыке DevOps и Data Science, включая управление GPU-кластерами, сложную оркестрацию в Airflow и построение сквозных ML-пайплайнов. Уровень Senior предполагает не только техническую экспертизу, но и архитектурное видение MLOps-платформы.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, однако для позиции Senior MLOps/DataOps инженера на российском рынке медиана составляет около 350 000 - 450 000 рублей. Специалисты с опытом построения платформ с нуля могут претендовать на верхнюю границу рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
GRI
MLOps | DataOps
Формат работы: гибрид/удалённо
*☑️* Чем предстоит заниматься
-Развивать и поддерживать инфраструктуру DWH
-Строить и развивать CI/CD-процессы для data и ML-разработки
-Разрабатывать и поддерживать пайплайны обработки данных и оркестрации (Airflow)
-Реализовывать end-to-end ML-пайплайны: от сбора данных до деплоя и мониторинга моделей
-Проектировать и развивать MLOps-платформу (выбор и интеграция инструментов)
-Разворачивать и поддерживать инфраструктуру для ML-задач:(JupyterHub + GPU, Airflow, ClickHouse, PostgreSQL, S3 и др.)
-Взаимодействовать с ML- и Data-инженерами для вывода решений в production
-Настраивать мониторинг и алёртинг: качество данных, стабильность пайплайнов, ресурсы
-Автоматизировать рутину и развивать self-service инструменты для data-команды
*☑️* Наши пожелания к кандидатам
-Уверенный опыт с Docker и Kubernetes
-Опыт работы с Airflow (или аналогами оркестрации)
-Практика построения CI/CD для data/ML пайплайнов
-Хорошие знания Python, SQL и Git
-Опыт развёртывания ML-инфраструктуры (GPU-кластеры, хранилища, orchestration)
-Опыт работы с облачными платформами
-Понимание принципов CI/CD и автоматизации деплоя
-Опыт работы с API и понимание highload-систем
-Опыт работы со стримингом данных (Kafka / аналоги)
-Практика настройки мониторинга и логирования
-Уверенная работа в Linux
-Будет плюсом: Опыт внедрения систем управления экспериментами (MLflow, ClearML)
Контакты: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Docker
- Kubernetes
- Airflow
- Python
- SQL
- Git
- GPU
- ClickHouse
- PostgreSQL
- S3
- Kafka
- Linux
- MLflow
- ClearML
- CI/CD
Возможные вопросы на собеседовании
Проверка опыта работы с ресурсоемкими задачами и спецификой ML-инфраструктуры.
Расскажите о вашем опыте настройки и масштабирования GPU-кластеров в Kubernetes для задач обучения моделей.
Оценка навыков проектирования сложных рабочих процессов обработки данных.
Как вы организуете версионирование данных и моделей в рамках CI/CD пайплайнов?
Проверка умения обеспечивать надежность ML-сервисов в продакшене.
Какие метрики вы считаете критическими для мониторинга ML-моделей после их деплоя?
Выявление предпочтений и опыта работы с инструментами управления жизненным циклом ML.
Сравните MLflow и ClearML: в каких случаях вы бы отдали предпочтение одному из этих инструментов при построении платформы?
Проверка навыков работы с базами данных и оптимизации производительности.
С какими проблемами производительности в ClickHouse вы сталкивались при работе с большими объемами данных и как их решали?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
