- Страна
- Россия
Откликайтесь
на вакансии с ИИ
MLOps Engineer
Оценка ИИПозиция предлагает работу с современным стеком технологий в крупной организации, что гарантирует масштабные задачи и профессиональный рост. Четко прописанные требования и актуальные инструменты (vLLM, Triton) делают вакансию привлекательной для опытных инженеров.
Сложность вакансии
Оценка ИИРоль требует глубоких знаний как в DevOps (Kubernetes, CI/CD), так и в специфике ML (Model Serving, мониторинг моделей). Работа в банковском секторе обычно подразумевает строгие требования к безопасности и стабильности систем.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для Middle/Senior MLOps инженера в российском банковском секторе рыночные предложения обычно находятся в диапазоне от 300 000 до 500 000 рублей. Вакансия соответствует рыночным ожиданиям по стеку технологий.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Откликайтесь через Runello-бот, чтобы стать частью команды, развивающей MLOps-платформу крупного банка!
Описание вакансии
MLOps Engineer
Грейд: Middle/Senior
Стек: Kubernetes, Docker, Python, Bash, GitLab CI, GitHub Actions, Jenkins, TorchServe
Развитие MLOps-платформы банка. CI/CD для ML-моделей: автоматизация тренинга, валидации, деплоя. Model serving (TorchServe, vLLM, TGI, Triton — на выбор подходящего стека). Мониторинг моделей в продак…
Откликнуться через Откликнуться ↓
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- Machine Learning
- Kubernetes
- GitHub Actions
- Bash
- CI/CD
- Docker
- Jenkins
- GitLab CI
- Triton Inference Server
- vLLM
- TorchServe
Возможные вопросы на собеседовании
Проверка опыта работы с инструментами развертывания моделей.
Какие критерии вы используете при выборе между TorchServe, Triton и vLLM для конкретной задачи?
Оценка навыков автоматизации жизненного цикла ML.
Как вы организуете процесс автоматической валидации модели перед деплоем в продакшен?
Проверка владения Kubernetes в контексте ML.
С какими сложностями вы сталкивались при масштабировании ML-сервисов в Kubernetes и как их решали?
Оценка понимания специфики мониторинга ML.
Какие метрики, помимо стандартных системных (CPU/RAM), критически важны для мониторинга ML-моделей в реальном времени?
Проверка навыков работы с CI/CD.
