MLOps Engineer / ML Platform Engineer
Оценка ИИИнтересная вакансия в области MLOps с использованием современного стека (Kubeflow, K8s). Предлагается конкурентная заработная плата и гибкий формат работы (удаленка или офис).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИРоль требует глубоких знаний как в классическом DevOps (Kubernetes), так и в специфических инструментах ML-инфраструктуры (Kubeflow). Необходимо понимать жизненный цикл ML-моделей и уметь строить масштабируемые системы для инференса и обучения.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата от 280 000 ₽ соответствует нижней границе рыночного диапазона для опытных MLOps-специалистов в России. На рынке Senior-позиции в этой области могут достигать 450 000 ₽ и выше в зависимости от сложности задач и масштаба инфраструктуры.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
от 280 000 ₽/месяц
Удаленка или офис, Фултайм
Мы строим ML-платформу на базе Kubeflow, чтобы команды Data Science могли быстрее проводить эксперименты, запускать обучение и выводить модели в production. Наша команда развивает инфраструктуру обучения и инференса, пользовательские окружения и инструменты работы с признаками. Ищем MLOps-инженера, который поможет развивать платформу...(Откликнуться)
**⚠️ Будьте внимательны: иногда мошенники маскируют свои схемы под вакансии реальных компаний, никому не передавайте доступ к своим аккаунтам или устройствам.
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Kubernetes
- MLOps
- Kubeflow
- Infrastructure
- Data Science
- Feature Store
- Inference
Возможные вопросы на собеседовании
Kubeflow является основой платформы, важно понимать опыт кандидата с этим инструментом.
Расскажите о вашем опыте работы с Kubeflow: какие компоненты вы использовали и с какими сложностями сталкивались при их настройке?
MLOps инженер должен уметь эффективно упаковывать и разворачивать модели.
Как вы организуете процесс CI/CD для ML-моделей, включая автоматизацию сборки образов и деплой в Kubernetes?
Инференс — критическая часть платформы.
Какие инструменты вы предпочитаете использовать для инференса моделей (например, Seldon, BentoML, Triton) и почему?
Работа с признаками — важная часть ML-пайплайна.
Есть ли у вас опыт работы с Feature Store? Как, по вашему мнению, лучше всего организовать хранение и подачу признаков в production?
Мониторинг ML-систем сложнее обычного ПО.
Как вы настраиваете мониторинг для ML-моделей? На какие метрики, помимо системных, вы обращаете внимание (например, data drift)?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
