- Страна
- Россия
- Зарплата
- 400 000 ₽ – 430 000 ₽
Откликайтесь
на вакансии с ИИ
MLOps Engineer (Python)
Оценка ИИПривлекательная вакансия с конкурентной зарплатой и современным технологическим стеком. Работа над банковской экосистемой гарантирует масштабные задачи и профессиональный рост в актуальных областях (LLMOps, Feature Store).
Сложность вакансии
Оценка ИИПозиция требует уверенного владения Python и современным стеком контейнеризации (K8s, Docker), а также понимания специфики ML-инфраструктуры. Работа в банковском секторе подразумевает высокую ответственность за архитектурные решения и масштабируемость.
Анализ зарплаты
Оценка ИИПредлагаемая зарплата (400-430к gross) находится на уровне верхней границы рыночного медианного значения для Middle+/Senior MLOps инженеров в России. Это очень достойное предложение для удаленного формата работы.
Сопроводительное письмо
Я заинтересован в вакансии MLOps Engineer в Itvolna.tech. Мой опыт разработки на Python более 3 лет, а также глубокие знания FastAPI, Docker и Kubernetes позволяют мне эффективно решать задачи по масштабированию микросервисных систем и поддержке ML-инфраструктуры.
Меня особенно привлекла возможность работы над развитием MLOps-экосистемы банка, включая такие направления, как Feature Store, AutoML и LLMOps. Уверен, что мои навыки работы с асинхронным стеком (AsyncIO, SQLAlchemy) и опыт проектирования отказоустойчивых систем принесут значительную пользу вашему проекту.
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Itvolna.tech уже сейчас
Отправьте свое резюме Елене прямо сейчас, чтобы стать частью амбициозной команды MLOps в банковском секторе!
Описание вакансии
MLOps Engineer (Python)
Локация: Удаленно в РФ
Компания: Itvolna.tech
ЗП: от 400 000 до 430 000 р. gross
Занятость: Полная
Оформление: ИП
Локация: Россия (удаленно)
Срок проекта: долгий
🏦 Проект: Банк — развитие MLOps‑экосистемы банка.
Чем предстоит заниматься:
• Разрабатывать и разворачивать функциональные сервисы и микросервисы.
• Поддерживать и улучшать существующие сервисы и компоненты.
• Масштабировать разрабатываемые системы.
• Участвовать в нарезке и оценке задач вместе с командой.
• Общаться с заказчиками, выявлять потребности и адаптировать решения под них.
Что важно:
• Python от 3 лет.
• Опыт с FastAPI, aiohttp, SQLAlchemy, AsyncIO.
• Docker, Kubernetes.
• Понимание принципов проектирования систем и микросервисной архитектуры.
• Будет плюсом понимание работы LLM.
Стек:
Python, Docker, Kubernetes, Kafka, Redis, PostgreSQL, FastAPI.
По проекту:
• Среда разработки моделей, train/infer-пайплайны.
• Среда исполнения моделей и доставки.
• Среда немодельных сервисов.
• Feature Store.
• AutoML.
• A/B-тестирование.
• RAG/LLMOps.
Личностные качества:
• Самостоятельность.
• Проактивность.
• Командность.
• Умение доводить задачи до результата.
• Способность видеть общую картину, а не только локальную задачу.
💬 Резюме отправлять: Откликнуться
–––
Бесплатный постинг вакансий: @freeIT_job
Забирай 📚 Базу Знаний
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- FastAPI
- aiohttp
- SQLAlchemy
- asyncio
- Docker
- Kubernetes
- Kafka
- Redis
- PostgreSQL
- MLOps
- LLM
- RAG
- AutoML
Возможные вопросы на собеседовании
Проверка практического опыта работы с асинхронностью в Python, что критично для FastAPI и SQLAlchemy.
Расскажите о наиболее сложных проблемах с производительностью в AsyncIO, с которыми вы сталкивались, и как вы их решали?
Вакансия предполагает работу с K8s; важно понимать, как кандидат разворачивает ML-модели.
Как бы вы организовали CI/CD пайплайн для деплоя ML-модели в Kubernetes с учетом необходимости A/B-тестирования?
В стеке указана Kafka; важно проверить навыки работы с потоковыми данными.
В каких случаях в MLOps-архитектуре вы бы предпочли использовать Kafka вместо прямого REST-взаимодействия между сервисами?
В описании упомянут Feature Store; это ключевой компонент зрелого MLOps.
Какую роль играет Feature Store в жизненном цикле модели и какие основные проблемы он решает для команды Data Science?
Упоминание LLM в вакансии указывает на современные тренды проекта.
Какие специфические вызовы вы видите при внедрении LLMOps по сравнению с классическим MLOps (например, в контексте RAG)?
Похожие вакансии
Middle, Middle+, Senior GenAI/LLM Разработчик
Middle / Senior GenAI Engineer (CV)
AI Engineer / AI Mentor
AI-специалист
Junior разработчик agent AI-систем
Senior / Lead LLM Engineer
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
- Зарплата
- 400 000 ₽ – 430 000 ₽