- Страна
- Россия
MLOps инженер
Оценка ИИSelectel — топовый работодатель в РФ с сильной инженерной культурой. Вакансия предлагает работу над сложными инфраструктурными продуктами, использование современного стека (K8s, GPU, Terraform) и гибкий формат работы.
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 глубокой экспертизы на стыке DevOps и ML, включая специфические знания GPU-инфраструктуры и инструментов инференса, таких как Triton или BentoML. Уровень Senior предполагает самостоятельность в принятии архитектурных решений для высоконагруженных систем.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для позиции Senior MLOps в крупных российских IT-компаниях и облачных провайдерах уровень компенсации обычно выше среднего по рынку из-за дефицита специалистов на стыке ML и Ops.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Selectel
MLOps инженер
Санкт-Петербург / Удалённо, гибкий график
*☑️* Основные задачи
-Разрабатывать и поддерживать Inference Platform-as-a-Service
-Автоматизировать жизненный цикл ML-моделей — от регистрации до сервинга модели
-Создавать новые продукты для автоматизации ML-разработки
-Разрабатывать платформенные сервисы для ML
-Исследовать новые платформы/инструменты для внедрения их в продукты компании
-Продвигать и развивать best practices в области MLOps
*☑️* Мы ожидаем (ML / Inference трек)
-Опыт развёртывания и эксплуатации Kubernetes для инференса моделей (GPU/CPU)
-Практический опыт работы с MLOps-инструментами деплоя и эксплуатации моделей (Triton Inference Server, BentoML или аналогов)
-Знание принципов автоскейлинга, балансировки нагрузки и маршрутизации трафика в контексте ML-сервисов
-Опыт настройки и использования GPU-инфраструктуры: драйверы, CUDA Toolkit, MIG, GPU-Enabled Docker
-Уверенное знание Python
*☑️* Мы ожидаем (OPS трек)
-Экспертные знания Kubernetes: контроллеры, операторы, HPA, работа с GPU
-Опыт автоматизации инфраструктуры и Infrastructure as Code (Terraform, GitOps-подходы)
-Опыт работы с системами контроля версий и CI/CD (GitLab, GitHub)
-Администрирование Linux: от настройки до мониторинга и диагностики проблем
-Опыт внедрения и работы со стеком мониторинга (Prometheus Stack)
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Kubernetes
- Python
- GPU
- CUDA
- Docker
- Triton Inference Server
- BentoML
- Terraform
- GitOps
- GitLab
- GitHub
- Linux
- Prometheus
- MLOps
Возможные вопросы на собеседовании
Проверка практического опыта работы с GPU в контейнеризированных средах.
Расскажите о вашем опыте настройки GPU-Enabled Docker и с какими сложностями при работе с драйверами NVIDIA в Kubernetes вы сталкивались?
Оценка понимания специфики масштабирования ML-сервисов.
Как вы подходите к настройке HPA для ML-моделей, учитывая, что метрики CPU/RAM не всегда корректно отражают нагрузку на GPU?
Проверка владения инструментами инференса.
В чем основные преимущества использования Triton Inference Server по сравнению с простым Flask/FastAPI оберткой для модели?
Оценка навыков автоматизации инфраструктуры.
Опишите ваш идеальный CI/CD пайплайн для ML-модели: от коммита в Git до деплоя в продакшн с использованием GitOps.
Проверка навыков мониторинга специфических метрик.
Какие ключевые метрики вы бы вывели на дашборд Prometheus для мониторинга здоровья и производительности Inference-сервиса?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
