yandex
SeniorУдалённоПолная занятость

MLOps инженер (Middle+/Senior)

ИИОценка ИИ

Хорошая вакансия для опытных инженеров с четким списком требований и современным стеком. Указана вилка зарплаты (хотя она чуть ниже рынка для Senior), предлагается полная удаленка и работа над сложными инженерными задачами.

Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.


Вакансия из открытого источника
Пожаловаться

Сложность вакансии

ЛегкоСложно
ИИОценка ИИ

Высокая сложность обусловлена необходимостью глубоких знаний как в классическом DevOps (K8s, IaC, CI/CD), так и в специфических ML-инструментах (DVC, MLflow, GPU-виртуализация). Требуется опыт работы от 3 до 6 лет и умение работать с «железом» (Linux, dmesg).

Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

Анализ зарплаты

Медиана350 000 ₽
Рынок280 000 ₽ – 450 000 ₽
ИИОценка ИИ

Предложенная вилка 250 000 – 280 000 ₽ на руки соответствует уровню Middle+ на российском рынке, однако для позиции Senior MLOps это значение находится ниже медианы, которая обычно стартует от 350 000 ₽. Тем не менее, для удаленного формата работы это конкурентоспособное предложение.

Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

Сопроводительное письмо

Составьте сопроводительное письмо под эту вакансию с вашим резюме

Иллюстрация сопроводительного письмаИллюстрация сопроводительного письма

Описание вакансии

IT-Implant

MLOps инженер (Middle+/Senior)

от 250 000 до 280 000 ₽ за месяц, на руки

Опыт работы: 3–6 лет

Полная занятость

График: 5/2

Формат работы: удалённо

*☑️* Чем предстоит заниматься

-Закрывать пробелы между Data Science и DevOps. Вы — мост, который превращает Jupyter Notebook в production-grade микросервис с мониторингом дрейфа данных

*☑️* Наши пожелания к кандидатам

-Инженерия данных: Уверенное владение Python (плюс опыт асинхронности). Опыт работы с Pandas/Polars в продакшене (не в ноутбуках)

-Оркестрация: Глубокое понимание хотя бы одного инструмента (Airflow / Prefect / Dagster / Argo Workflows). Понимаете разницу между Event-driven и Scheduled пайплайнами

-Контейнеризация и оркестрация: Docker + Kubernetes. Умение писать хелм-чарты, настраивать HPA (Horizontal Pod Autoscaler) под GPU-нагрузки

-Infrastructure as Code (IaC): Опыт с Terraform или Pulumi (неважно, AWS, GCP или Yandex Cloud — важно понимание состояния и providerов)

-CI/CD для ML: Опыт настройки пайплайнов не только для кода, но и для данных (DVC / LakeFS / Git LFS)

-Мониторинг: Знание стеков (Prometheus + Grafana / VictoriaMetrics) и опыт настройки алертинга на качество модели (дрейф данных/концепций)

-Вы запускаете модели только через python app.py и считаете это MLOps

-Вы боитесь терминала Linux и не умеете читать dmesg или kubectl describe pod при падении GPU-ноды

-Вы считаете, что мониторинг — это только "смотрит ли CPU в потолок"

-Будет плюсом:

-Если ваш стек — AWS/GCP/Azure: Будет плюсом опыт с SageMaker / Vertex AI / Azure ML, но мы также ценим, если вы умеете собирать тот же функционал из "чистых" сервисов (EC2 + S3 + Lambda) без готовых ML-обвязок

-Если ваш стек — On-premise / Bare-metal: Будет плюсом опыт с GPU-виртуализацией (MIG / vGPU), Slurm или Kubeflow, а также опыт настройки распределенных хранилищ (Ceph / MinIO / NFS)

-Если ваш стек — Open Source: Будет огромным плюсом глубокое знание MLflow или Weights & Biases (включая самостоятельный хостинг), а также опыт с Ray (для распределенного обучения)

-Если ваш стек — Feature Store: Мы будем рады, если вы работали с Feast / Tecton или писали свой велосипед на Redis / Cassandra для низколатентных фичей

-Если ваш стек — Безопасность: Опыт с аутентификацией (OIDC, Keycloak) и управлением секретами (Vault) в контексте ML-пайплайнов — это жирный плюс

-Если ваш стек — Бэкенд: Навыки написания микросервисов на FastAPI / Triton Inference Server / TorchServe для упаковки моделей

Контакты: Откликнуться

*🔥* Подписаться на наши каналы / @best_itjob / @it_rab

Больше похожих вакансий + автоотклики с ИИ

Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Больше похожих вакансий + автоотклики с ИИ

Навыки

  • Python
  • Pandas
  • Terraform
  • Kubernetes
  • Helm
  • Prometheus
  • Grafana
  • Docker
  • Airflow
  • Ray
  • MLflow
  • Dagster
  • Polars
  • FastAPI
  • Weights & Biases
  • DVC
  • Prefect
  • VictoriaMetrics
  • Triton Inference Server
  • Pulumi
  • Argo Workflows
  • Git LFS
  • lakeFS
  • TorchServe

Возможные вопросы на собеседовании

Проверка понимания специфики работы с ML-нагрузками в K8s.

Расскажите о вашем опыте настройки Horizontal Pod Autoscaler (HPA) именно для GPU-нагрузок. С какими сложностями вы сталкивались?

Оценка навыков управления версиями данных, что критично для MLOps.

Как вы организуете CI/CD пайплайны для данных? Какие инструменты (DVC, LakeFS) предпочитаете и почему?

Проверка умения отслеживать качество работы модели в продакшене.

Как вы настраиваете мониторинг дрейфа данных (data drift) и концепций? Какие метрики выводите в Grafana?

Оценка архитектурного мышления в области оркестрации.

В чем, по-вашему, ключевая разница между Event-driven и Scheduled пайплайнами применительно к обучению моделей?

Проверка навыков траблшутинга на уровне системы.

Опишите ваш алгоритм действий, если GPU-нода в кластере упала. Какие команды терминала и логи вы будете проверять в первую очередь?

Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

Похожие вакансии

Россияот 250 000 ₽
более 1000 офферов получено
4.9

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!