MLOps инженер (Middle+/Senior)
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.
Сложность вакансии
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
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.
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
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

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.

