Руководитель ML/AI-платформы
Оценка ИИПозиция предлагает работу с передовым стеком (LLM, vLLM, Kubernetes) и высокий уровень влияния на стратегию AI в компании. Гибкий формат работы и наличие офисов в крупных городах являются значительными плюсами.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИРоль требует редкого сочетания глубоких знаний в области LLM-инфраструктуры (vLLM, GPU-оптимизация), классического MLOps и навыков управления бюджетом (CAPEX/OPEX). Высокая ответственность за выбор между арендой и покупкой железа добавляет сложности.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИДля позиции Head of ML Platform в России рыночный диапазон составляет от 450 000 до 750 000 рублей и выше, в зависимости от масштаба компании. Данная роль предполагает управление бюджетами и стратегическое планирование, что обычно соответствует верхней границе рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Руководитель ML/AI-платформы
Задачи:
- Развивать LLM-платформу как внутренний продукт: шлюз к моделям с учётом квот и стоимости, self-hosted инференс, выбор и оценка моделей (evals, бенчмарки), защита чувствительных данных, базовая инфраструктура для агентских сценариев.
- Переводить продуктовые интеграции с внешних LLM на модели в собственном контуре и модели российских провайдеров.
- Отвечать за GPU-мощности: планирование ёмкости, размещение с резервированием, выбор между арендой и своим железом, расчёт окупаемости, бюджет CAPEX/OPEX.
- Поддерживать и эволюционно развивать ML-платформу: Kubernetes, model registry, serving, обновления под требования безопасности, наблюдаемость и надёжность.
Требования:
- Опыт руководства ML- или LLM-платформой либо инфраструктурной командой.
- Практическое понимание LLM-инфраструктуры: serving (vLLM, TGI, Triton или аналоги), ограничения и утилизация GPU, производительность, стоимость токена, оценка качества моделей, компромисс между своими моделями и внешним API.
- Опыт MLOps: Kubernetes, model registry и tracking (MLflow или аналоги), CI/CD моделей, эксплуатация большого числа моделей.
- Умение управлять внутренним продуктом: переводить размытые запросы в задачи с критериями результата, говорить «нет» с альтернативой, держать фокус команды на 2–3 главных целях.
- Опыт работы с требованиями безопасности и регуляторики: умение договориться об этапности, а не принять весь скоуп разом.
Удаленная работа с возможностью приходить в офис в Москве, Санкт-Петербурге и Новосибирске
Алина Дмитренко (HR) Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- LLM
- Kubernetes
- MLOps
- MLflow
- vLLM
- Triton Inference Server
- GPU
- CI/CD
- Model Serving
- Capacity Planning
Возможные вопросы на собеседовании
Проверка навыков финансового планирования и понимания экономики инфраструктуры.
Как вы принимаете решение о выборе между арендой GPU-мощностей в облаке и закупкой собственного оборудования (CAPEX vs OPEX)?
Оценка технической экспертизы в области оптимизации инференса больших языковых моделей.
Какие инструменты и подходы вы используете для минимизации стоимости токена при сохранении необходимого уровня задержки (latency)?
Проверка опыта работы с безопасностью данных, что указано в задачах.
Как вы организуете защиту чувствительных данных при использовании внешних LLM API и при работе моделей в собственном контуре?
Оценка навыков управления продуктом и умения работать с заказчиками.
Приведите пример ситуации, когда вам приходилось отказывать продуктовой команде в реализации фичи на платформе. Как вы аргументировали отказ и какую альтернативу предложили?
Проверка опыта эксплуатации сложных систем.
Как вы выстраиваете процесс оценки качества (evals) и бенчмаркинга моделей перед их выводом в продакшн на платформе?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
