Senior ML/MLOps Engineer
Оценка ИИИсключительная вакансия в компании-единороге (Series E) с поддержкой топовых инвесторов (Nvidia, Accel). Работа над передовыми технологиями Generative AI, удаленный формат и возможность влиять на архитектуру платформы мирового уровня делают это предложение максимально привлекательным.
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 ИИВысокая сложность обусловлена статусом компании-единорога и требованиями к глубоким знаниям системного проектирования, Kubernetes и опыта работы с высоконагруженными ML-платформами. Ожидается уровень Senior с навыками архитектора и способностью работать в условиях неопределенности.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИДля позиции Senior ML/MLOps в глобальном стартапе уровня Series E рыночные зарплаты значительно выше средних по РФ и СНГ. Ожидаемый диапазон составляет $8,000–$12,000+ в месяц, не считая опционов (equity), которые в компаниях с оценкой $4B+ могут составлять значительную часть компенсации.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
We are looking for a Senior ML/MLOps Engineer 🚀
#vacancy #job #ml #mlops #python #remote #ai #sre #platform
ℹ️ About the Company & Project: A global leader in AI video generation, trusted by over 90% of Fortune 100 companies to transform how teams communicate and create content. As a high-growth Series E unicorn (valued at $4B+ with over $500M raised from premier investors including Accel, Kleiner Perkins, and Nvidia's VC arm), are pushing the boundaries of generative AI.
💼 Responsibilities:
— Design and improve platform systems for model training, evaluation, and production serving
— Build robust infrastructure and tooling to make ML workloads scalable, reliable, and cost-efficient
— Architect the deployment and serving of ML models across research and production environments
— Improve scheduling, monitoring, and debugging for GPU and cloud-based workloads
— Develop internal abstractions, developer tools, and agentic systems to reduce operational overhead
— Drive continuous improvements across observability, automation, reliability, and developer experience (DX)
— Collaborate closely with ML researchers and product engineers to turn pain points into robust platform capabilities
— Contribute to technical direction and make pragmatic architectural trade-offs
🧠 Requirements:
— Strong experience building and operating complex, high-load production systems
— Deep systems mindset: ability to analyze bottlenecks, failure modes, and resource usage
— Solid hands-on experience with Linux, cloud infrastructure, and infrastructure automation
— Extensive experience with Kubernetes (K8s) and operating distributed workloads in production
— Strong coding skills in Python (or similar) for backend systems and tooling
— Proven experience building internal platforms, infrastructure abstractions, or developer tools
— Pragmatic approach to problem-solving with a focus on reliability without over-engineering
— Strong ownership and comfort working in ambiguous environments
— English — B2+
💫 Nice to have:
— Direct experience operating ML infrastructure, GPU clusters, or model serving systems in production
— Familiarity with workflow orchestration systems (e.g., Temporal)
— Experience building LLM-powered or agentic internal tools
— Strong background in observability and debugging distributed systems (Datadog, Prometheus, etc.)
— Hands-on experience with Terraform, GitHub Actions, and CI/CD pipelines
— Experience bridging the gap between research and production engineering
CVs to Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- MLOps
- Kubernetes
- Linux
- Terraform
- GitHub Actions
- CI/CD
- Prometheus
- Datadog
- Temporal
- SRE
- GPU
Возможные вопросы на собеседовании
Проверка опыта работы с GPU-ресурсами в K8s, что критично для AI-видеогенерации.
Как вы подходите к планированию и изоляции GPU-нагрузок в Kubernetes для обеспечения максимальной утилизации и стабильности обучения моделей?
Оценка навыков проектирования систем обслуживания моделей.
Опишите ваш опыт построения систем для production serving: какие инструменты использовали и как решали проблему задержек (latency) при инференсе тяжелых моделей?
Проверка умения работать с инфраструктурным кодом.
Какие паттерны в Terraform или CI/CD вы считаете наиболее эффективными для управления сложной ML-инфраструктурой в нескольких облачных регионах?
Оценка навыков отладки распределенных систем.
Расскажите о самом сложном инциденте в распределенной системе, который вам довелось расследовать. Какие инструменты мониторинга и методы анализа помогли найти причину?
Проверка прагматичности и понимания бизнес-процессов.
Как вы балансируете между внедрением новейших MLOps-инструментов и необходимостью поддерживать стабильность и простоту текущей платформы?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
