- Страна
- Россия
Senior MLOps Engineer (B2C команда)
Оценка ИИОстровок! — известный бренд с сильной инженерной культурой. Вакансия предлагает работу с современным стеком (vLLM, Triton, GPU) и сложные задачи на стыке инфраструктуры и Data Science, что отлично подходит для профессионального роста Senior-специалиста.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИПозиция требует редкого сочетания глубоких знаний классического DevOps (Kubernetes, Ansible, Baremetal) и специфики ML-инфраструктуры (GPU, CUDA, ML Serving). Высокий порог входа обусловлен необходимостью управления полным жизненным циклом ML-моделей в высоконагруженном B2C сервисе.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для позиции Senior MLOps в крупной российской продуктовой компании рыночный диапазон составляет 350 000 – 500 000 рублей. Предложение соответствует топовому сегменту рынка РФ для специалистов с опытом работы с GPU-инфраструктурой.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Островок! уже сейчас
Присоединяйтесь к команде Островок! и развивайте MLOps-инфраструктуру для миллионов пользователей.
Описание вакансии
Senior MLOps Engineer (B2C команда)
Компания: Островок!
*🔹*Ключевые задачи:
- Поддержка кластеров (GPU/TPU), контейнеризации и оркестрации (Docker, Kubernetes);
-Аудит, оптимизация инфраструктуры и затрат (batch vs real-time inference, разграничение проблем железа и кода);
-Настройка мониторинга, алертинга и менеджмент железа между потребителями;
-Развертывание и поддержка ML-сервисов (MLflow, Airflow, CVAT, Doccano) в production;
-Настройка CI/CD для ML-пайплайнов и управление полным ML lifecycle (training -> serving).
*🔹*Требования:
-Опыт DevOps от 4х лет, MLOps от 1 года;
-Опыт с GPU/TPU инфраструктурой (NVIDIA stack, CUDA);
-Коммерческий опыт с Docker, Ansible, Kubernetes; понимание специфики baremetal;
ELK, Prometheus, Grafana;
-Опыт с ML Serving (Triton/vLLM/аналоги);
Postgres, Redis, Kafka.
IT Jobs в Telegram | в VK | в Max
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- MLOps
- DevOps
- GPU
- TPU
- Docker
- Kubernetes
- Ansible
- Bare Metal
- CUDA
- NVIDIA Stack
- MLflow
- Airflow
- CVAT
- Doccano
- CI/CD
- ELK
- Prometheus
- Grafana
- Triton Inference Server
- vLLM
- PostgreSQL
- Redis
- Kafka
Возможные вопросы на собеседовании
Проверка понимания специфики работы с GPU в контейнеризированных средах.
Расскажите о вашем опыте настройки NVIDIA Container Toolkit в Kubernetes. С какими проблемами при распределении GPU-ресурсов вы сталкивались?
Оценка навыков оптимизации производительности и стоимости инференса.
В каких случаях вы бы рекомендовали использовать Batch inference вместо Real-time, и как это влияет на архитектуру системы мониторинга?
Проверка опыта работы с инструментами обслуживания моделей.
Сравните опыт использования Triton Inference Server и vLLM. Какие метрики вы считаете критическими при мониторинге этих сервисов?
Оценка навыков автоматизации ML-процессов.
Как вы организуете CI/CD пайплайн для перехода от этапа обучения модели в MLflow к деплою в production-кластер?
Проверка умения работать с инфраструктурными инцидентами.
