- Страна
- Россия
- Зарплата
- 386 000 ₽ – 436 000 ₽
Откликайтесь
на вакансии с ИИ
Senior MLOps Engineer (Platform Development / LLMOps)
Оценка ИИПривлекательная вакансия для опытных инженеров благодаря работе с передовыми технологиями (LLMOps, RAG) и прозрачной вилке оплаты. Удаленный формат работы по ИП внутри РФ обеспечивает гибкость при стабильной нагрузке.
Сложность вакансии
Оценка ИИРоль требует глубоких знаний как в классическом DevOps (Kubernetes, CI/CD), так и в специфических ML-инструментах (MLflow, Airflow, CUDA). Высокий уровень ответственности за платформенные решения в банковском секторе повышает порог входа.
Анализ зарплаты
Оценка ИИПредложенная вилка (386к–436к гросс) полностью соответствует рыночным ожиданиям для позиции Senior MLOps в России, где медиана составляет около 400к рублей. Верхняя граница конкурентна для банковского сектора.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Volna.tech уже сейчас
Откликайтесь прямо сейчас, приложив краткий скрининг по требованиям, чтобы ускорить рассмотрение вашей кандидатуры!
Описание вакансии
Публикатор: Валерия Старко
Обсуждение: @devops_jobs
#аутстафф #ИП #удаленка #вакансия
Senior MLOps Engineer (Platform Development / LLMOps)- senior
Компания: Volna.tech
Вилка: от 386к до 436к гросс
Срок: длительный
Оформление: по ИП РФ( не ГПХ, не СЗ)
Формат: Удаленно
Локация: только РФ
Гражданство: РФ
Ищем опытного инженера в команду развития проектов голосовой аналитики и пайпланов для платформы аналитики.
Кто мы - Центр развития MLOps-экспертизы. Мы развиваем единую MLOps - экосистему банка.
- Среда разработки моделей / пайплайны train и inference
- Среда исполнения моделей и пайплайны доставки
- Среда немодельных сервисов
- Feature Store
- AutoML и AlfaPredict (платформа для аналитиков)
- А/В тестирование
- RAG/LLMOps
- Система обработки документов при помощи ИИ
Требования:
- Опыт DevOps от 3х лет (decker, helm, jenkins gitlab Cl, python)
- Опыт ML/MLOps от 1 года (airflow, jupyterhub, m|flow, seldon, cuda)
- Опыт администрирования Kubernetes от 2х лет
- Опыт работы Hadoop, Spark, Kafka, ELK
Личные качества:
- Самостоятельность в доведении задач до результата
- Проактивность и инициативность в предложениях по рефакторингу
- Полное погружение в инфраструктуру и команду
- Командность, готовность помогать коллегам и пользователям
- Умение собрать общую картину ожидаемого результата, вместо решения конкретно поставленной задачи
Обязанности кандидата:
- Конфигурировать и разворачивать инфраструктурные компоненты
- Адаптировать/ разрабатывать с нуля автоматизированные пайплайны под актуальные бизнес- задачи (AutoML, LLM, computer vision и пр)
- Создавать и поддерживать пользовательские инструменты для работы в едином ML-контуре применения и обучения
- Масштабировать разрабатываемые системы и инструменты для управления жизненным циклом моделей машинного обучения
Откликнуться: Откликнуться ( при отклике прилагать самостоятельный скрининг по требованиям!!)
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Docker
- Helm
- Jenkins
- GitLab CI
- Python
- Airflow
- JupyterHub
- MLflow
- Seldon
- CUDA
- Kubernetes
- Hadoop
- Spark
- Kafka
- ELK
- LLMOps
- RAG
Возможные вопросы на собеседовании
Вакансия предполагает работу с платформой. Важно понимать, как кандидат обеспечит доступность и масштабируемость JupyterHub для множества аналитиков.
Расскажите о вашем опыте масштабирования JupyterHub в Kubernetes. С какими проблемами при распределении ресурсов (CPU/GPU) вы сталкивались?
В стеке указан MLflow. Вопрос проверяет понимание жизненного цикла моделей.
Как бы вы организовали процесс продвижения модели (model promotion) из среды разработки в продакшн с использованием MLflow и GitLab CI?
Упоминается работа с CUDA. Это критично для обучения тяжелых моделей и LLM.
Какие особенности настройки Kubernetes-нод с GPU вы знаете? Как обеспечить эффективную утилизацию видеопамяти несколькими подами?
В требованиях есть Spark и Kafka. Важно понять навыки работы с данными.
Опишите архитектуру пайплайна для инференса модели в реальном времени, использующего Kafka как источник данных.
LLMOps — одно из ключевых направлений вакансии.
В чем, по вашему мнению, основные отличия LLMOps от классического MLOps при работе с RAG-системами?
Похожие вакансии
Senior MLOps инженер
Senior MLOps инженер
Senior Data Engineer
Python разработчик (DWH/Data Engineering)
Data Scientist Middle+, Senior
Data Scientist
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!