Компания "Иннотехнум, Группа компаний"
Мы ищем опытного MLOps инженера в команду внедрения ML-решений.
Эта позиция предназначена для специалистов, готовых работать с современным технологическим стеком и обеспечивать жизненный цикл ML-решений на этапе вывода в продакшн.
Предстоит:
- Развертывание и масштабирование в продакшене:
Контейнеризация ML-моделей с использованием Docker и развертывание в Kubernetes кластерах.
Настройка и управление оркестрацией ML-пайплайнов через Apache Airflow.
Обеспечение масштабируемости и отказоустойчивости ML-сервисов в on-premise средах. - Мониторинг и оптимизация:
Подключение сервисов к системам мониторинга и журналирования.
Анализ и устранение инцидентов в работе ML-сервисов на третьей линии поддержки.
Оптимизация использования вычислительных ресурсов и автомасштабирование рабочих нагрузок. - Интеграция и автоматизация:
Разработка интеграций между ML-сервисами через REST API и системы обмена сообщениями (Kafka).
Создание автоматизированных пайплайнов для обработки данных, feature engineering и тестирования моделей.
Внедрение Infrastructure as Code подходов для управления ML-инфраструктурой.
Мы ожидаем:
- Глубокое владение Python (от 3 лет) с пониманием принципов написания production-ready кода.
- Опыт работы с контейнеризацией (Docker) и оркестрацией (Kubernetes) для развертывания ML-моделей.
- Уверенное владение Apache Airflow для оркестрации ML-пайплайнов.
- Понимание построения CI/CD пайплайнов для ML-решений (GitLab CI, GitHub Actions).
- Навыки работы с системами мониторинга (Prometheus, Grafana) и централизованного логирования.
- Высшее образование.
Будет преимуществом:
- Понимание жизненного цикла ML-проектов и специфики production ML-решений.
- Опыт работы с системами управления версий данных и feature store.
- Базовые знания принципов машинного обучения и методов валидации моделей.
- Опыт работы с распределенными вычислениями (Apache Spark, Hadoop).
- Знание специализированных ML-фреймворков (MLflow, ZenML).
- Опыт работы с векторными базами данных и системами поиска для RAG-приложений.
Технологический стек:
- Оркестрация: Apache Airflow
- Контейнеризация: Docker, Kubernetes
- CI/CD: Сфера CI/CD
- Мониторинг: Prometheus, Grafana, ELK Stack
- БД: Postgres, OpenSearch
- Данные: S3/MinIO, HDFS
- Python (основной)
- ML библиотеки: CatBoost, scikit-learn, PyTorch, Keras
- REST API разработка (FastAPI)
- Apache Kafka
- Apache Spark
Мы предлагаем:
- Работу с современными технологиями на переднем крае MLOps индустрии.
- Участие в проектах полного цикла - от исследований до production развертывания.
- Возможность влиять на архитектурные решения и выбор технологического стека.
- Глубокое погружение в практики MLOps с опытными коллегами из индустрии.
- Участие в конференциях и обучающих программах по передовым ML технологиям.
- Работу с реальными production ML-сервисами.
- Доступ к современной инфраструктуре и вычислительным ресурсам.
- Поддержку инициатив по внедрению новых технологий и улучшению процессов.