Задачи:
— Закрывать пробелы между Data Science и DevOps.
— Превращать Jupyter Notebook в production-grade микросервис с мониторингом дрейфа данных.
Требования:
— Уверенное владение Python, включая опыт асинхронного программирования.
— Опыт работы с Pandas и Polars в продакшене.
— Глубокое понимание хотя бы одного инструмента оркестрации: Airflow, Prefect, Dagster или Argo Workflows.
— Понимание разницы между Event-driven и Scheduled пайплайнами.
— Опыт работы с Docker и Kubernetes, включая написание helm-чартов и настройку Horizontal Pod Autoscaler под GPU-нагрузки.
— Опыт с Infrastructure as Code (Terraform или Pulumi) на любом облачном провайдере (AWS, GCP, Yandex Cloud).
— Навыки настройки CI/CD пайплайнов для кода и данных (DVC, LakeFS, Git LFS).
— Знание стеков мониторинга (Prometheus, Grafana, VictoriaMetrics) и опыт настройки алертинга на качество модели (дрейф данных/концепций).
Будет плюсом:
— Опыт работы с облачными ML-сервисами AWS SageMaker, GCP Vertex AI, Azure ML или умение собирать аналогичный функционал из базовых сервисов.
— Опыт с GPU-виртуализацией (MIG, vGPU), Slurm, Kubeflow и настройкой распределённых хранилищ (Ceph, MinIO, NFS).
— Глубокие знания MLflow или Weights & Biases, опыт с Ray для распределённого обучения.
— Опыт работы с Feature Store (Feast, Tecton) или разработка собственного решения на Redis или Cassandra.
— Опыт с безопасностью ML-пайплайнов: аутентификация (OIDC, Keycloak) и управление секретами (Vault).
— Навыки написания микросервисов на FastAPI, Triton Inference Server, TorchServe для упаковки моделей.
Условия:
— Полная занятость, график 5/2.
— Удалённый формат работы.
Контакт для отклика: info@it-implant.ru
Зарплаты и спрос: MLOps-инженер
Сейчас в каталоге 80 вакансий по этому направлению, удалённо можно работать в 26%.
Навыки этой вакансии, которые чаще всего просят по направлению: Python (33%), Docker (30%), Kubernetes (29%), Grafana (21%), Airflow (19%), Mlflow (18%). В скобках доля вакансий направления.