Вакансии

Location: Москва Ищем MLOps Engineer с фокусом на ускорение и автоматизацию вывода ML-моделей. Основной продукт — платформа для рекомендательных сценариев, обеспечивающая разработку, обучение и эксплуатацию ML-моделей в продакшене. Обязанности ### Чем предстоит заниматься: * развивать MLOps-инфраструктуру и инструменты для быстрого вывода моделей в production * автоматизировать процессы тестирования, развертывания и обновления ML-моделей * развивать MLflow и процессы управления экспериментами, версиями и жизненным циклом моделей * развивать инфраструктуру на базе Kubernetes * обеспечивать интеграцию ML-процессов с Airflow и Apache Spark * развивать CI/CD для ML и внутренние инструменты/SDK для ML-команд * повышать надежность, наблюдаемость и воспроизводимость ML-систем * участвовать в развитии инфраструктуры для AI/LLM-сценариев. Требования ### Что мы ожидаем: * опыт в MLOps / DevOps / Data Engineering * хорошее знание Kubernetes * опыт работы с MLflow, Airflow и Spark * уверенный Python * понимание полного жизненного цикла ML-модели — от эксперимента до production * опыт автоматизации CI/CD и эксплуатации production-систем * умение проектировать решения, которые снижают time-to-production ML-моделей и упрощают работу Data Science команд * опыт разработки внутренних ML-инструментов и SDK * опыт работы с рекомендательными системами * опыт с GPU-инфраструктурой * опыт в AI/LLM-проектах. Условия * офисный формат (Поклонная, 3к1) * ежегодный пересмотр зарплаты и годовая премия * расширенный ДМС и льготное страхование для семьи * уникальная система обучения Сбера для профессионального и карьерного развития * выгодная ипотека для сотрудников * подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера * корпоративная пенсионная программа.

Задачи: — Создавать AI-агенты и платформы для них — Строить MLOps-инфраструктуру — Работать с данными для ML Требования: — Опыт работы в роли MLOps Engineer/Data Engineer/Python ML от 3,5 лет — Production-опыт с фреймворками MLOps: Kubeflow, MLflow, Airflow для оркестрации, понимание их интеграции в CI/CD пайплайны — Опыт работы с Docker и Kubernetes (в контексте развертывания моделей как сервисов) — Опыт работы с одним из major cloud-провайдеров (желательно GCP или AWS/Azure с пониманием hybrid-cloud) — Умение работать с большими данными, опыт с Greenplum или аналогичными MPP-системами (Teradata, Exasol) — Знание распределенных вычислений (Spark) — Опыт работы с LangChain/LlamaIndex, FastAPI, знание фреймворков для работы с LLM (Hugging Face, vLLM и т.д.) — Отличные знания Python, SQL на очень высоком уровне для работы с data vault — Знания Git, GitLab CI/CD

Задачи: — Разрабатывать AI-агентов на Python — Интегрировать модели и внешние API — Работать с RAG и Tool Calling — Упаковывать решения в Docker — Разворачивать через Helm в Kubernetes — Работать с ArgoCD и анализировать логи — Исправлять ошибки и самостоятельно обновлять production-деплои — Работать с SCA-сканерами и зависимостями Требования: — 3–6 лет опыта, Middle / Senior — Python + LangChain / LlamaIndex / Semantic Kernel или аналоги — Docker, Kubernetes, Helm — Bash, debugging, анализ логов — Понимание AI Agents, RAG, Tool Calling — Глубокое понимание Python-зависимостей (pip, poetry, virtualenv) — Высокая самостоятельность: от кода до запуска в production Условия: — Формат работы: Remote — Занятость: Full-time — Зарплата: до 260 000 ₽ на руки — Оформление: ИП / СМЗ — Локация: РФ, гражданство РФ

Задачи: — Разработка и развитие сервисов промышленного инференса ML-моделей и LLM — Построение централизованного слоя доступа к моделям и AI-сервисам — Разработка платформенных компонентов для деплоя, версионирования и мониторинга моделей

Задачи: — проектировать и строить распределённую вычислительную платформу на ~1000 машин; — развивать инфраструктуру на Kubernetes / Nomad для запуска и управления ML workload'ами; — работать с GPU-кластерами и вычислительными ресурсами разных типов — GPU, CPU, MPS; — развивать распределённые вычисления на Ray и инфраструктуру для distributed training; — автоматизировать размещение и запуск задач, управление ресурсами и их загрузкой; — заниматься масштабированием, производительностью, отказоустойчивостью, CI/CD и мониторингом; — тесно работать с ML-командой над инфраструктурой для обучения и запуска нейросетей. Требования: — 3–5+ лет опыта в DevOps / MLOps / Platform Engineering; — уверенный Kubernetes и/или Nomad; — опыт работы с большими production-кластерами и распределёнными системами; — практический опыт с GPU-инфраструктурой; — понимание обучения нейросетей и distributed training; — опыт с Docker / Docker Registry, CI/CD, Linux, мониторингом; — опыт проектирования и создания инфраструктуры с нуля; — будет большим плюсом опыт с HPC, суперкомпьютерами, GPU-фермами, Ray и крупными вычислительными кластерами. Условия: — full-time

Location: Москва ИТ B2C — самая крупная экосистема в Сбере. Нас более 8000 человек в 18 городах России. Мы занимаемся разработкой и развитием розничных решений, помогая сделать сервисы Банка доступнее, безопаснее и удобнее. Ждем именно тебя! Ищете задачи, где код напрямую превращается в миллиардный финансовый результат? Присоединяйтесь к трайбу D-People. Мы меняем клиентский опыт через умную сегментацию — каждый сегмент получает свой подход, что приносит компании свыше 1 млрд рублей в год. В нашей команде из 60+ человек вы будете внедрять в продакшен передовые ML-модели, от классических пайплайнов до NLP-систем SOTA на базе трансформеров. Для самых амбициозных задач у нас есть два производительных кластера Hadoop и выделенные серверы с видеокартами NVIDIA Tesla A100 и V100. Обязанности * внедрение ML моделей и фичей, необходимых для их исполнения * проектирование и поддержка Pipeline-ов регулярного скоринга моделей * развитие Hadoop кластера подразделения (оптимизация нагрузки, масштабирование, установка доп. инструментов, часть задач по администрированию и мониторингу) * предоставление экспертной поддержки D-people (Engineer/Analyst/Scientist) трайба в части оптимизации запросов, хранения данных и т.д. * поддержка сопроводительной документации в базе знаний подразделения. Требования * опыт работы от 3 лет в качестве Data Engineer/Data Analyst/Data Scientist * продвинутые знания SQL и Python: опыт разработки и, желательно, внедрения в пром. от 1 года * уверенные знания основных компонентов Apache Hadoop * опыт работы с фреймворком Apache Spark * понимание основ Machine Learning. **Будет плюсом:** * знание Scala * опыт с Python ML-frameworks (Scikit-Learn, LightGBM, PyTorch и другие) * опыт с Spark streaming, Kafka, Hbase, GreenPlum * опыт с DevOps (Jenkins), Git (BitBucket) * навыки работы с генеративными AI-моделями; опыт создания AI-агентов и использования их в работе будет преимуществом * опыт с методологии Agile (SCRUM, Kanban). Условия комфортный современный офис рядом с м. Кутузовская возможность выбрать удобный график – офис/гибрид (офисный формат на период испытательного срока) ежегодный пересмотр зарплаты, годовая премия корпоративный спортзал и зоны отдыха более 400 образовательных программ СберУниверситета для профессионального и карьерного развития программа адаптации и помощь руководителя на старте расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ подписка Прайм с возможностью совместного использования на трёх близких вознаграждение за рекомендацию друзей в команду Сбера.

Задачи: — Проектирование, развёртывание и развитие инфраструктуры платформы искусственного интеллекта (on-prem и облако): Kubernetes-кластеры, GPU-ноды, storage, сети, безопасность. — Построение и поддержка CI/CD/CT-пайплайнов для ML-моделей и сервисов: от артефакта DS до продакшн-инференса с откатами и канареечными релизами. — Интеграция и эксплуатация LLM/ML-сервисов для внутренних команд и рыночных внедрений: упаковка моделей в сервисы, конфигурация autoscaling, SLA, observability. — Настройка мониторинга и алертинга по инфраструктуре и моделям (метрики ресурсов, latency, ошибки, дрейф данных), реагирование на инциденты, участие в post-mortem. — Автоматизация ML-пайплайнов: подготовка данных, обучение, переобучение, регистрация моделей, управление версиями и окружениями. — Поддержка внедрений у клиентов: тиражирование платформенных компонентов, адаптация инфраструктуры под контур заказчика, участие в performance-оптимизации и cost-cutting (GPU/CPU). Требования: — Высшее образование. — Опыт работы: 5+ лет. — Глубокое понимание жизненного цикла ML-модели: от экспериментов до продакшн-инференса и мониторинга. — Уверенный Linux, сетевые основы, безопасность, работа с контейнерами и оркестраторами. — Опыт построения CI/CD-пайплайнов для сервисов и ML-артефактов (Docker images, модели, данные). — Опыт с LLM/GenAI-платформами: vLLM, TGI, Hugging Face, Triton/ONNX Runtime, оптимизация инференса. — Опыт построения feature store, model registry, ML pipelines (Kubeflow, MLflow, Airflow, Argo Workflows). — Работа в гибридной инфраструктуре: on-prem кластеры + публичные облака (T1 Cloud, VK Cloud, Yandex Cloud и др.). — Понимание cost-optimization: FinOps для GPU/CPU, автобалансировка нагрузок. — Языки: Python (утилиты, обвязка) / Bash. — Контейнеризация и оркестрация: Docker, Docker Compose, Kubernetes (Helm, Operators), желательно Kubeflow. — CI/CD: GitLab CI / GitHub Actions / Jenkins / Argo CD. — Инфраструктура: Terraform / Ansible, конфигурация Linux-серверов, Nginx, cert-manager. — Data/ML-инфраструктура: Apache Kafka, Airflow/Argo Workflows, S3-совместимые хранилища, MLflow/Weights&Biases. — Мониторинг и логи: Prometheus, Grafana, Loki/ELK, Sentry, alertmanager. Профессиональные навыки: — Проектирование и развёртывание инфраструктуры платформы ИИ (кластер Kubernetes, storage, сети, security) под LLM/ML-нагрузки. — Построение воспроизводимых ML-пайплайнов: обучение, валидация, packaging модели, деплой в batch и real-time режимах. — Настройка мониторинга моделей: метрики качества, дрейф данных, latency/throughput, автоматический rollback и retraining-триггеры. — Совместная работа с DS/разработчиками и внедренцами: перевод экспериментальных ноутбуков в надёжные сервисы для внутренних и внешних клиентов. Специализированные программы: — GitLab / GitHub, Jira / Confluence/Сфера — Kubernetes ecosystem: kubectl, Helm, K9s, Lens. — ML-инструменты: MLflow / Weights & Biases, Kubeflow Pipelines / Airflow, model registry. — Мониторинг: Prometheus, Grafana, Loki/ELK, Alertmanager, Sentry.

Мы ищем опытного DevOps-инженера с фокусом на MLOps и BlockchainOps для работы в продуктовой компании ITM. Роль подразумевает полную занятость на удаленке и требует глубокого понимания AI и блокчейн-инфраструктур. Требования: — 1+ год опыта с AI-инфраструктурой (биометрия / Computer Vision) — 1+ год опыта с Blockchain инфраструктурой — 1+ год работы с Bare metal K8s — 1+ год работы с Nvidia GPU (Cuda, TensorRT) — 6+ лет общий опыт работы в роли DevOps Engineer — Гражданство РФ (проживать можно в любой стране +-UTC+3) Условия: — Fully remote work format — Only fulltime — Оформление по ТК РФ — 100% оплата больничного — Оплачиваемый отпуск 28 календарных дней

Задачи: — DevOps-инженер с опытом в Blockchain и AI-инфраструктуре (биометрия / Computer Vision). Требования: — 1+ год опыта с AI-инфраструктурой (биометрия / Computer Vision). — 1+ год опыта с Blockchain инфраструктурой. — 1+ год работы с Bare metal Kubernetes. — 1+ год работы с Nvidia GPU (Cuda, TensorRT). — 6+ лет общий опыт работы в роли DevOps Engineer. — Гражданство РФ (проживать можно в любой стране в зоне UTC+3). — Только fulltime, без совмещения, аутсорсинг и аутстаффинг не рассматриваются. — Не подходит опыт технических менеджеров (Team Lead, CTO и т.п.). — Не подходит опыт фриланса. Условия: — Полностью удалённый формат работы. — Только полная занятость. — Оформление по ТК РФ. — 100% оплата больничного. — Оплачиваемый отпуск 28 календарных дней. — Компания аккредитована в «Минцифре». — Работа в продуктовой компании.

Location: Москва Мы строим высоконагруженные production-grade ML-системы для обеспечения банковской безопасности. Наш фокус: антифрод, управление рисками, обнаружение аномалий и оптимизация бизнес-процессов. Внедряем различные решения – от классического ML до state-of-the-art архитектур в DL. Ищем опытного ML/MLOps инженера, который будет работать на стыке Data Science, Backend и DevOps. Главная цель – автоматизировать, масштабировать и контролировать жизненный цикл моделей Обязанности * упаковка моделей в Docker * настройка CI/CD пайплайнов * версионирование данных, моделей и артефактов в MLflow * деплой в Kubernetes * проектирование end-to-end пайплайнов (от сырых логов до сервиса) * сборка данных из SQL/NoSQL баз * проектирование витрин признаков (Feature Engineering) * автоматизация переобучения моделей в Airflow * работа с потоковыми данными в Kafka * настройка мониторинга data drift и model decay * логирование экспериментов (MLflow) * анализ данных и валидация моделей * совместная работа DS/DE/DevOps/Backend по интеграции моделей в микросервисную архитектуру. Требования * опыт работы ML Engineer, MLOps Engineer или DevOps Engineer от 3-х лет (с подтверждённым опытом вывода моделей в прод) * понимание жизненного цикла моделей * уверенное владение Python * знание Linux и сетевых основ * понимание микросервисной архитектуры и работы с очередями (Kafka) * опыт работы с REST API * опыт работы с облачными платформами (AWS, GCP, Azure или Yandex Cloud) * опыт построения CI/CD пайплайнов * опыт работы с Airflow (оркестрация), MLflow (трекинг), Docker/K8s (контейнеризация), Kubernetes * опыт использования систем контроля версий Git/Bitbucket * уверенное владение SQL (сложные джойны, оконные функции, оптимизация запросов) и знакомство с Big Data стеком (Spark, Hadoop) * умение решить любую несложную инфраструктурную задачу, с которой не работал(а) ранее * навыки работы с генеративными AI-моделями; опыт создания AI-агентов и использования их в работе будет преимуществом * опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки создания и использования AI-агентов * инструментальное владение AI для анализа, генерации и автоматизации Будет плюсом * опыт с LLMs (fine-tuning, RAG, evaluation via RAGAS/DeepEval, vLLM). * опыт работы с Kafka/Spark * опыт с LangChain, LangGraph, function calling * опыт работы с GPU-инфраструктурой и оптимизацией инференса * опыт мониторинга с использованием Prometheus, Grafana, ELK/OpenSearch * опыт использования DVC или других инструментов управления версиями данных. Условия * инновационные, амбициозные проекты и задачи, которые развивают: всегда есть возможность прокачать свои навыки в работе и профессионально расти * среда для обмена знаниями – высокая экспертиза внутри команды; * сплоченная команда, работающая над общими задачами и умеющая хорошо отдыхать * нашу культуру создают сами сотрудники – мы их слышим и помогаем создавать и поддерживать корпоративные комьюнити по интересам * стабильная заработная плата и годовой бонус * полностью офисный формат работы. Современный IT-офис вблизи Москва-Сити в пяти минутах от метро "Кутузовская", с фитнес залом; * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития * подписка Прайм с возможностью совместного использования на трёх близких * расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа * вознаграждение за рекомендацию друзей в команду Сбера.

Задачи: - Развивать инструменты хостинга ML-моделей: внедрять и развивать inference-движки и сопутствующую инфраструктуру, следить за мировыми трендами, делать R&D мировых решений. - Развивать ML-инфраструктуру: трекер экспериментов Clear ML, внутренние инструменты для разметки данных, векторную БД Milvus, решение для запуска распределенных вычислений, а также те инструменты и сервисы, про которые мы уже думали, но еще не внедрили. - Развивать внутренние сервисы: поддерживать планировщик вычислительных ресурсов для запуска DS-решений, бота для глубокого анализа каналов поддержки Центра ИИ и прикладные решения для управления кластерами и биллингом. Требования: - Опыт работы с Docker и Kubernetes для развертывания ML-моделей. - Опыт работы с Ansible. - Знание и опыт внедрения DevOps-практик: CI/CD, IaC, SRE. - Навыки работы с системами мониторинга Prometheus, Grafana, ELK. - Опыт программирования на Python на уровне понимания экосистемы, базовых библиотек и навыков написания прикладных программ. - Опыт проектирования и внедрения инфраструктурных решений. - Способность и готовность работать в условиях высокой неопределенности. Будут плюсами: - Опыт работы в роли MLOps-инженера или аналогичной должности. - Понимание жизненного цикла ML-решений и специфики их развертывания на production. - Опыт работы с векторными БД. - Знание ML-инструментов и библиотек. - Опыт работы с GPU-серверами и диагностики проблем с GPU. Условия: - Уровень дохода, который зависит от ваших технических знаний и навыков. Регулярно пересматриваем зарплаты с учетом профессионального роста. Финансовые бонусы тоже есть. - Заботу о вашем комфорте. Можете работать удаленно, гибридно или в офисе, в любом случае предоставим технику и все необходимое. Если вам по душе работать из офиса — обеспечим удобным местом, зонами отдыха, кухней с полезными перекусами. - Сильное инженерное комьюнити. Регулярно проводим внутренние технические конференции, обмениваемся опытом между командами. Вы всегда найдете, с кем посоветоваться. - Возможность сменить продукт, команду или предметную область внутри компании. Поддерживаем развитие в любом направлении. - Общение на «ты» и максимум горизонтальных связей в коллективе, чтобы быстрее договариваться и решать рабочие задачи. - Возможность делиться экспертизой. Помогаем выступать на конференциях, участвовать в подкастах или видео, писать статьи. - Поддержку профессионального развития. Организуем внутреннее и внешнее обучение.

Задачи: - Разрабатывать REST API с использованием FastAPI; - Проектировать и реализовать backend-сервисы с нуля; - Проводить интеграции с базами данных и системами обмена данными; - Обеспечивать масштабируемость и отказоустойчивость сервисов; - Писать и поддерживать автоматизированные тесты; - Настраивать и поддерживать CI/CD процессы для непрерывной интеграции; - Участвовать в планировании задач и работе по методологии Scrum; - Тесно взаимодействовать с командой для оперативного решения технических вопросов. Требования: - Сильные инженерные навыки, самостоятельность, понимание полного цикла доставки приложения; - Уверенный опыт настройки и использования CI/CD, работы с Docker и Kubernetes; - Понимание DevOps-культуры, умение написать и поддержать Helm-чарт/Dockerfile, разобраться с деплоем, настроить базовый мониторинг и алертинг; - Глубокие знания Python и опыт работы с FastAPI; - Опыт работы с PostgreSQL, ClickHouse, Kafka, Redis, Spark; - Умение писать чистый, поддерживаемый код с соблюдением best practices и знание архитектурных паттернов; - Опыт работы в высоконагруженных системах и решения реальных задач на production; - Аналитический склад ума, системное мышление и готовность самостоятельно доводить задачи до конца; - Продвинутое знание инструментов мониторинга (Prometheus, Grafana, Opensearch/ELK); - Глубокий опыт в DevOps, опыт работы с Triton Inference Server и другими инструментами деплоя ML-моделей будет плюсом.

Задачи: — активно участвовать в разработке микросервисов на Python; — участвовать в проработке технических требований, архитектуры и подходов к решению; — участвовать в управлении бэклогом команды, проводить приоритезацию и контролировать выполнение задач; — заниматься people-менеджментом: участвовать в найме, развитии сотрудников и т.д. Требования: — опыт работы в роли MLOps Engineer от 4-х лет; — опыт работы в роли Team Lead/ проведение code review – не менее 1 года; — опыт коммерческой backend-разработки на Python от 3-х лет; — понимание способов интеграций IT-систем (шины, очереди, API); — практический опыт с Kubernetes, Redis; — опыт работы с реляционными базами данных, уверенные знания SQL; — понимание принципов CI/CD; — понимание микросервисной архитектуры; — опыт работы с ИИ моделями и их внедрением. Будет плюсом: — знания в области BigData (Hadoop, Spark), OpenSearch; — знание планировщиков процессов (AirFlow); — опыт работы в банковской сфере; — понимание гибких методологий разработки (Agile); — знание основных инструментов управления разработкой (например: Jira, Confluence); — знания и опыт в Machine learning; — опыт управления IT проектами, включая разработку и внедрение ML моделей в продакшн; — опыт разработки ML моделей в роли data scientist, data engineer, ML Ops. Условия: — Хорошая зарплата: уровень обсуждается индивидуально, есть доплаты за менторство и профактивности. — Развитие: долгосрочные проекты от российских заказчиков, возможность менять направления, прозрачная система Performance Review. — Комфорт и свобода: релокейт между офисами, выбор формата работы (удалённо, офис, гибрид), адаптация для новых сотрудников. — Обучение: доступ к корпоративному порталу, митапам, конференциям (и как гость, и как спикер). — Социальный пакет: ДМС со стоматологией, частичная компенсация спорта, бесплатный английский, оплачиваемый отпуск и больничные. — Корпоративная жизнь: тимбилдинги, детские праздники, внутренние мероприятия.

Задачи: — Продуктизация ML-моделей и пайплайнов — Интеграция моделей в backend и бизнес-контуры — Разработка API и сервисов для ML — Работа со стримингом данных (Kafka) — Участие в RnD и пилотировании новых ML-решений Требования: — Опыт разработки на Python от 3–4 лет — Высшее образование (законченное) — Опыт работы с ML-проектами (CV, NLP, RAG) — Опыт разработки REST API (FastAPI / Flask) — Опыт работы с Kafka — Понимание микросервисной архитектуры и сетевого взаимодействия — Базовое понимание Kubernetes — Опыт работы с SQL на среднем уровне — Умение работать с кодом Data Science и адаптировать его под production Будет плюсом: — Опыт работы с Airflow — Опыт работы с Hadoop / Spark Условия: — ДМС со стоматологией — Компенсация фитнеса — Скидки на курсы английского (Skyeng) и в кино — Индексация зарплаты — Современная техника для работы — IT-аккредитация

Основные направления: — Продуктизация ML-моделей и пайплайнов — Интеграция моделей в backend и бизнес-контуры — Разработка API и сервисов для ML — Работа со стримингом данных (Kafka) — Участие в RnD и пилотировании новых ML-решений Обязанности: — Продуктизация и внедрение ML-моделей в production — Рефакторинг кода от DS-команд под production-стандарты — Разработка backend-сервисов и REST API для ML-решений — Интеграция сервисов через Kafka и микросервисную архитектуру — Участие в построении и развитии ML-пайплайнов — Взаимодействие с DS, MLOps и аналитиками — Участие в архитектурных решениях и RnD-задачах Требования: — Опыт разработки на Python от 3–4 лет — Обязательно высшее образование (законченное) — Опыт работы с ML-проектами (CV, NLP, RAG) — Опыт разработки REST API (FastAPI / Flask) — Опыт работы с Kafka — Понимание микросервисной архитектуры и сетевого взаимодействия — Базовое понимание Kubernetes — Опыт работы с SQL на среднем уровне — Умение работать с кодом Data Science и адаптировать его под production Будет плюсом: — Опыт работы с Airflow — Опыт работы с Hadoop / Spark Условия: -ДМС со стоматологией -Компенсация фитнеса -Скидки на курсы английского (Skyeng) и в кино -Индексация зарплаты -Современная техника для работы -IT-аккредитация

Задачи: — 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 Требования: — Опыт DevOps от 3х лет (Docker, Helm, Jenkins/GitLab CI, Python) — Опыт ML/MLOps от 1 года (Airflow, JupyterHub, MLflow, Seldon, CUDA) — Опыт администрирования Kubernetes от 2х лет — Опыт работы с Hadoop, Spark, Kafka, ELK Условия: — Работа в аккредитованной IT компании, имеющей собственные продукты — Формат работы: удаленный по РФ — Предоставляем расширенный ДМС (со стоматологией) — Выдаем необходимую для работы технику (ноутбук) — Возможность воспользоваться реферальной программой: “Приведи товарища” — Участие в Бонусной программе — Помогаем в ипотеке и других пособиях — Предоставляем возможность построить карьеру в рамках ведущих компаний России

Location: Dubai, United Arab Emirates As an AI Infrastructure & MLOps Engineer at Müller’s Solutions for a 6-month contract, This role is primarily operations-focused (90%) , with hands-on involvement in implementation, configuration, and setup of AI infrastructure and MLOps workflows. You will play a key role in managing, operating, and guiding the deployment of a strategic AI environment , working closely with the customer as a technical advisor and hands-on engineer. What about the role responsibilities? Operate and maintain AI infrastructure and MLOps platforms in a production environment. Monitor, manage, and troubleshoot Kubernetes-based AI workloads. Perform Acceptance Testing Planning and Execution for AI infrastructure and platforms. Ensure stability, performance, and availability of AI systems. Support day-to-day operational tasks across compute, storage, and networking layers. Install and configure NVIDIA Enterprise AI Stack (NVAI) . Configure and manage MLOps platforms such as Kubeflow and MLflow . Assist in setting up end-to-end AI workflows , including data pipelines. Support the initial implementation phase of the AI environment. Act as a technical guide and advisor to the customer during the early stages of their AI adoption. Requirements What should you have to fit in this role? Technical Requirements AI / MLOps Stack Proficient experience with the NVIDIA Enterprise AI Stack Familiarity with Ubuntu Linux Experience with Kubernetes Knowledge of Kubeflow / MLflow Experience with QFLOW (an open-source AI data pipeline management tool) Programming & Automation 4–6 years of practical experience in: Python Jupyter Notebook / JupyterLab Competence in writing, testing, and maintaining operational scripts and AI workflows. Infrastructure Experience Practical experience with enterprise infrastructure, encompassing: Dell PowerScale (5 nodes) XE Server (1 node) Dell R570 Servers (5 nodes) Dell Network Switches (2 switches) GPU-based AI servers (in a small-scale environment) Environment Overview Initial implementation of AI Compact configuration: 1 GPU server 1 PowerScale 5 control plane servers Opportunity to shape best practices from the ground up To succeed in this role, it's nice to have: •   Familiarity with data frameworks like Apache Spark or Hadoop for data processing. •   Understanding of ML model monitoring and logging practices to ensure system reliability. •   Experience with security best practices in AI systems.

Location: Athens; Limassol; Thessaloniki; Nicosia; Fully Remote - in other eligible locations Workplace: hybrid The Role: We are looking for a skilled MLOps Engineer to join our team and play a key role in bridging the gap between our Data Science and Infrastructure teams. You will be responsible for supporting the Data Science team in MLOps-related tasks while also helping in DevOps initiatives, including CI/CD pipeline creation, provisioning of cloud resources using tools like Terraform, and Kubernetes orchestration. You will collaborate closely with data scientists and engineers to deploy data pipelines, train machine learning models, and manage their deployment within scalable cloud environments while ensuring high performance, security, and reliability throughout the ML lifecycle. The main responsibilities of the position include: Assist in designing, implementing, and maintaining scalable MLOps pipelines on AWS using services such as SageMaker , EC2 , EKS , S3 , Lambda and other relevant AWS tools Coordinate with our platform team to troubleshoot Kubernetes clusters (EKS) to orchestrate the deployment of machine learning models and other microservices Develop and maintain CI/CD pipelines for model and application deployment, testing, and monitoring Collaborate closely with Data Science, and DevOps team to streamline the model development lifecycle, from experimentation to production deployment Implement security best practices, including network security, data encryption, and role-based access controls within the AWS infrastructure Monitor, troubleshoot, and optimize data and ML pipelines to ensure high availability and performance Set up and manage model monitoring systems for performance drift, ensuring continuous model improvement Main requirements: Bachelor’s degree in Computer Science, Engineering, or related field 2+ years of hands-on experience in MLOps, DevOps, or related fields Knowledge and preferable working experience in AWS services for machine learning, such as SageMaker , EKS , S3 , EC2 , Lambda , and others Exposure to Kubernetes for container orchestration Experience with Docker Exposure to infrastructure-as-code tools such as Terraform or CloudFormation Familiarity with CI/CD tools such as GitLab CI Understanding machine learning model lifecycle Familiarity with monitoring and logging solutions like Prometheus , Grafana , CloudWatch and ELK Stack Understanding of networking concepts and cloud security best practices Proficiency in Python and Bash , and comfortable working in Linux environments Strong problem-solving and communication skills The following will be considered an advantage: Experience working with serverless architectures and event-driven processing on AWS Familiarity with advanced Kubernetes concepts such as Helm Experience with Data Engineering pipelines, ETL processes, or big data platforms Experience with ML frameworks like TensorFlow, PyTorch and Keras Experience with ML platforms like Kubeflow and/or SageMaker Experience with workflow engines like Argo Workflows and/or Airflow Benefit from: Attractive remuneration package plus performance related reward Intellectually stimulating work environment Continuous personal development and international training opportunities The Hiring Experience: What Awaits You Let’s Connect – Intro Chat with Talent Acquisition Deep Dive – First Interview with Your Future Team Final Connection – Final Interview All applications will be treated with strict confidentiality!   By submitting this application, I confirm that I have read and agree to the terms of the Privacy and Data Protection Notice and the Confidentiality Undertaking.