Загружаем вакансии…
Требуется ML Ops-инженер, который возьмёт на себя задачи автоматизации полного жизненного цикла машинного обучения. В обязанности входит организация процессов разработки, тестирования, развертывания моделей, а также их мониторинг и поддержка в рабочей среде.
Зарплата не указана
As the Senior Staff Machine Learning Platform Engineer, you will own the technical vision and evolution of Faire’s ML platform. You will set standards, influence org-wide architecture, and lead complex, cross-functional initiatives that unlock data science velocity at scale.
248 000 – 341 000 $
— Разрабатывать Python / SQL-пайплайны загрузки и обработки данных из файлов, API и информационных систем. — Проектировать таблицы хранилища: сущности, связи, правила преобразования.
280 000 – 400 000 ₽
Настройте подбор один раз, и подходящие вакансии будут сами приходить в Telegram.
Вакансия Senior Dev/ML Ops Engineer в компании Humanoid, расположенной в Великобритании. В описании вакансии конкретные задачи, требования и условия не указаны, но позиция связана с разработкой и эксплуатацией ML-систем (ML Ops).
Зарплата не указана
-Создавать AI-агенты и платформы для них. -Строить MLOps-инфраструктуру.
Зарплата не указана
• Разрабатывать AI-агентов на Python. • Интегрировать модели и внешние API.
до 260 000 ₽
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
Зарплата не указана
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.
Зарплата не указана