Senior ML Engineer / ML Ops
Описание
ООО «СберОбразование» — компания экосистемы Сбера, созданная в 2021 году. Мы внедряем цифровые решения и создаем новые возможности для развития и обучения на протяжении всей жизни. Мы в поиске ML разработчика / инженера, который будет развивать направление поставки ML-решений в production в команде:Настроит мониторинг и сделает оптимизацию уже существующих в production ML-решений Реализует масштабирование и вывод в production новые ML-решения (планируем 5-10 до конца 2026 года) Будет взаимодействовать с командами разработки, ML для уточнения требований и постановки задач; предлагать архитектурные решения Ключевые задачи: Разработка и поддержка API на FastAPI / другом фреймворке для интеграции ML-решений (классических моделей, агентов и тд); "Упаковка" кода в Docker-образ с минимальным размером и безопасными зависимостями, писать Helm-чарт для развертывания этого образа; Поиск способов обновления библиотеки или применение патча, пересборка образа и обновление деплоя при блокировке образа SCA-сканером; Обеспечение стабильной работы ML-решений в production, включая развертывание и работы с локальными LLM, ASR и in-house решения; Настраивать и оптимизировать модели на GPU и CPU; Версионирование моделей и управление артефактами; Развитие вместе с командой эксплуатации и архитекторами инфраструктуры полного жизненного цикла ML-решений: тестировать новые решения, улучшать текущие. Требования: Опыт работы в области ML Engineer / ML Ops от 4 лет Опыт практического внедрения и поддержки ML-решений в production Практические знания инструментов и практик ML Ops: Уверенный Docker, Kubernetes; умение писать Dockerfile и values.yaml; CI/CD-пайплайны; мониторинг ресурсов Глубокое понимание работы зависимостей в Python для устранения проблем с деплоем Опыт работы с SCA-сканерами и подготовкой ML-решений для проверки безопасности и запуска в кластере Разворачивание и поддержка решения полного жизненного цикла ML-решений: анализ логов, масштабирование, сокращение SLA, оптимизации ресурсов Понимание ML-алгоритмов и жизненного цикла модели: от постановки задачи, экспериментов и версионирования до деплоя и мониторинга ML метрик в production знание современных NLP-архитектур (трансформеры, механизмы внимания) и их отличия от классических сетей знание агентных систем (работа с LangChain, LlamaIndex, LangGraph, Tool-Calling, RAG) Backend production фреймворки: проектирование поддерживаемых, документированных и высоконагруженных API Понимание микросервисов, принципов SOLID, грамотный дизайн REST/gRPC API для инференса SQL (PostgreSQL/MySQL) / noSql (MongoDB): работа с данными, оптимизация запросов, версионирование данных (DVC) Уметь находить общий язык с техническими командами: доносить и аргументировать свою позицию, участвовать в релизах, оперативно и проактивно вносить изменения для достижения результата Уметь внятно презентовать / рассказать о проделанной работе, своих решениях и дальнейших шагахЯвляется преимуществом: KServe / TorchServe — опыт развертывания моделей на inference-платформах. Triton Inference Server — оптимизация инференса, динамическое батчирование, работа с разными бекендами (TensorRT, ONNX). Опыт инференса больших языковых моделей (vLLM, LLM) и других ML-моделей, оптимизация GPU-памяти, continuous batching. Real-time системы: Kafka, streaming-инференс Опыт работы с поисковыми системами (OpenSearch, Elasticsearch) и векторными базами данных Опыт дообучения LLM (fine‑tuning) и построения RAG-пайплайнов Понимание принципов и практический опыт Data Ops / LLM Ops / Agent Ops Что мы предлагаем: Годовую премию по результатам работы; Ежегодный индивидуальный пересмотр заработной платы; Дополнительное медицинское страхование и возможность страхования родственников; Полис путешественника; Ипотечное кредитование на льготных условиях; Бесплатную подписку СберПрайм+, скидки, бонусы и акции экосистемы; Обучение в Виртуальной школе Сбербанка; Обучающие материалы для родителей, подарки и мероприятия для детей сотрудников экосистемы; Комфортную рабочую среду; Гибкое начало рабочего дня.