MlOps инженер

• Управление жизненным циклом ML-моделей:

- Разработка и поддержка CI/CD пайплайнов для автоматического обучения, тестирования и развертывания ML-моделей
- Версионирование моделей, данных и кода с использованием MLflow Model Registry и других систем контроля версий
- Автоматизация процессов ретрейнинга моделей на основе метрик производительности и изменений данных

• 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:

- Внедрение систем мониторинга производительности моделей, детекции дрифта данных и деградации качества
- Анализ и устранение инцидентов в работе ML-приложений 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 валидации моделей
- Внедрение Infrastructure as Code подходов для управления ML-инфраструктурой

• Технические компетенции:

- 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
- Практический опыт с MLflow для трекинга экспериментов, управления моделями и их регистрации
- Уверенное владение Apache Airflow для оркестрации ML-пайплайнов

• DevOps и инфраструктурные навыки:

- Опыт построения CI/CD пайплайнов для ML-приложений (GitLab CI, GitHub Actions)
- Навыки работы с системами мониторинга (Prometheus, Grafana) и централизованного логирования

• ML и данные:

- Понимание жизненного цикла ML-проектов и специфики production ML-систем
- Опыт работы с системами управления версий данных и feature store
- Базовые знания принципов машинного обучения и методов валидации моделей

• Будет преимуществом:

- 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