- Страна
- Россия
- Зарплата
- 430 000 ₽ – 527 300 ₽
Откликайтесь
на вакансии с ИИ
MLOps инженер (Тимлид)
Оценка ИИОтличное предложение с высокой рыночной зарплатой, официальным оформлением в аккредитованную ИТ-компанию и расширенным соцпакетом. Роль тимлида в банковском проекте предоставляет широкие возможности для профессионального роста и работы с передовым стеком технологий.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена совмещением ролей тимлида и инженера, а также требованием глубоких знаний как в классическом DevOps (Kubernetes, CI/CD), так и в специфическом ML-инструментарии. Работа в банковском секторе накладывает дополнительные требования к безопасности и надежности систем.
Анализ зарплаты
Оценка ИИПредложенная зарплата (до 527 300 руб. на ИП) находится на верхней границе рынка для позиций Lead MLOps в России. Это значительно выше среднего уровня для Senior-специалистов, что соответствует ответственности роли тимлида в крупном финтехе.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Если вы готовы возглавить команду и развивать MLOps-инфраструктуру в крупном банке, отправьте свое резюме прямо сейчас!
Описание вакансии
#вакансия #MLOps_инженер #PostgreSQL #Jupyterhub #Coder #Airflow #ArgoWF, #MLflow, #Seldon_core #Python #Hadoop #Docker, #OpenShift_Kubernetes #longhorn #Jenkins #Kafka #Redis
Добрый день
🏦Ищу MLOps инженера с функцией Тимлида на банковский проект
Доход 430000-466700 руб гросс по ТК и 500000- 527300 руб. гросс по ИП (до вычета налогов) (в зависимости от оформления ТК или ИП и по результатам тех. интервью)
Обязанности:
Управление командой
- 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:
Ищем опытного инженера в команду развития централизованной MLOps-инфраструктуры и смежных проектов
Основной стек: Jupyterhub\Coder, Airflow, ArgoWF, MLflow, Seldon core, Python, Hadoop (spark, hdfs), Docker, OpenShift/Kubernetes, longhorn, Jenkins, Kafka, Redis, PostgreSQL
1.ОпытDevOps от 5 лет (decker, helm, jenkins\gitlab CI, python)
2.ОпытML/MLOpsотгода(airflow, jupyterhub, mlflow, seldon, cuda)
3.Опыт администрирования Kubernetes от 2х лет
- Опыт работы Hadoop, Spark, Kafka, ELK
Личные качества:
- Самостоятельность в доведении задач до результата
- Проактивность и инициативность в предложениях по рефакторингу
- Полное погружение в инфраструктуру и команду
- Командность, готовность помогать коллегам и пользователям
- Умение собрать общую картину ожидаемого результата, вместо решения конкретно поставленной задачи
🔥Условия:
Оформление по ТК РФ или ИП в аккредитованную ИТ компанию
ДМС со стоматологией
Скидки на изучение иностранных языков от Skyeng
Скидки на фитнес от Xfit
Скидки на кино от КАРО
Техника для работы
📭 направить резюме Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- PostgreSQL
- JupyterHub
- Airflow
- Argo Workflows
- MLflow
- Seldon Core
- Python
- Hadoop
- Docker
- OpenShift
- Kubernetes
- Jenkins
- Kafka
- Redis
- Spark
- HDFS
- Helm
- GitLab CI
- ELK stack
Возможные вопросы на собеседовании
Вакансия предполагает роль тимлида, поэтому важно понять подход кандидата к управлению и развитию сотрудников.
Как вы распределяете задачи в команде между DevOps и ML-специалистами для обеспечения бесшовного жизненного цикла моделей?
Работа в банке требует масштабируемых решений. Вопрос проверяет опыт работы с высоконагруженными системами.
Опишите ваш опыт масштабирования инфраструктуры для обучения и деплоя LLM или моделей Computer Vision в Kubernetes.
Seldon Core — ключевой элемент стека для деплоя моделей. Важно понимать практический опыт работы с ним.
С какими основными сложностями вы сталкивались при использовании Seldon Core для обслуживания моделей в продакшене и как их решали?
В стеке указан Hadoop и Spark. Вопрос на стыке данных и инфраструктуры.
Как вы организуете интеграцию ML-пайплайнов с данными, хранящимися в Hadoop/HDFS, минимизируя задержки?
Проактивность — одно из ключевых личных качеств в описании.
Приведите пример, когда вы инициировали рефакторинг инфраструктуры: что именно было изменено и какой бизнес-результат это принесло?
Похожие вакансии
Team Lead Data Science / ML
MLOps инженер (Team Lead)
Тимлид команды data‑инженеров
Team Lead ML в Авиасейлс (Travelpayouts)
Team Lead Data Engineer
Lead Data Platform Engineer
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!