Обязанности: закрывать пробелы между Data Science и DevOps, превращать Jupyter Notebook в production-grade микросервисы и настраивать мониторинг дрейфа данных.

Требования:

  • Уверенное владение Python, включая опыт асинхронности; опыт использования Pandas или Polars в продакшене.
  • Глубокое знание хотя бы одного инструмента оркестрации: Airflow, Prefect, Dagster или Argo Workflows; понимание разницы между event-driven и scheduled пайплайнами.
  • Docker и Kubernetes; умение писать Helm-чарты и настраивать HPA под GPU-нагрузки.
  • Опыт с Terraform или Pulumi и понимание управления состоянием и провайдерами.
  • Опыт настройки CI/CD-пайплайнов для кода и данных с DVC, LakeFS или Git LFS.
  • Знание Prometheus и Grafana или VictoriaMetrics; опыт настройки алертинга на качество модели и дрейф данных или концепций.
  • Уверенная работа с Linux и диагностика проблем, в том числе с GPU-нодами.

Будет плюсом:

  • SageMaker, Vertex AI или Azure ML; либо сборка аналогичных решений из облачных сервисов.
  • GPU-виртуализация (MIG или vGPU), Slurm, Kubeflow, Ceph, MinIO или NFS.
  • Глубокое знание MLflow или Weights & Biases, самостоятельный хостинг этих систем, опыт с Ray.
  • Feast, Tecton или создание Feature Store на Redis или Cassandra.
  • OIDC, Keycloak и Vault в контексте ML-пайплайнов.
  • FastAPI, Triton Inference Server или TorchServe для упаковки моделей.

Полная занятость, график 5/2, удалённая работа. Опыт работы: 3–6 лет.