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.