Middle+ ML-инженер, ML Infrastructure
Опыт работы: 3–6 лет. Занятость: полная. График: 5/2. Формат работы: на месте работодателя (офис).
Мы строим высоконагруженные ML-системы для обеспечения банковской безопасности. Фокус — антифрод, управление рисками, обнаружение аномалий и оптимизация бизнес-процессов.
Ищем MLE грейда Middle+ с сильной инженерной базой. Ключевая задача — внедрение и адаптация высокопроизводительных runtime-шаблонов для инференса моделей, автоматизация процессов деплоя и оптимизация Time-to-Market при выводе ML/DL и LLM в промышленную эксплуатацию.
Обязанности
- Развёртывание и поставка моделей: упаковка, деплой и поддержка runtime-шаблонов для быстрого вывода моделей в прод на основе готовых архитектурных решений.
- Оптимизация инференса (ML Serving): обеспечение требуемого уровня latency и пропускной способности для классического ML (LightGBM, CatBoost и др.) и нейросетей; конфигурирование и поддержка инференс-серверов (Triton Inference Server, vLLM и др.).
- Интеграция и оптимизация LLM: вывод в продакшен LLM-агентов и RAG-систем с использованием готовых фреймворков; настройка производительных движков (vLLM, TGI) с применением базовых техник оптимизации (квантование, continuous batching); реализация механизмов кэширования и фильтрации запросов (Guardrails).
- Автоматизация пайплайнов: сборка end-to-end пайплайнов доставки данных и моделей (от логов до Real-time API); интеграция с очередями сообщений (Kafka) для обработки данных в реальном времени; написание и поддержка DAG-ов переобучения моделей в Airflow.
- Мониторинг и логирование: настройка базового мониторинга метрик данных и моделей (Data/Model Drift); интеграция трекинга экспериментов и логирования цепочек LLM (MLflow, Langfuse); ведение реестра моделей в MLflow Model Registry.
Требования
- Инженерный опыт: от 3 лет в роли MLE / Backend-разработчика (Python) с опытом коммерческого вывода моделей в прод и пониманием специфики Highload-систем.
- Уверенный Python: чистый, типизированный код, знание асинхронного программирования (Asyncio) и базовых паттернов проектирования.
- Работа с данными и очередями: хорошее знание SQL (сложные запросы, оконные функции) и практический опыт интеграции приложений с Kafka.
- MLOps и инфраструктура: уверенное владение Docker, базовый опыт работы со средой Kubernetes (запуск подов, просмотр логов, понимание манифестов); опыт написания пайплайнов в Airflow и интеграции моделей с MLflow.
- Data Science бэкграунд: понимание математики классического ML и архитектур нейросетей; базовые навыки профилирования кода и оптимизации использования памяти; опыт работы с табличными данными и современным стеком NLP/LLM.
Будет плюсом
- Понимание принципов работы корпоративных Feature Store (например, Feast).
- Опыт работы с векторными базами данных (Qdrant, Milvus, PGVector).
- Понимание базовых принципов работы CUDA и компиляции моделей (формат TensorRT и др.).
Условия
- Комфортный современный офис рядом с м. Кутузовская.
- Офисный формат работы.
- Ежегодный пересмотр зарплаты, годовая премия.
- Корпоративный спортзал и зоны отдыха.
- Более 400 образовательных программ СберУниверситета для профессионального и карьерного развития.
- Программа адаптации и помощь руководителя на старте (для Junior позиций).
- Расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа.
- Гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ.
- Подписка Прайм с возможностью совместного использования на трёх близких.
- Вознаграждение за рекомендацию друзей в команду Сбера.