ML Engineer в команду Disrupt

🏢 ОфисMiddleПолная занятость

Зарплата не указана

Есть о чём спросить

Навык востребован (Python), за такой навык на рынке платят больше. Но вилки нет, про деньги придётся договариваться с нуля.

Нажмите на сигнал, чтобы увидеть, на чём он основан

Описание вакансии

Мы — команда Disrupt в Сбере, часть блока ГенИИ. Отвечаем за все новые воплощения Гиги на рынках и работаем в формате фабрики гипотез: ищем перспективные сценарии, запускаем MVP, масштабируем лучшие продукты.

Ищем ML-инженера, который будет запускать в продакшен и ускорять большие языковые модели на инфраструктуре NVIDIA.

Обязанности

Запускать и поддерживать распределённый инференс LLM на кластере GPU.

Тюнить движки (vLLM, SGLang, TensorRT-LLM или аналоги) для максимальной скорости и утилизации железа.

Снижать задержки генерации, повышать пропускную способность и эффективно работать с длинным контекстом в MoE-моделях.

Применять квантизацию (FP8/INT8), speculative decoding и другие оптимизации без потери качества ответов.

Находить узкие места по памяти (VRAM/HBM) и сети (NVLink/InfiniBand), устранять OOM и сбои узлов.

Упаковывать сервисы в Kubernetes/Docker, настраивать автоскейлинг, выкаты и откаты.

Строить мониторинг метрик вывода (задержки, токены/сек, стоимость за 1М токенов).

Проводить нагрузочное тестирование и планировать мощности.

Требования

От двух лет опыта в ML Engineering, MLOps или высоконагруженном бэкенде. Обязательно хотя бы один свой GPU-сервис, доведенный до продакшена.

Уверенное владение Python и Linux. Знание Docker, Git, CI/CD и базовая работа с Kubernetes.

Практический опыт запуска моделей на PyTorch под NVIDIA GPU.

Опыт работы минимум с одним production-стеком для инференса (vLLM, Triton, TensorRT-LLM, SGLang, TGI или аналоги).

Понимание того, как устроена память GPU, что такое mixed precision, батчинг, KV-кэш и параллелизм моделей.

Умение замерять производительность, читать профилировщики (PyTorch Profiler, Nsight, DCGM) и находить баланс между скоростью, качеством ответов и стоимостью вывода.

Базовое понимание распределенных систем: таймауты, повторы запросов, отказоустойчивость при падении узла и выкат без простоев.

Будет плюсом

Умение писать CUDA/Triton kernels, работать с NCCL и быстрой связкой узлов (NVLink/InfiniBand, GPUDirect/RDMA).

Опыт запуска MoE-моделей с экспертным параллелизмом и очень длинным контекстом.

Знакомство с KServe или Ray Serve; сбор метрик через Prometheus/Grafana, GPU Operator или DCGM Exporter.

Навыки конвертации весов моделей, проведения quantization-aware evaluation и сравнения разных движков инференса.

Базовый C++ или Go для написания быстрых компонентов control/data plane.

Условия

Комфортный современный офис рядом с м. Кутузовская.

Ежегодный пересмотр зарплаты, годовая премия.

Корпоративный спортзал и зоны отдыха.

Система обучения для профессионального и карьерного развития.