Сбер·Москва·5 авг.
Product Owner (MLOps)
🏢 ОфисSeniorПолная занятость
Вилки нет, про деньги придётся договариваться с нуля.
Наша компания
Мы строим фундамент MLOps платформы в масштабах Сбера. Мы ищем сильного Product Owner, который возьмет на себя развитие централизованных сервисов автоматизации производственного цикла Classic ML. Вашими продуктами станут CI/CD-конвейеры для ML (real-time online inference и тяжелые batch-процессинги). Ваша миссия — сократить Lead Time от обучения модели до её промышленной эксплуатации, обеспечив надежность и управляемость на уровне всего Банка. Вам предстоит работать на стыке потребностей бизнес-заказчиков, строгих регуляторных требований Enterprise и сложных инженерных вызовов (Kubernetes, Had
Наши требования
Опыт в MLOps / Data Engineering: Опыт управления продуктами в области машинного обучения, или высоконагруженной инфраструктуры от 3-х лет
Технический бэкграунд: Понимание архитектуры ML-систем (признаки, модель, инференс). Знание того, как работают Docker, Kubernetes, Helm, Kafka/RabbitMQ. Понимание разницы между Online (gRPC/REST) и Batch инференсом
CI/CD и GitOps: Четкое понимание принципов непрерывной интеграции и доставки, опыт работы с триггерами пайплайнов, деплой-стратегиями (Canary, Blue-Green, Shadow)
Управление требованиями: Опыт формализации строгих нефункциональных требований (SLA 99.9%, RTO/RPO, latency < 50ms, throughput > 10k RPS)
Экономика платформы: Опыт построения cost-эффективных решений, понимание принципов FinOps (учет потребления GPU/CPU командами)
Опыт работы с ML Feature Store (Feast, Tecton или in-house решения)
Понимание специфики мониторинга моделей (Data Drift, Model Decay) в проде
Опыт работы с Open Policy Agent (OPA) или аналогичными системами авторизации
Сертификация PO/PM (CSPO, SAFe PM/PO) при наличии реального технического опыта
Системное мышление: Способность видеть платформу целиком, а не только отдельные фичи. Понимание того, как изменение в CI/CD влияет на бизнес-эффекты
Коммуникация со сложной аудиторией: Умение разговаривать на языке инженеров (про gRPC и сериализацию) и на языке бизнеса (про окупаемость и риски)
Ориентация на результат: Опыт вывода платформенных сервисов от стадии "пилот" до массового adoption (сотни моделей в проде)
Управление зависимостями: Опыт работы в матричной структуре крупной компании, умение договариваться со смежными командами без прямых административных рычагов
Мы предлагаем
Комфортный современный офис рядом с м. Тульская
Возможность выбрать удобный график – офис/гибрид
Ежегодный пересмотр зарплаты и годовая премия
Корпоративный спортзал и зоны отдыха
Более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
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
Дополнительно
Разработка и синхронизация продуктовой стратегии платформы с глобальной стратегией компании по развитию Classic ML функции
Исследование рынка MLOps-решений (Open-source, SaaS) и внедрение лучших практик для обеспечения скорости и надежности доставки моделей
Определение метрик успеха платформы (Developer Experience Score, Time-to-Production, утилизация GPU/CPU, Reliability SLO)
Формирование и приоритизация бэклога, балансируя между функциональными требованиями DS-команд, техническим долгом и задачами по масштабированию (High Load)
Декомпозиция сложных технических эпиков на user stories с четкими критериями приемки (DoR/DoD)
Управление жизненным циклом версий API (включая стратегию депрекации старых версий)
Выступать «голосом заказчика» для внутренних команд Data Science и ML-инженеров, выявляя боли в процессах деплоя и мониторинга
Управление ожиданиями бизнес-заказчиков: объяснение технических ограничений, SLA/SLO, стоимость владения моделью в продакшене
Тесное сотрудничество с Tech Lead, архитекторами и смежными продуктовыми командами (Data Platform, IAM/Security, Мониторинг)
Приемка инкрементов: проверка гипотез через метрики, а не через субъективные ощущения
Обеспечение полной наблюдаемости сервисов (логирование, трейсинг, алертинг) на уровне продукта
Обеспечение соблюдения стандартов ИБ и комплаенса (шифрование, аудит действий, управление секретами) на этапе проектирования, а не постфактум
Технологии и навыки
Сбер
Москва
ГрейдSenior
ЗанятостьПолная занятость
РегионРоссия
ФорматОфис
ИсточникСкрыто
Опубликовано5 авг.
Мы против мошенников на площадке: если тебя просят заплатить, продиктовать код или установить непонятное приложение, прекращай общение и сразу пиши нам (чат с основателем или форма обратной связи).