Middle+ Machine Learning Engineer (ML Infrastructure & Highload)

Ориентир по рынку≈ 165 000 – 213 000 ₽наша приблизительная оценка по 11 вакансиям этой роли и грейда, у работодателя вилка не указана

≈ 2 тыс.–2,6 тыс. $

ОфисMiddleПолная занятостьКорпорацияопубликовано 30 окт.

≈ 165 000 – 213 000 ₽наша приблизительная оценка

Описание

Разбор

Подготовить откликОтклик

История

Чем предстоит заниматься

Развертывание и поставка моделей: Упаковка, деплой и поддержка runtime-шаблонов для быстрого вывода моделей в прод на основе готовых архитектурных решений

Обеспечение требуемого уровня latency и пропускной способности для классического ML (LightGBM, CatBoost и тд) и нейросетей

Конфигурирование и поддержка инференс-серверов (Triton Inference Server, vLLM и тд)

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)

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

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

Наши требования

Инженерный опыт: От 3-х 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

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

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

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 тд)

Мы предлагаем

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

Дополнительно

Мы строим высоконагруженные ML-системы для обеспечения банковской безопасности. Наш фокус — антифрод, управление рисками, обнаружение аномалий и оптимизация бизнес-процессов и тд

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