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
- расширенный полис ДМС с первого дня работы и страхование для семьи
- льготная программа ипотеки для сотрудников
- бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров
- вознаграждение за рекомендацию друзей в команду Сбера.
