Почему это будет интересно

Глубокая автоматизация — возможность оптимизировать процессы развертывания и мониторинга.
Влияние на инфраструктуру — участие в принятии решений по масштабируемости и надежности системы.

Чем предстоит заниматься

Опыт работы в роли MLOps Engineer/Data Engineer/Python ML от 3,5 лет.
Production-опыт с фреймворками MLOps: Kubeflow, MLflow, Airflow для оркестрации, понимание их интеграции в CI/CD-пайплайны.
Опыт работы с Docker и Kubernetes (в контексте развертывания моделей как сервисов).
Опыт работы с одним из major cloud-провайдеров (желательно GCP или AWS/Azure с пониманием hybrid cloud).
Умение работать с большими данными, опыт с Greenplum или аналогичными MPP-системами (Teradata, Exasol).
Знание распределенных вычислений (Spark).
Опыт работы с LangChain/LlamaIndex, FastAPI, знание фреймворков для работы с LLM (Hugging Face, vLLM и т.д.).
Отличные знания Python, SQL на очень высоком уровне для работы с Data Vault.
Знания Git, GitLab CI/CD.

Хорошая зарплата: уровень обсуждается индивидуально, есть доплаты за менторство и профактивности.
Развитие: долгосрочные проекты от российских заказчиков, возможность менять направления, прозрачная система Performance Review.
Комфорт и свобода: релокейт между офисами, выбор формата работы (удалённо, офис, гибрид), адаптация для новых сотрудников.
Обучение: доступ к корпоративному порталу, митапам, конференциям (и как гость, и как спикер).
Социальный пакет: ДМС со стоматологией, частичная компенсация спорта, бесплатный английский, оплачиваемый отпуск и больничные.
Корпоративная жизнь: тимбилдинги, детские праздники, внутренние мероприятия.