MLOps Engineer (LLM)

MLOps Engineer (LLM / Multi-Agent Systems / Kubernetes / RAG)

Ставка: до 250 000 руб. на руки в месяц.

Грейд: Middle+ / Senior.

Загрузка: Full-time (полная занятость).

Формат: Удалённо.

Локация/Гражданство: РФ.

Клиент: МТС.

О проекте: построение и развитие современных MLOps-платформ для машинного обучения с фокусом на LLM-решения, RAG-пайплайны и мультиагентные системы. Ищем MLOps-инженера, который находится на стыке классического DevOps и передовых AI-технологий. Роль для специалиста, который не только умеет строить надежные CI/CD и оркестрировать пайплайны в Kubernetes, но и глубоко понимает специфику развертывания и обслуживания LLM, LangGraph и Multi-Agent систем.

Ключевые задачи:

• Построение, развитие и поддержка MLOps-платформ для машинного обучения.
• Оркестрация ML-пайплайнов и процессов обработки данных (Apache Airflow).
• Внедрение и поддержка инструментов трекинга экспериментов, версионирования данных и моделей (MLflow, ClearML, Kubeflow, DVC).
• Настройка и поддержка CI/CD процессов специально для ML-моделей и сервисов.
• Инфраструктурная поддержка разработки и развертывания Multi-Agent Systems, RAG-пайплайнов и LLM-приложений.
• Настройка мониторинга и наблюдаемости (Observability) для ML-сервисов и LLM-инференса.

Обязательные требования (Hard Skills):

MLOps и DevOps (КРИТИЧНО!):

• Глубокое понимание и опыт работы с Docker и Kubernetes (K8s).
• Опыт построения CI/CD for ML (специфичные пайплайны для обучения и деплоя моделей).
• Владение инструментами MLOps: MLflow, ClearML, Kubeflow, DVC.

LLM и Agentic AI (КРИТИЧНО!):

• Понимание и опыт работы с фреймворками: LangChain, LangGraph, LlamaIndex.
• Опыт поддержки инфраструктуры для Multi-Agent Systems и Autonomous Agents.
• Понимание принципов RAG (Retrieval-Augmented Generation), MCP (Model Context Protocol), Prompt Engineering и Tool Use.
• Опыт работы с API LLM-провайдеров (OpenAI и аналоги).

Оркестрация и наблюдаемость:

• Уверенный опыт работы с Apache Airflow.
• Опыт настройки мониторинга и наблюдаемости (Observability) для ML-систем (метрики качества моделей, дрейф данных, latency, throughput).

Будет плюсом:

• Опыт оптимизации инференса LLM (vLLM, TensorRT-LLM, Ollama).
• Знание Python на уровне, достаточном для написания скриптов автоматизации и кастомных операторов Airflow.
• Понимание векторных баз данных (Qdrant, Milvus, pgvector) и их эксплуатации.