MLOps-инженер

Navio — разработчик технологии автономного вождения, совместимой с различными видами транспорта: от легковых автомобилей до грузовиков.

Navio объединяет культуру автопроизводителей и IT-компаний. Больше 800 специалистов каждый день работают над тем, чтобы доставка грузов стала быстрее и эффективнее, а городской транспорт — безопаснее и комфортнее.

Ключевое направление работы Navio — создание универсальной автономной технологии, включающей Software и Hardware компоненты, R&D, уникальный процесс тестирования и экосистему сервисов для обработки данных и управления автономным флотом автомобилей.

Чем предстоит заниматься:

Управление ML-инфраструктурой:

• Администрировать и развивать системы оркестрации экспериментов и обучения моделей;
• Поддерживать и развивать сервисы для управления ML-workflow;
• Работать с системами версионирования данных и моделей;
• Мониторить и поддерживать системы инференса моделей.

DevOps и автоматизация:

• Развёртывать и поддерживать ML-сервисы в контейнеризованной среде;
• Настраивать CI/CD-процессы для ML-проектов;
• Мониторить инфраструктуру и производительность ML-систем;
• Автоматизировать развёртывание и управление ML-пайплайнами.

Разработка и стандартизация:

• Участвовать в разработке внутренних инструментов для упрощения MLOps-процессов;
• Создавать документацию и регламенты для работы с ML-артефактами;
• Поддерживать распределённое обучение моделей.

Что мы ждём от кандидата:

• Опыт работы с MLOps-инструментами (ClearML, MLflow, Kubeflow или аналогами) от 1 года;
• Уверенное владение Python для разработки сервисов и автоматизации;
• Опыт работы с контейнеризацией и оркестрацией (Docker, Kubernetes);
• Понимание CI/CD-процессов и опыт их настройки;
• Базовое понимание машинного обучения и жизненного цикла ML-моделей;
• Опыт разработки веб-сервисов и API;
• Знание Linux и навыки системного администрирования.

Будет плюсом:

• Опыт работы с системами версионирования данных (например, DVC);
• Понимание принципов работы современных ML-моделей;
• Опыт настройки систем мониторинга (например, Prometheus, Grafana);
• Опыт работы с фреймворками глубокого обучения (PyTorch, TensorFlow).