Системный аналитик (ML Inference)

Позиция предполагает сочетание продуктового и системного анализа с технической экспертизой в области ML/LLM-инференса. Evolution ML Inference — платформа для автоматизированного развёртывания и эксплуатации ML-моделей в облаке, позволяющая запускать модели на GPU-инфраструктуре, управлять их конфигурацией, масштабированием и жизненным циклом. Работа ориентирована на взаимодействие с кросс-командами, клиентами и разработчиками моделей, с глубоким погружением в то, как устроены развёртывание моделей, GPU-ресурсы, runtime, квоты, биллинг и эксплуатация inference-сервисов. Глубокое погружение в продукт и сценарии клиентов: анализ запросов, проработка и оптимизация решений совместно с продуктом и смежными командами (моделирование AS IS / TO BE); Управление полным циклом задачи: от сбора требований и постановки разработчикам до выкатки решения в ПРОД; Проектирование архитектурных и интеграционных решений: написание дизайн-документов, описание взаимодействия сервисов, создание и согласование спецификаций API (REST/gRPC); Проработка жизненного цикла inference-сервиса: создание, конфигурирование, запуск, остановка, изменение конфигурации, масштабирование, обновление и удаление; Проработка сценариев вывода новых моделей в каталог: сбор характеристик модели, требований к runtime и ресурсам, параметров запуска и ограничений, необходимых для её развёртывания и эксплуатации; Проработка конфигурации inference-сервисов: требования к GPU/CPU/RAM, количеству реплик, параметрам runtime, endpoint и другим параметрам, влияющим на производительность и стоимость; Проработка механизмов масштабирования и управления ресурсами: требования к autoscaling, лимитам, квотам, concurrency, RPS и другим ограничениям на использование inference-сервисов; Проработка учёта потребления и тарификации: требования к учёту использования GPU/CPU/RAM и других ресурсов, анализ корректности расчёта потребления и взаимодействия с биллинговыми системами; Анализ инцидентов и событий в кластере: разбор логов, метрик и событий Kubernetes, диагностика проблем с запуском, доступностью, масштабированием и производительностью inference-сервисов; Визуализация и документирование: построение процессных, архитектурных и sequence-диаграмм, использование нотаций UML и BPMN, поддержка внутренней документации по сервисам команды; Работа со смежными командами (биллинг, IAM, консоль) для построения E2E-сценариев и интеграций, координация зависимостей; Анализ данных и верификация гипотез с помощью SQL-запросов к базам данных, разбор инцидентов и обращений клиентов по логам и метрикам.

Опыт работы в роли Senior System Analyst / Senior Business Analyst с практическим опытом системного анализа, интеграционного проектирования и сопровождения задач полного цикла; Сильные коммуникативные навыки: умение работать с большим количеством стейкхолдеров и кросс-функциональных команд, собирать и согласовывать требования, находить компромиссы и аргументированно отстаивать технические решения; Опыт сбора, анализа и формализации требований: умение декомпозировать бизнес-потребности до уровня функциональных и нефункциональных требований, системных взаимодействий, API-контрактов и критериев приемки. Уверенное владение SQL: опыт написания сложных запросов к БД для самостоятельного анализа данных, проверки гипотез, поиска аномалий и разбора инцидентов; Практический опыт работы с API: понимание принципов REST и gRPC, опыт проектирования или интеграции API, работы с API-контрактами и спецификациями, использование Postman или аналогичных инструментов; Навыки системного и архитектурного проектирования: умение описывать взаимодействие компонентов, проектировать интеграционные сценарии, готовить дизайн-документы и технические спецификации; Навыки моделирования: уверенное владение UML и BPMN, опыт построения sequence-диаграмм, процессных и интеграционных схем, а также документирования технических решений; Понимание принципов работы Kubernetes на уровне, достаточном для системного анализа: знание основных сущностей и принципов работы кластера (Pods, Deployments, Services, Ingress, Resources, Namespaces, Events, Logs) и умение использовать эту информацию при анализе работы сервисов и инцидентов; Опыт анализа production-инцидентов: способность самостоятельно исследовать логи, метрики, события и данные, локализовать проблему на уровне взаимодействия сервисов и инфраструктуры и формировать требования на устранение первопричины; Понимание принципов облачных платформ: представление о квотах, лимитах, учёте потребления вычислительных ресурсов, тарификации, IAM, управлении доступом и изоляции ресурсов; Способность работать с E2E-сценариями и межсервисными зависимостями: понимание того, как изменения в конфигурации модели, runtime, API, инфраструктуре, биллинге или IAM влияют на полный клиентский сценарий запуска и эксплуатации модели. Ownership: готовность самостоятельно вести задачу от формирования требований и проектирования решения до координации разработки, приемки и внедрения в PROD; Техническая любознательность и готовность глубоко погружаться в ML/LLM-инфраструктуру, разбираться в новых моделях, runtime, способах развёртывания и ограничениях платформы.

Опыт работы с ML/LLM inference-платформами, ML serving или MLOps-продуктами; Практический опыт работы с Kubernetes и понимание принципов эксплуатации приложений в Kubernetes-кластере; Опыт работы с GPU-инфраструктурой и понимание особенностей распределения и потребления GPU-ресурсов; Опыт работы с ML serving/runtime-инструментами, например vLLM, Triton Inference Server, TGI, Ollama, KServe, Transformers, Diffusers или аналогичными решениями; Опыт работы с Docker и понимание принципов запуска ML-моделей в контейнерах; Опыт проектирования или анализа систем autoscaling, resource management, quotas и rate limiting; Опыт работы с системами мониторинга и observability: логи, метрики, трассировка, анализ производительности и диагностика распределённых систем; Опыт работы с биллингом и metering: учёт потребления вычислительных ресурсов, расчёт стоимости, сверка данных между системами; Опыт работы с PostgreSQL, ClickHouse или другими аналитическими БД; Опыт работы с Kafka или другими брокерами сообщений и понимание event-driven интеграций; Опыт работы с OpenAPI/Swagger, Protobuf/Proto3, Git и инструментами разработки и тестирования API; Опыт автоматизации аналитических и операционных процессов с использованием Python или другого языка программирования; Опыт работы с облачными платформами и продуктами, связанными с вычислительными ресурсами, контейнерами, ML-моделями или GPU; Опыт взаимодействия с командами разработки ML-моделей и инфраструктурными командами, понимание особенностей вывода моделей в production.

Оформление в соответствии с трудовым законодательством РФ; Конкурентный уровень дохода (оклад + годовой бонус); ДМС со стоматологией и возможностью подключения к программе своих детей и родственников; Прозрачную систему мотивации, которая позволяет влиять на уровень дохода; Работу в команде профессионалов; Участие в создании инновационных продуктов; Гибкое начало рабочего дня, пятница - сокращённый рабочий день; Возможность работать удаленно; Офис в центре Москвы; Корпоративную мобильную связь; Льготную программу ипотечного и потребительского кредитования.

Возможность вертикального и горизонтального роста; Бонусные программы от компаний партнёров; Возможность получения бонуса за закрытие вакансии по вашей рекомендации; Материальная помощь при рождении детей и др. семейных обстоятельствах; Обучение в Корпоративном университете за счёт компании; Участие в профильных конференциях в качестве спикера или слушателя; Корпоративная жизнь: спортивные комьюнити, клубы по интересам (настолки, интеллектуальные игры).