[Dozor][Core] Инженер/разработчик по машинному обучению

Мы ищем сильного ML-инженера, который готов взять на себя ответственность за разработку и поддержку ML-сервисов «под ключ». Нам нужен специалист, который не только строит модели, но и умеет превращать их в надёжные, работающие в production модули. Если вы готовы стать техническим лидером направления и формировать вокруг себя сильную команду - мы ждём тебя!
Наш стэк технологий:
- Языки и ML: Python (FastAPI, pandas, numpy, PyTorch), C++ (обвязка);
- Инференс и оптимизация: ONNX, PyTorch, Triton, vLLM;
- Инфраструктура и конфигурация: Docker / Docker Compose, Ansible (playbooks, роли, шаблоны Jinja2), Bash, YAML, systemd;
- Мониторинг и безопасность: Prometheus, Grafana (JSON-дашборды), HAProxy (reverse proxy, балансировка, TLS/mTLS);
- Архитектура и процессы: Single-node развертывание, offline-поставка (release-архивы), конфигурация через переменные и шаблоны (config-driven runtime), многорепозиторная экосистема;
- Система контроля версий: Git / GitLab (Git-Flow).​​​​​​​
Обязанности:
- Разрабатывать и внедрять ML-модули для задач CV и NLP: от прототипа до промышленного сервиса;
- Строить пайплайны обучения и инференса, настраивать асинхронную обработку запросов;
- Работать с LLM: настройка инференса, оптимизация задержек и обработка потоковых данных;
- Участвовать в развертывании сервисов;
- Работать с мониторингом и базовыми механизмами безопасности;
- Интегрировать ML-решения в общую экосистему продукта.
Требования:
- Уверенное владение Python и опытом работы с ML-фреймворками (PyTorch, ONNX, Triton, vLLM);
- Опыт разработки и деплоя ML-сервисов в production (от 3–4 лет в роли ML Engineer или смежной);
- Понимание принципов работы с LLM, знание инструментов инференса;
- Опыт работы с мониторингом (Prometheus/Grafana) и базовой безопасностью (TLS/mTLS);
- Готовность работать с кодом на C++ (необязательно писать с нуля, но важно поддерживать и дорабатывать существующие обвязки);
- Желание взять на себя техническое лидерство, менторство младших коллег и ответственность за архитектуру ML-части продукта.
Будет плюсом (но необязательно):
- Навыки работы с контейнеризацией (Docker) и автоматизацией (Ansible, Bash);
- Опыт работы с Kubernetes (поддержка и отладка кластера, Helm);
- Знание распределённых вычислений (Spark, Dask) и векторных/графовых баз данных;
- Навыки работы с Terraform;
- Опыт оптимизации инфраструктуры для GPU;
- Умение строить ETL-пайплайны для больших данных.

Условия

Гибридный/Удаленный формат работы