О позиции
Мы ищем Python разработчика (MLOps) для работы в компании Т1. Ваша основная задача будет заключаться в развертывании и масштабировании ML-моделей в продакшене. Вы будете работать с контейнеризацией ML-моделей с использованием Docker и развертыванием в Kubernetes кластерах. Эта позиция Python разработчика (MLOps) предлагает вам возможность влиять на развитие ML-сервисов и их отказоустойчивость в on-premise средах.
Чем вы будете заниматься
- Развертывание и масштабирование ML-моделей в продакшене.
- Контейнеризация ML-моделей с использованием Docker.
- Настройка и управление оркестрацией ML-пайплайнов через Apache Airflow.
- Обеспечение отказоустойчивости ML-сервисов в on-premise средах.
- Мониторинг и оптимизация ML-сервисов, включая анализ инцидентов.
- Разработка интеграций между ML-сервисами через REST API и системы обмена сообщениями (Kafka).
- Создание автоматизированных пайплайнов для обработки данных и тестирования моделей.
- Внедрение подходов Infrastructure as Code для управления ML-инфраструктурой.
Требования
- Глубокое владение Python (от 3 лет) с пониманием принципов написания production-ready кода.
- Опыт работы с контейнеризацией (Docker) и оркестрацией (Kubernetes).
- Уверенное владение Apache Airflow для оркестрации ML-пайплайнов.
- Понимание построения CI/CD пайплайнов для ML-решений (GitLab CI, GitHub Actions).
- Навыки работы с системами мониторинга (Prometheus, Grafana).
Что мы предлагаем
- Конкурентная зарплата с возможностью роста.
- Удалённая работа с гибким графиком.
- Доступ к современным инструментам и технологиям.
- Возможности для профессионального роста и развития.
- Дружелюбная команда и поддержка в обучении.
Вакансия предлагает интересные задачи в области MLOps с хорошими условиями работы. Однако, стоит обратить внимание на требования к опыту.
Кто здесь добьётся успеха
Глубокие знания Python и опыт работы с библиотеками для машинного обучения, такими как TensorFlow или PyTorch, для интеграции ML-моделей.
Способность эффективно работать в удаленном режиме, включая навыки самоорганизации и управления временем, чтобы успешно взаимодействовать с распределенной командой.
Опыт развертывания и управления контейнерами с использованием Docker и Kubernetes, что позволяет быстро масштабировать ML-сервисы в продакшене.
Ресурсы для обучения
Карьерный путь
Обзор рынка
Навыки и требования
Тренды отрасли
Новости AI/Big Data
Загружаем новости отрасли...
Ищем релевантные статьи за последние 6 месяцев