MLOps Engineer – Robotics ML Platform Yerevan, Armenia

Мы ищем MLOps Engineer, который будет создавать и развивать ML-платформу для этих задач: сервинг с GPU-ускорением, пайплайны обучения и дообучения (fine-tuning), а также процесс релизов, который связывает всё это воедино.

• Создавать и поддерживать ML-платформу, на которой работают пайплайны инференса на парке промышленных роботов.

• Развёртывать и оптимизировать модели на GPU, ускоряя инференс и снижая его стоимость.

• Отвечать за процесс релизов от начала до конца: от инфраструктуры как кода и CI/CD-пайплайнов до деплоя в продакшен.

• Разрабатывать и запускать пайплайны обучения и дообучения (fine-tuning) в облачной инфраструктуре.

• Управлять датасетами, версиями моделей и экспериментами с помощью DVC и MLflow.

• Создавать инструменты и библиотеки, которые позволяют data scientists и инженерам-робототехникам выпускать модели, не занимаясь инфраструктурой.

• Контролировать расходы на облако в AWS и GCP с помощью spot-инстансов и автомасштабирования.

• Работать с ML-исследователями и инженерами-робототехниками, чтобы довести модели от прототипа до продакшена.

• Практический опыт вывода ML-моделей из обучения в продакшен и обеспечения их надёжной работы.

• Уверенное знание Python, а также практический опыт работы с Docker, Terraform и GitHub Actions.

• Опыт сервинга моделей на GPU с помощью NVIDIA Triton Inference Server и их настройки по задержке, пропускной способности или стоимости.

• Опыт работы с инструментами жизненного цикла ML: MLflow для реестра моделей, DVC для версионирования датасетов и Kubeflow Pipelines.

• Опыт работы в продакшене на AWS и/или GCP, включая spot/preemptible-инстансы и автомасштабирование GPU.

• Опыт построения CI/CD и инфраструктуры как кода для ML-нагрузок, включая автоматизированное тестирование моделей и пайплайнов.

• Опыт запуска пайплайнов дообучения (fine-tuning) или обучения в облачной инфраструктуре.

• Знакомство с развёртыванием на edge-устройствах (например, NVIDIA Jetson) или с робототехническими системами.

• Опыт создания внутренних инструментов или библиотек, которыми пользуются data scientists или исследователи.

• Возможность работать над передовыми проектами

• Работа в команде высокомотивированных и преданных делу специалистов

• Конкурентная зарплата

• Гибкий график

• Социальный пакет — медицинская страховка, спорт

• Корпоративные мероприятия

• Возможности профессионального развития

• Хорошо оборудованный офис