MLOps Engineer / Инженер ML-инфраструктуры (удаленная работа)

Вакансия: MLOps Engineer / Инженер ML-инфраструктуры

Описание вакансии

Привет, мы NGENIX команда профессионалов, которая ежедневно делает Рунет безопасной средой для бизнеса. Нам есть что рассказать о доступности, защите и ускорении веб-приложений, ведь это то, чем мы занимаемся уже 17 лет! Слышали про UDP flood, credential stuffing, скальпинг, DNS cache poisoning? Мы такое знаем и отражаем.

Правда, защита от киберугроз не единственная сфера нашего интереса. Нам доверяют: Золотое Яблоко, OBI, CDEK.Shopping, Kari, ROSTIC S и сотни других компаний. Мы помогаем клиентам справляться с высокими нагрузками даже в периоды больших распродаж на маркетплейсах или громких премьер в онлайн-кинотеатрах. Обеспечиваем постоянную доступность веб-ресурсов, чтобы миллионы пользователей легко взаимодействовали с сайтами и приложениями наших заказчиков.

Ищем инженера для построения внутренней ML-платформы с нуля. Главная цель систематизация жизненного цикла моделей и организация эффективной работы дата-аналитиков.

Обязанности:

• Разработать и внедрить комплексную MLOps-платформу на базе ClickHouse:

- Обеспечить извлечение и трансформацию данных (feature engineering) в ClickHouse.
- Спроектировать и реализовать Feature Store.
- Построить автоматизированный ML-пайплайн (подготовка, обучение, валидация, деплой, мониторинг).
- Внедрить систему версионирования для обеспечения воспроизводимости экспериментов.

• Создать и настроить централизованную среду для Data Science:

- Развернуть и интегрировать инструменты для экспериментов (JupyterHub/Lab, MLflow/KubeFlow или аналоги).

• Автоматизировать цикл данные модель прод :

- Реализовать процессы ETL.
- Обеспечить автоматическую подготовку данных для обучения моделей.
- Внедрить CI/CD для автоматического деплоя и мониторинга моделей в production.

• Подготовить документацию и обучить пользователей платформы:

- Разработать документацию для архитектуры, процессов и использования платформы.
- Создать обучающие материалы и best practices для пользователей.

Требования:

• Опыт построения ML-пайплайнов end-to-end: от данных до деплоя модели в прод (2+ года в MLOps / Data Engineering с ML-фокусом);
• Опыт работы с ClickHouse или аналогичными колоночными СУБД;
• ETL / оркестрация: Airflow, KubeFlow или аналоги;
• Трансформация данных: dbt, materialized views, SQL-пайплайны для подготовки фичей;
• Контейнеризация и инфраструктура: Docker, Kubernetes;
• CI/CD для ML: автоматизация обучения, тестирования и деплоя моделей;
• Эксперимент-трекинг и реестр моделей: MLflow или аналоги;
• Python уверенный уровень;
• Опыт настройки JupyterHub / аналогичных сред для команды.

Будет плюсом:

• Опыт построения ML-платформ с нуля;

• Опыт работы с потоковой обработкой данных (Kafka);

• Опыт менторства или организации процессов для команд data-аналитиков;

• Опыт работы data-аналитиком или data-scientist.