Инженер эксплуатации / Observability-инженер (Grafana, алертинг, AI) (удаленная работа)

Вакансия: Инженер эксплуатации / Observability-инженер (Grafana, алертинг, AI)

Описание вакансии

Insapp B2B-интегратор страховых и финансовых продуктов. Мы встраиваем ОСАГО, КАСКО, ипотечное страхование и финансовые продукты в банки, маркетплейсы и финтех-платформы через API и White Label. Обрабатываем 70 000+ полисов в месяц, работаем с 200+ партнёрами. Резидент Сколково, IT-аккредитация Минцифры.

Ищем инженера эксплуатации, который построит единую систему наблюдаемости Insapp и будет ей владеть: метрики, логи, события инфраструктуры, продукта и бизнес-процессов в одной Grafana, с понятной системой уведомлений и анализом в реальном времени.

Цель роли приложение, инфраструктура и бизнес-процессы работают 24/7, а если что-то идёт не так, вы узнаёте об этом первым раньше клиентов, партнёров и бизнеса и сразу сообщаете ответственным с понятной картиной: что случилось, где, какой масштаб, какая вероятная причина.

Это не роль смотрителя за дашбордами . Вы проектируете систему, ставите задачи разработке и DevOps, чтобы продукт и инфраструктура стали наблюдаемыми, и многое делаете сами с помощью ИИ-инструментов пишете проверки, сборщики данных, интеграции и ботов.

Мы уже используем ИИ в мониторинге: AI-агент по расписанию проверяет прод и присылает статусы в Telegram. Предстоит вывести это на новый уровень единая система, анализ событий в живом режиме и надёжный алгоритмический контур, который продолжает работать, даже если ИИ-провайдер тормозит или недоступен.

ЧЕМ ПРЕДСТОИТ ЗАНИМАТЬСЯ

Единая система наблюдаемости
Собрать в одну систему сигналы из разных источников: бизнес-данные (продажи, оплаты, конверсии воронок, объёмы полисов по партнёрам), логи приложения, транспортные логи все HTTP-запросы: от партнёров, к страховым и платёжным шлюзам, между нашими сервисами; инфраструктура (ОС, прокси и веб-серверы, Docker, СУБД, очереди, сеть, сертификаты), фоновые задачи, а также MCP-серверы наших ИИ-агентов
Организовать Grafana как единую точку состояния: от общего светофора по компании до детализации по сервису, партнёру, страховой компании
Выбрать и внедрить инструменты сбора и хранения метрик и логов совместно с DevOps (Prometheus / VictoriaMetrics, Loki / ELK / OpenSearch, Sentry или аналоги)

Система уведомлений и алертинг
Вести каталог событий и алертов: что отслеживаем, уровни критичности, кому, куда и когда уходит уведомление, правила эскалации
Критичные события 24/7, сразу и точно: звонок на телефон ключевой команде; некритичные в сводки и дайджесты
Бороться с шумом: дедупликация, группировка, подавление каскадов, настройка порогов, регулярная ревизия слепых зон и лишних алертов

Анализ в реальном времени: ИИ + алгоритмы
ИИ-анализ потока событий и логов в живом режиме: группировка, краткая сводка, связь событий между собой, первичная гипотеза причины, понятное сообщение для команды и бизнеса
Алгоритмический анализ там, где ИИ не нужен: пороги, базовые линии с учётом сезонности, поиск аномалий, корреляционные правила
Отказоустойчивость анализа: критичные алерты не зависят от ИИ; при медленной работе или падении ИИ-провайдера система переключается на резервного провайдера или работает на алгоритмах без потери оповещений
Маскирование персональных данных перед передачей логов на ИИ-анализ (152-ФЗ)

Постановка задач разработке и DevOps
Разработке систематизация событий в логах приложения: структурированные логи, единые коды событий, сквозной идентификатор запроса, бизнес-события ключевых процессов
DevOps инфраструктурные логи и метрики: агенты сбора, экспортеры, сроки хранения, доступы к источникам
Формулировать требования с критериями приёмки, приоритизировать, принимать результат

Самостоятельная разработка с помощью ИИ
Скрипты и сервисы сбора данных, SQL-проверки бизнес-процессов, интеграции, Telegram-боты, правила алертов и дашборды в виде кода
Работа с текущим AI-агентом мониторинга: снижение шума, встраивание его сигналов в общую систему

Инциденты
Первая линия: обнаружить, подтвердить факт, оценить масштаб, оповестить ответственных, держать всех в курсе до закрытия
Разбор после инцидента: почему не увидели раньше и новая проверка, чтобы в следующий раз проблему увидела система
Инструкции по типовым ситуациям и база известных паттернов: что норма, что шум, что реальный сигнал

ЧТО МЫ ЖДЁМ
Опыт от 2 лет в эксплуатации / мониторинге / SRE / DevOps, включая реальный опыт настройки систем мониторинга и алертинга не только их использования
Grafana на уровне построения дашбордов и алертов; опыт с Prometheus / VictoriaMetrics / Zabbix и системами логов (Loki, ELK / OpenSearch, Graylog) или аналогами
Понимание устройства веб-приложения: сервисы, API, БД, очереди, фоновые задачи где обычно болит и как это увидеть
Понимание разных источников сигналов и того, на какой вопрос отвечает каждый: уведомления по бизнес-данным, логи приложения, транспортные логи (HTTP-запросы), логи инфраструктуры (ОС, прокси / веб-сервер, Docker, СУБД)
Уверенный SQL самому достать данные, посчитать метрику бизнес-процесса, проверить воронку
Скриптинг (Python предпочтительно; Bash / PowerShell): самостоятельно написать сборщик данных, проверку, интеграцию с API
Ежедневная работа с ИИ-инструментами и как с ассистентом в разработке, и как с инструментом анализа; понимание, как встраивать LLM в рабочие процессы через API. Для нас это обязательное требование, а не пожелание
Linux уверенно; Windows Server и Docker базово
Системность: умеете превращать хаос событий в каталог, правила и понятные задачи для других команд
Ответственность и проактивность: вам важно узнать о проблеме раньше всех и довести её до решения

БУДЕТ ПЛЮСОМ
Опыт интеграции LLM (через API или локальные модели) в мониторинг, анализ логов, ChatOps
Опыт алгоритмического поиска аномалий: сезонные базовые линии, статистические методы
OpenTelemetry, трассировка запросов, SLO / SLI
Опыт дежурств (on-call), инцидент-менеджмента и разборов после инцидентов
Знакомство со стеком .NET / MS SQL Server, логированием Serilog / NLog
Опыт в финтехе / страховании, понимание бизнес-метрик (конверсия, воронка)
Мониторинг внешних интеграций и платёжных потоков
Конфигурация как код: Grafana provisioning, Terraform, Ansible

ЧТО МЫ ПРЕДЛАГАЕМ
Доход 150 000 180 000 до вычета НДФЛ, по итогам собеседования
Удалённый формат (РФ, рабочий день по МСК), полная занятость, оформление по ТК РФ, ДМС
Стандартный рабочий день 5/2, ночных смен нет. О критичных событиях в любое время система звонит ключевой команде руководителям, CTO, DevOps и вам; добиться, чтобы такие звонки были редкими и только по делу, часть вашей задачи
Роль владельца: вы строите систему наблюдаемости компании практически с нуля и решаете, как она будет устроена
ИИ-инструменты в ежедневной работе всей команды, минимум бюрократии
Компания с IT-аккредитацией, резидент Сколково