Job Description

Ключевые задачи

Поддержка кластеров (GPU/TPU), контейнеризации и оркестрации (Docker, Kubernetes).
Аудит, оптимизация инфраструктуры и затрат (batch vs real-time inference, разграничение проблем железа и кода).
Настройка мониторинга, алертинга и менеджмент железа между потребителями.
Развертывание и поддержка ML-сервисов (MLflow, Airflow, CVAT, Doccano) в production.
Настройка CI/CD для ML-пайплайнов и управление полным ML lifecycle (training -> serving).

Требования

Опыт DevOps от 3 лет или MLOps от 1 года, с эксплуатацией продакшен-систем.
Уверенный Linux: администрирование, отладка, права доступа.
Коммерческий опыт с Kubernetes и Docker на уровне эксплуатации: deployments, ресурсные лимиты, autoscaling, оптимизация образов.
GPU-инфраструктура: NVIDIA stack, CUDA, драйверы, профилирование.
Написание скриптов на Python и Bash на уровне автоматизации и