Инженер по инфраструктуре LLM / MLOps-инженер

Что предстоит делать

• Развернуть и настроить сервер инференса (vLLM, при необходимости SGLang) на GPU-узле;
• Подобрать режим работы под нагрузку: квантизация, размер батча, длина контекста, распределение моделей по картам, реплики под конкурентность;
• Снять реальные показатели: пропускная способность, задержка, поведение под пиковой нагрузкой, давление кэша контекста;
• Поднять единый шлюз (LiteLLM): вход через корпоративную аутентификацию, разграничение прав по командам, квоты, журналирование, защитные фильтры (вырезание секретов и персональных данных);
• Обеспечить единственную точку входа: сервер инференса не виден клиентам напрямую, доступ только из корпоративной сети;
• Мониторинг и оповещения: загрузка карт, память, очереди, задержки, ошибки (Prometheus, Grafana);
• Процедура обновления моделей в закрытом контуре: подготовка в отдельной зоне, проверка подписей и контрольных сумм, перенос, внутренний реестр, выкатка с возможностью отката;
• Дежурство по сервису, разбор инцидентов, ёмкостное планирование;
• Отбор и проверка открытых моделей под наши задачи: чат и агент, автодополнение, работа с кодом. Сравнение кандидатов на нашем стенде, а не по публичным таблицам;
• Проверка лицензий на право коммерческого использования внутри компании;
• Замер полезности: доля принятых подсказок, время на правки, обратная связь команд;
• Настройка клиентов в средах разработки (Continue, Cline, Tabby, терминальные инструменты) и браузерного интерфейса для ролей, работающих без среды разработки: тестирование, аналитика, управление проектами;
• Подбор моделей и настроек под сценарии разных ролей, инструкции, помощь командам на старте;
• Обучающие материалы и кооткие занятия при выходе на все команды;
• Слой извлечения над репозиториями кода, затем над внутренней документацией и трекером задач;
• Конвейер загрузки: разбор документов, разбиение, локальная модель эмбеддингов, векторное хранилище, инкрементальное обновление;
• Соблюдение прав доступа при выдаче: человек не должен получить через ассистента документ, который ему не положено видеть. Вырезание секретов и персональных данных при загрузке.

Что ждём от вас

• Опыт вывода моделей в промышленную эксплуатацию: не «запускал на ноутбуке», а работающий сервис с пользователями и дежурством;
• Практика с современными серверами инференса (vLLM, SGLang, TensorRT-LLM или аналоги), понимание непрерывного батчинга, работы с кэшем контекста, квантизации;
• Уверенный Linux, Docker, работа с GPU NVIDIA (драйверы, CUDA, распределение ресурсов, диагностика);
• Инфраструктура как код и автоматизация выкаток, работа с внутренними реестрами артефактов;
• Мониторинг и разбор проблем производительности: умение находить узкое место и подтверждать выводы измерениями;
• Python на уровне уверенной автоматизации и работы с библиотеками инференса;
• Готовность работать в закрытом контуре: без внешних сервисов, с процедурами переноса и проверкой целостности;
• Опыт построения слоя извлечения знаний с учётом прав доступа будет преимуществом;
• Понимание экономики железа: расчёт ёмкости, обоснование закупки, выбор между наращиванием реплик и более крупным узлом;
• Опыт эксплуатации в регулируемой среде (финансы, платежи): аудит, разграничение доступа, требования к журналированию;
• Знакомство с инструментами разработчика на стороне клиента и умение объяснить их коллегам.

Что предлагаем