MLOps (Инженер LLM-инфраструктуры)

Что предстоит делать

AI Platform Team отвечает за всю инфраструктуру AI: от исследований моделей до их продакшн-запуска. Наша задача — дать продуктам надёжный и эффективный доступ к LLM. Строить отказоустойчивые системы, которые держат нагрузку. Мы ищем инженера, который будет проектировать, разворачивать и оптимизировать платформу для инференса больших языковых моделей. Работать с vLLM/Triton, GPU-кластерами, observability-стеком, чтобы модели работали быстро, стабильно и экономично. Если вы строили высоконагруженные ML-системы и хотите решать инфраструктурные задачи в области LLM — давайте обсудим.

• Развитие и эксплуатация инфраструктуры для инференса LLM, включая BitrixGPT, локальные и облачные модели:
• внедрение стеков для эффективного обслуживания LLM, таких как vLLM, Nvidia Triton Inference Server и их аналогов,
• оптимизация схем распределения нагрузки, батчинга и стриминга токенов.
• Настройка, эксплуатация и оптимизация GPU-кластеров для инференса:
• управление ресурсами, планирование загрузки (capacity planning), снижение стоимости владения.
• Профилирование и отладка сервисов инференса:
• поиск и устранение узких мест, влияющих на задержки (latency) и пропускную способность (throughput).
• Настройка наблюдаемости (observability) AI-стека:
• сбор метрик, логирование, трассировка и алертинг (Prometheus, Grafana и других инструментов,
• разработка дашбордов для мониторинга доступности, задержек, ошибок и стоимости инференса.
• Участие в разработке и улучшении платформенных процессов:
• совместная работа с командами разработки и data science,
• ревью архитектуры и сервисов, обмен экспертизой на внутренних митапах.
• ЧТО МЫ ОЖИДАЕМ ОТ КАНДИДАТА:
• Продовый опыт эксплуатации ML-/LLM-сервисов.
• Практический опыт работы с контейнеризацией и оркестрацией (Docker).
• Владение Python для разработки сервисов, утилит, оркестрации и автоматизации.
• Понимание устройства современных LLM: архитектура трансформеров, токенизация, контекстное окно, влияние параметров (batch size, KV-cache) на latency и throughput.
• Опыт настройки мониторинга и логирования в production (Prometheus, Grafana, ELK-стек, Sentry или аналоги).
• Навыки анализа и оптимизации производительности сервисов: профилирование, поиск и устранение узких мест.
• Готовность отстаивать своё мнение и предлагать улучшения для достижения наилучшего результата.
• ТАКЖЕ ДЛЯ НАС ВАЖНО:
• Практический опыт работы с vLLM и/или SGLang.
• Опыт работы с GPU-инфраструктурой: CUDA, мониторинг и тюнинг GPU-нагрузки.
• Знание принципов безопасной разработки и эксплуатации веб-сервисов.

Что предлагаем