Каталог специалистов направления Разработка и ИТ MLOps

Ольга — специалист в области MLOps с грейдом Junior+. Имеет высшее образование по специальности «Разработка программного обеспечения» от Университета ИТМО. Обладает опытом работы в отраслях EdTech и FinTech & Banking. Участвовала в двух проектах: 1. ИИ-ассистент для подготовки систематических обзоров и аналитических записок (исследовательский проект) в роли ML/AI Engineer. В рамках проекта занималась проектированием и развитием RAG-систем, разработкой и оптимизацией retrieval-пайплайнов, созданием агентных и многоагентных систем на базе LangGraph. 2. Высоконагруженная платформа для обнаружения мошеннических операций с использованием биометрических данных и ML-моделей в роли Golang Developer Intern. В этом проекте участвовала в проектировании инфраструктуры для ML-инференса и обработки биометрических эмбеддингов, работала с Milvus, проектировала REST и gRPC API для интеграции ML-моделей в микросервисную архитектуру. Ключевые навыки: PostgreSQL, Git, Docker, Elasticsearch, Python, Bash, REST API, Linux, Jenkins, Grafana, GitHub Actions, Kubernetes, GitLab, Prometheus, ClickHouse, FastAPI, Kafka, SDK, Apache AirFlow, Munin, CI/CD, Regression testing, Backend, A/B testing, React, Qdrant, MLflow, Query, openAI, orchestration, LLM, LLMops, LangGraph, Промпт-инжиниринг, FAISS, pgvector, ChromaDB, Milvus, AI Agents, LangSmith, retrieval, embeddings, LangFuse.

DevOps / MLOps инженер с опытом более 4 лет. Специализируюсь на построении и автоматизации инфраструктуры, CI/CD с автоматизацией 70% задач (метрики DORA), GitOps, observability и MLOps-процессов для аналитических и ML-сервисов. Проектировал инфраструктуру с нуля для bare-metal и облачных сред (в том числе и между несколькими облаками), развивал платформенные решения для разработки, эксплуатации, ETL и ML-задач, обеспечивал соответствие требованиям информационной безопасности, отказоустойчивости высокой нагрузки при требованиях к SLA 99.9%+. Работал в командах ~50 человек.

Инженер-программист и исследователь в области ИИ, имеющий степень магистра в области науки о данных (MLAI) в Сколтехе. Владею навыками работы с Python, C++, SQL и обладаю опытом в создании масштабируемых ИИ-решений и глубоком обучении (PyTorch, CUDA, StarPU). Увеличил масштаб модели Diffusion Transformer в 4 раза по сравнению с базовой реализацией на PyTorch и достиг более высокой производительности, используя фреймворк машинного обучения NNTile с применением параллелизма на основе задач через библиотеку StarPU на C++.

Вадим — специалист в области MLOps с опытом работы более 7 лет. Имеет опыт работы в сферах E-commerce & Retail и FinTech & Banking. В качестве Data Engineer, Data Scientist и Data Analyst участвовал в проектах по проектированию архитектуры data-платформ и DWH, системному анализу ETL/ELT, построению и оптимизации ETL/ELT-пайплайнов. Занимался разработкой и внедрением ML/AI-моделей, подготовкой и валидацией обучающих выборок, feature engineering. Среди проектов — работа с Eurazeo (инвестфонд), Sygate (продукт), PeopleSpheres (HR-tech), BVA (маркетинг/исследования), где осуществлял разработку агентных и RAG-решений, интеграцию LLM-компонентов в аналитические и data-процессы, реализацию production-RAG архитектур. Также имеет опыт в аналитике и проектировании data-решений для Gartner, H&M, Macy’s, в финансовой аналитике и прогнозировании KPI, аналитике и Data Science для маркетплейса, аналитических и статистических проектах для ритейл-компаний. Владеет широким спектром технологий и инструментов, включая Aerospike, Apache AirFlow, Atata, autogen, BI, CatBoost, ClickHouse, ClickUp, Confluence, Couchbase, Dagster, DBT, Docker, DWH, ELK, FastAPI, Gensim, GitHub, GitLab, Gradio, Grafana, Hadoop, Jenkins, Jira, Kafka, Kubernetes, LangChain, LangGraph, Lightgbm, Matplotlib, Neo4j, NetworkX, NiFi, Numpy, OpenTelemetry, Pandas, Plotly, Polars, PostgreSQL, Prometheus, PySpark, Python, PyTorch, Qdrant, R, REST API, RStudio, SAS, Scikit-learn, Snowflake, SpaCy, Spark, SPSS, Statsmodels, Streamlit, transformers, TypeDI, vLLM, VS Code, Weaviate.

Личные качества и мотивация: ● Проактивность и ориентация на результат: Специалист не просто выполняет задачи, а ищет пути оптимизации и улучшения ● Системное мышление и архитектурный подход: Способен проектировать сложные, целостные решения — от ML-платформ и гибридных AI-систем до отказоустойчивой глобальной SaaS-инфраструктуры, учитывая полный жизненный цикл ● Обучаемость и техническая гибкость: Легко осваивает и внедряет новые инструменты, технологии и фреймворки, эффективно работая как в области DevOps/MLOps, так и в смежных технологиях

Ридван — специалист в области MLOps уровня Middle+ из Москвы. Имеет опыт работы в отраслях EdTech, AI & Robotics и Insurance. Владеет русским языком на уровне C1 и английским на уровне C2. Образование: магистратура по Data Science в НИТУ МИСИС и бакалавриат по математике и компьютерным наукам в Российском университете дружбы народов. Ключевые навыки: AI, API, AWS, Backend, Docker, GCP, Kubernetes, MLflow, MLOps, OpenAI API, PostgreSQL, Python, REST API, асинхронная обработка, базы данных, версионирование API, инфраструктура. Опыт работы на проектах: - VK: стажер по машинному обучению, проектирование пайплайна извлечения признаков, обработка более 750 000 записей, реализация ML-решения для прогнозирования пола пользователей. - Highbrow Technology Inc., США: ML-инженер, аннотирование и проверка математических наборов данных. - LLime, США: ML-инженер, построение пайплайнов тонкой настройки с использованием LoRA, разработка системы прогрева email. - Varsityscape, США: инженер по машинному обучению, руководство разработкой платформы для создателей курсов, построение ML-пайплайна с автоматическим мониторингом дрейфа. - Российский университет дружбы народов: студент по машинному обучению, исследование по Parameter-Efficient Fine-Tuning (PEFT), публикация статей по AI/ML.

Платформенный и DevOps-инженер с 5+ годами коммерческого опыта в production-эксплуатации Linux-инфраструктуры и Kubernetes-кластеров, глубокой специализацией в LLM/ML-инференсе и Big Data-платформах. Проектирую и сопровождаю высоконагруженные системы: от GPU-оптимизированного model serving (vLLM, Triton, TensorRT) до ETL/ELT-пайплайнов на Airflow, Dagster и Spark. Уверенно работаю с Helm-чартами, GitLab CI/CD, GitOps (FluxCD/Argo CD), стеком Prometheus/Grafana/VictoriaMetrics и управлением секретами через Vault с SSO/OIDC. Имею практический опыт интеграции с LLM API и inference-серверами, понимаю специфику latency/throughput/batching/context length в production. Эксплуатировал Big Data-сервисы (Kafka/Redpanda, Airflow, ClickHouse, Redis, Hadoop/HDFS, Apache Spark/PySpark), работал с форматами Parquet, ORC, S3/MinIO. Использую AI-инструменты (Claude, Cursor, Copilot) для ускорения разработки тулинга и автоматизации. Понимаю принципы построения RAG-систем, embeddings, tool calling и оценки качества LLM-выводов. Достигал SLA 99.97%, 3× роста throughput и снижения p95 latency до 38–85 мс в production.

Senior ML/MLOps Engineer с 6+ годами опыта в разработке и выводе в production ML/LLM-решений, CV/NLP-сервисов и data/ML-пайплайнов. Реализовал production RAG-сценарий для технической поддержки и pipeline семантического матчинга медицинских товаров с ГРЛС на embeddings + FAISS. Разворачивал Giga-Embeddings через vLLM на GPU RTX 4090, работал с Kubernetes, Prometheus/Grafana, Airflow/MLflow/S3, Spark/Hadoop/ClickHouse и AI-инструментами разработки. Production RAG для технической поддержки Построил pipeline: классификация темы пользовательского вопроса -> retrieval ближайших утверждённых ответов и тематического текста -> передача найденного контекста в запрос к LLM. Использовал retrieval-контекст для повышения управляемости ответов и опоры генерации на подготовленную базу знаний. Semantic matching товаров с препаратами ГРЛС Построил FAISS-индекс с моделью embeddings ai-sage/Giga-Embeddings-instruct для сопоставления товарных кандидатов с препаратами из ГРЛС. Развернул embedding server через vLLM на RTX 4090: модель загружается однократно и обслуживает несколько pipeline-процессов; производительность - около 2 200 строк/мин при batch size 64. FAISS-индекс объёмом 80 000 векторов загружается из cache менее чем за 1 секунду. ДОПОЛНИТЕЛЬНЫЙ ОПЫТ Университет искусственного интеллекта | Software Engineer | 06.2021 - 01.2022 - GAN-модели для реконструкции 3D-моделей зубов; система каскадов моделей и inference в Terra AI; YOLO + SORT, Speech-to-Text, OpenAI API. UD Group | Computer Vision Engineer | 01.2020 - 08.2021 - pipeline подсчёта посетителей арендаторов торговых центров на YOLO и DeepSORT; выгрузка видео, автоматическая разметка и дообучение моделей.

Я ориентируюсь на решение задач, действительно важных для бизнеса, команды и пользователей, с ясным пониманием приоритетов и ответственности. Благодаря моему глубокому математическому бэкграунду, я помогаю команде достигать амбициозных целей и поддерживать высокий стандарт качества. Особое внимание уделяю быстрой идентификации потенциальных узких мест и ошибок на ранних этапах проектов, используя подходящие инструменты и методы. Обладаю обширным опытом в ключевых областях машинного обучения, который охватывает полный цикл разработки продукта и MLOps практики. Также мой опыт включает в себя руководство, менторство и организацию рабочих процессов. Связаться со мной можно через Telegram: @labooteen

Руководитель группы и инженер по машинному обучению на уровне с опытом проектирования и руководства крупномасштабными MLOPs проектами. Специализируется на ускорении GPU / TPU (TensorRT, ONNX Runtime, DeepSpeed, vLLM), распределенном обучении / обслуживании (PyTorch DDP, Ray, Horovod), производственных стеках (Triton, обслуживание TensorFlow, автоматическое масштабирование Kubernetes), автоматизации полного жизненного цикла моделей (Kubeflow, MLflow, ClearML, Airflow, ArgoCD), мониторинге (Prometheus / Grafana/ELK) и управлением гибридным облаком (AWS SageMaker, GCP Vertex AI, on-prem K8s)

Никита — MLOps/DevOps-инженер с более чем 6 годами опыта, специализирующийся на построении корпоративных ML/AI-платформ, Kubernetes-инфраструктуры и CI/CD-конвейеров: в Melon Fashion Group перевёл значительную часть сервисов с VM в Kubernetes, запустил с нуля складскую систему и корпоративную AI/LLM-платформу (AI Gateway, vLLM, RAG, DLP); в НафтаГаз руководил SRE-командой из 8 инженеров на удалённых нефтяных месторождениях, выстроив процессы эксплуатации, мониторинга и восстановления критической инфраструктуры. Обладает глубокой экспертизой в Kubernetes, GitLab CI/CD, observability-стеках и безопасной эксплуатации production-сред; уверенно сочетает hands-on инженерию с архитектурным проектированием и техническим лидерством. Опыт с ИИ и автоматизацией: • Спроектировал и запустил с нуля корпоративную AI/ML-платформу в Melon Fashion Group: AI Gateway, OpenWebUI, LiteLLM, vLLM, Ollama, интеграция с корпоративными источниками знаний, контроль доступа (RBAC), аудит запросов, DLP, маскирование чувствительных данных, мониторинг токенов, latency и качества ответов. • Реализовал end-to-end RAG-платформу на open-source стеке (LlamaIndex, bge-reranker, Qdrant) с автоматической индексацией из wiki/Drive/Confluence/файловых шар, инкрементальными обновлениями и production-контуром инференса LLM на GPU-нодах (Ollama, NVIDIA CUDA). • Проектировал инфраструктуру для LLM-инференса в Kubernetes: GPU-ноды, scheduling, лимиты/квоты, CI/CD и GitOps для ML-сервисов. • Использует AI-инструменты (Cursor, Copilot) для автоматизации рутины: генерация схем взаимодействия сервисов, написание инфраструктурной документации, веб-кодинг; верифицирует результаты через тесты и ручной code review.

Senior DevOps-инженер с 6+ годами опыта построения и поддержки production-инфраструктуры для высоконагруженных сервисов и ML-пайплайнов. Специализируюсь на развёртывании GPU-кластеров, настройке MLOps-практик и работе с on-prem инфраструктурой для задач машинного обучения. Имею практический опыт: Развёртывания и обслуживания GPU-серверов (NVIDIA CUDA, nvidia-device-plugin) для training и inference Настройки CI/CD пайплайнов для ML-моделей с версионированием данных и моделей (DVC, MLflow) Построения инфраструктуры для training и inference workloads на Kubernetes с GPU scheduling Работы с on-prem стеком: bare metal provisioning, GPU passthrough, CUDA toolkit management Интеграции Triton Inference Server и TorchServe для production serving ML-моделей Оркестрации ML-пайплайнов через Airflow и Kubeflow Работал с Kubernetes, GitLab CI/CD, Docker, Nginx, PostgreSQL, Prometheus/Grafana, ELK Stack в проектах с нагрузкой 300K+ транзакций ежемесячно. Строил отказоустойчивые системы с балансировкой трафика, автоматическим масштабированием и мониторингом для B2B SaaS и consumer-продуктов. Containerization & Orchestration Kubernetes (production clusters, HPA, GPU scheduling, nvidia-device-plugin, node selectors, taints/tolerations) Docker (multi-stage builds, image optimization, registry management, GPU-enabled containers) Docker Compose (local development environments, ML service stacks) CI/CD & Automation GitLab CI/CD (pipeline design, runners, artifacts, caching, ML model build pipelines) GitHub Actions DevOps Engineer (ML Infrastructure / MLOps) 1 Automated deployments (blue-green, canary, rolling updates) Ansible (playbooks for provisioning, GPU server configuration, CUDA toolkit installation) Terraform (infrastructure as code, GPU cluster provisioning) Bash + Python scripting (automation, ML pipeline glue code) ML Infrastructure & MLOps MLflow (experiment tracking, model registry, model serving) Kubeflow (pipeline orchestration, training jobs on Kubernetes) DVC (data versio