LlmOps-DevOps — Россия, Москва
Зарплата не указана
ОткликнутьсяЛокация: Россия, Москва
Формат: Гибрид
Занятость: Полная занятость
Грейд: Senior
Обязанности:
• Готовить LLM и другие генеративные модели к промышленному запуску;
• Выбирать inference-движок с учетом архитектуры модели, оборудования и требований продукта;
• Создавать воспроизводимые контейнерные образы и конфигурации model serving;
• Настраивать tensor parallelism, pipeline parallelism, batching, KV cache, длину контекста и управление памятью;
• Подбирать методы квантизации и оптимизации с контролем влияния на качество модели;
• Определять оптимальное количество и тип GPU для целевых latency, throughput и нагрузки;
• Проводить профилирование, функциональные и нагрузочные тесты моделей;
• Находить узкие места на уровне модели, inference-движка, CUDA, GPU, сети и хранилища;
• Автоматизировать развертывание, обновление, откат и масштабирование моделей в Kubernetes;
• Настраивать метрики, логи и трассировку model-serving-сервисов;
• Формировать эталонные конфигурации и таблицы производительности поддерживаемых моделей;
• Контролировать потребление GPU, утилизацию памяти и стоимость inference;
• Участвовать в настройке маршрутизации, балансировки и отказоустойчивости сервисов моделей;
• Адаптировать конфигурации моделей для облачной и on-premise-инфраструктуры;
• Оценивать новые модели, inference-фреймворки, методы оптимизации и аппаратные платформы;
• Консультировать продуктовые команды по возможностям, ограничениям и инфраструктурным требованиям моделей;
• Взаимодействовать с командами разработки моделей, DevOps/SRE, Agents Space и частных инсталляций.
Требования:
• Практический опыт запуска LLM или других крупных генеративных моделей в production либо на высоконагруженных стендах;
• Хорошее понимание архитектуры Transformer и жизненного цикла inference-запроса;
• Опыт работы хотя бы с одним современным inference-движком: vLLM, NVIDIA TensorRT-LLM, Triton Inference Server, Hugging Face TGI или аналогичным;
• Понимание tensor/pipeline parallelism, continuous batching, KV cache и методов управления памятью;
• Знание методов квантизации и их влияния на качество и производительность;
• Практический опыт работы с GPU, CUDA и инструментами диагностики;
• Уверенное владение Python;
• Опыт контейнеризации с Docker и развертывания сервисов в Kubernetes;
• Опыт проведения нагрузочных тестов и анализа latency, throughput, time to first token и inter-token latency;
• Опыт настройки мониторинга и профилирования inference-сервисов;
• Знание Linux, Git и основных принципов CI/CD;
• Умение документировать эксперименты и принимать решения на основании измеримых результатов.
## Будет преимуществом
• Опыт работы с NVIDIA GPU Operator, DCGM, MIG, NCCL и multi-node inference;
• Знание PyTorch и Hugging Face Transformers;
• Опыт оптимизации моделей с помощью TensorRT, ONNX или custom kernels;
• Опыт работы с Ray Serve, KServe, Seldon или аналогичными системами;
• Понимание особенностей MoE-моделей, speculative decoding и prefix caching;
• Опыт построения автоматизированного контура оценки качества LLM;
• Опыт эксплуатации моделей в on-premise или изолированных средах;
• Опыт расчета и оптимизации unit-экономики inference.