Ведущий специалист по внедрению ИИ в продукты компании

Опубликовано 27 апреля 2026обновлено 27 октября 2026ID 67376c25данные с «Работы России»

Прямой работодатель

Обязанности

Формирование предложений по приоритетным направлениям развития платформы ИИ/LLM в компании. Формирование бэклога задач по разработке и внедрению новых функций платформы, участие в согласовании с бизнес-заказчиками. Разработка и реализация дорожной карты AI-платформы. Эксплуатация и оптимизация инфраструктуры на базе облачных провайдеров (AWS/GCP/Azure), включая настройку GPU-стека (NVIDIA, CUDA, драйверы, MIG) и автомасштабирование. Развертывание ИИ-продуктов: Успешный запуск и масштабирование различных ИИ-кейсов (чат-ассистенты, классификация/ранжирование, генеративные сценарии) с измеримым бизнес-эффектом. Внедрение практик FinOps для профилирования, оптимизации и контроля затрат на облачную инфраструктуру (AWS/GCP/Azure) и GPU-ресурсы. Участие в обучение различных AI агентов (в т.ч. агентов систем распознавания, автономной навигации и роевого взаимодействия) в симуляционных средах. Менторство инженеров, код-ревью, внедрение best practices.

Требования

Опыт работы

от 5 лет

Образование

Высшее, специалитет или магистратура

Навыки

Облака и инфраструктура: AWS/GCP/Azure, Linux, сети, GPU-стек (NVIDIA, CUDA, драйверы, MIG, мониторинг и утилизация), autoscaling, Контейнеризация и оркестрация: Docker, Kubernetes, Helm, GPU-операторы, Karpenter/Cluster Autoscaler, сервис-меш (Istio/Linkerd), IaC и GitOps: Terraform, Ansible, Argo CD/Flux, управление средами, CI/CD: GitHub Actions/GitLab CI/Jenkins; шаблоны blue/green, canary, shadow, Модельный стек: MLflow (регистры/эксперименты), Kubeflow/Flyte/Ray, Airflow/Dagster, Модельный сервинг и оптимизация: Triton Inference Server, vLLM/TGI, ONNX/TensorRT, FasterTransformer; batch/online/stream-инференс, LLM-специфика: RAG (векторные БД: Milvus/Weaviate/Pinecone/pgvector), управление промптами, кеширование (prompt/cache), offline/online-оценка (Ragas/Promptfoo/LLM evals), guardrails/политики, Data/ETL: Kafka/PubSub/Kinesis, Great Expectations, DWH/Lakehouse (Snowflake/BigQuery/Databricks), Наблюдаемость: Prometheus/Grafana, ELK/EFK/Loki, OpenTelemetry, трассировка; ML/LLM-обсервабилити (Evidently, Arize/Fiddler/Weights & Biases), Безопасность и комплаенс: секреты (Vault/KMS), SSO/OIDC, RBAC, сетевые политики, контейнерная безопасность (Trivy/Grype), SBOM/SLSA; DLP/PII, политика данных, GDPR/ISO 27001/SOC 2. Знание NIST AI RMF, ISO/IEC 23894/42001, (желательно) EU AI Act, Стоимость и производительность: FinOps, профилирование и оптимизация инференса, выбор архитектур (open-source vs managed API: OpenAI/Azure OpenAI/Anthropic/Gemini vs Llama/Mistral), TCO-анализ, Тестирование: unit/integration/load/chaos, безопасностные и red-teaming практики для LLM