Middle MLOpsСпециалистХронологический

Middle MLOps-инженер

Опытный MLOps-инженер с 3-летним стажем в построении масштабируемых платформ для Data Science команд.

Бесплатный конструктор резюмеВакансии

Контакты

Вымышленные данные
Антон Михайлович Соловьёв
Middle MLOps Engineer
xxx@mail.ru+7 926 000-00-00Санкт-Петербург

О себе

Специализируюсь на создании стабильной среды для полного цикла ML-разработки. Имею богатый опыт интеграции инструментов трекинга моделей (MLflow) и автоматизации оркестрации задач (Airflow). Ориентирован на автоматизацию инфраструктуры (Infrastructure as Code) и обеспечение высокой доступности ML-сервисов.

Опыт работы

MLOps Engineer
Крупный банк (Финтех направление) · Москва
2021 — наст. время
  • Внедрил MLflow для 4 команд Data Science, что позволило версионировать 100% экспериментов
  • Оптимизировал Kubernetes-кластер для обучения на GPU, снизив затраты на облако на 25%
  • Разработал CI/CD пайплайны, сократив время деплоя моделей с 3 дней до 2 часов
  • Настроил мониторинг Data Drift для 12 продуктовых моделей с уведомлениями в Slack
DevOps / MLOps Engineer
IT-интегратор · Санкт-Петербург
2019 — 2021
  • Развернул On-premise систему хранения данных (MinIO) объемом 50 ТБ
  • Автоматизировал создание окружений для аналитиков через Terraform и Ansible
  • Настроил логирование и трассировку запросов для высоконагруженного API детекции лиц

Навыки

Hard skills
Kubernetes (K8s)KubeflowAirflowTerraformMLflowPrometheus/GrafanaJenkinsPyTorch/TensorFlow
Soft skills
Problem SolvingКоммуникация с DS-командамиНаставничествоТайм-менеджмент

Образование

Магистр прикладной математики и информатики
ИТМО · 2017 — 2019

Языки

  • Русский — C2 (Native)
  • Английский — B2+ (Vantage)
Подтянуть язык

Сертификаты

  • CKA: Certified Kubernetes Administrator · The Linux Foundation, 2022

Частые вопросы

01.Чем занимается Middle MLOps?

Проектированием и поддержкой платформы машинного обучения, автоматизацией CI/CD/CT.

02.Какие хард-скиллы важны для Middle?

Глубокое знание Kubernetes, Airflow, инструментов трекинга экспериментов и IaC.

03.Важен ли опыт в Data Science?

Да, важно понимать алгоритмы и процесс обучения, чтобы эффективно оптимизировать пайплайны.

04.Как оценить эффективность MLOps-инженера?

По метрикам Time-to-Market моделей и стабильности инференса.

Похожие образцы

Полезные статьи по теме