LlmOps-DevOps

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.