{"id":1141098,"url":"https://alion.io/job/wildberries-mlops-engineer-mle","title":"MLOps Engineer (MLE)","company":{"id":99582,"name":"Wildberries","domain":"wb.ru","url":"https://alion.io/company/wildberries-ru","size_band":"1001-5000","is_staffing_agency":false,"is_intermediary":false,"ats_vendor":"HeadHunter","truth_index":{"grade":"A","score":98,"open_postings":44,"ghost_share":0.091,"stale_share":0,"repost_share":0.091,"time_to_fill_p50_days":5,"computed_at":"2026-09-23T05:45:00Z"}},"role":"AI/ML","role_family":"AI/ML","seniority":null,"employment_type":null,"work_mode":"remote","remote_scope":"stated_regions","hiring_geo_confidence":"inferred","locations":["Moscow, Russia"],"countries":["RU"],"hiring_countries":["RU","BY","KZ","KG","AM"],"hiring_countries_total":5,"salary":null,"salary_estimate":{"min_usd":32000,"max_usd":86000,"period":"year","method":"role_country_seniority_unknown","sample_n":116},"experience_years_min":null,"visa_sponsorship":false,"relocation_package":false,"has_equity":false,"technologies":[{"name":"Apache Kafka","optional":false},{"name":"Asyncio","optional":false},{"name":"ClearML","optional":false},{"name":"FastAPI","optional":false},{"name":"GitLab CI","optional":false},{"name":"gRPC","optional":false},{"name":"Helm","optional":false},{"name":"KServe","optional":false},{"name":"Kubeflow","optional":false},{"name":"Kubernetes","optional":false},{"name":"MLFlow","optional":false},{"name":"ONNX","optional":false},{"name":"pgvector","optional":false},{"name":"Python","optional":false},{"name":"PyTorch","optional":false},{"name":"SLI/SLO/SLA","optional":false},{"name":"TensorRT","optional":false},{"name":"TorchServe","optional":false},{"name":"Triton","optional":false},{"name":"Triton Inference Server","optional":false},{"name":"vLLM","optional":false},{"name":"Ansible","optional":true},{"name":"ClickHouse","optional":true},{"name":"Error Budget","optional":true},{"name":"ONNX Runtime","optional":true},{"name":"OpenSearch","optional":true},{"name":"PostgreSQL","optional":true},{"name":"Qdrant","optional":true},{"name":"Terraform","optional":true}],"status":"live","first_seen_at":"2026-09-23T11:27:18Z","employer_posted_date":"2026-09-23","last_verified_at":"2026-09-22T23:40:11Z","board_verified":true,"closed_at":null,"days_open":0,"trust":{"level":"ok","repost_count":null,"flags":[],"days_open":0},"description":"Направление работы:\n Мы - направление модерации в отделе Trust & Safety Wildberries, отвечаем за безопасность и модерацию контента и карточек товаров. Ежедневно через наши системы проходят десятки миллионов карточек, это сотни миллионов решений по более чем 100 ML-моделям. Модели инферятся через Nvidia Triton Inference Server, десятки инстансов в нескольких дата-центрах держат пиковую нагрузку порядка 400-500K RPS.\n DS-команда растёт, уже 20+ человек только в модерации и 50+ во всём отделе. Сейчас у нас есть серверы с JupyterHub для обучения, ClearML для пайплайнов, Triton для инференса и pgvector для эмбеддингов, но путь модели от эксперимента до прода всё ещё во многом ручной. Нужен инженер, который сделает этот путь автоматизированным и стандартным, чтобы DS обучил модель, прогнал через пайплайн, выкатил в Triton и сразу увидел метрики.\n Ищем MLOps-инженера с сильным бэкенд-фундаментом. Твоя зона - сервисный слой платформы. Это пайплайны обучения и деплоя, автоматизация выкатки моделей, сервисы вокруг Triton и SLA инференс-контура. Дальше этот контур масштабируем на все направления Trust & Safety, поэтому строим с прицелом на стандартизацию и переиспользование.\n Стань частью команды!\n Вам предстоит:\n Строить и автоматизировать пайплайны обучения в ClearML, от экспериментов DS до воспроизводимого артефакта в model registry;\n\n Автоматизировать деплой моделей в Triton, включая конвертацию в ONNX и TensorRT, конфигурацию, выкатку без участия инженера, канареечные релизы и откаты;\n\n Развивать Python-сервисы вокруг Triton, единый inference gateway, gRPC, батчинг и очереди;\n\n Ускорять инференс через профилирование, dynamic batching, ensemble и BLS, TensorRT-оптимизации;\n\n Держать SLA инференс-контура - метрики, алертинг, разбор инцидентов, дежурства в ротации;\n\n Поддерживать JupyterHub, ClearML-агенты и шаблоны проектов для DS-команд;\n\n Вместе с инфраструктурным инженером проектировать размещение моделей на GPU-кластере;\n\n Общаться с DS-командами, понимать их потребности и переводить в технические решения;\n\n Закладывать стандарты и шаблоны, чтобы раскатать контур на весь отдел Trust & Safety;\n\n Формат работы - гибридный или удаленный по договоренности с руководителем.\n Вы нам подходите, если:\n Имеете опыт с Python, асинхронными сервисами(FastAPI, asyncio), gRPC и с очередями (Kafka);\n\n Имеете опыт с Nvidia Triton Inference Server или другим model serving (TorchServe, vLLM, KServe) с готовностью глубоко освоить Triton;\n\n Имеете опыт работы с ClearML, Kubeflow, MLflow или аналогичной MLOps-платформой на уровне пайплайнов, трекинга экспериментов и model registry;\n\n Владеете инженернымпониманием ML-стека - PyTorch, ONNX, конвертация и упаковка моделей, GPU-инференс;\n\n Владеете Kubernetes на уровне разработчика сервисов, включая деплой, Helm-чарты, ресурсы, HPA и отладку подов;\n\n Имеете опыт с GitLab CI, инфраструктурой как код, мониторингом и логами;\n\n Умеете взаимодействовать с DS-командами и доводить решения до прода, а не до прототипа.\n\n Будет плюсом:\n TensorRT, ONNX Runtime, квантизация и ускорение моделей;\n\n Go для сервисов и тулинга;\n\n Опыт развёртывания и оптимизации векторных БД (pgvector, Qdrant);\n\n ClickHouse и OpenSearch для аналитики и логов;\n\n SRE-практики вроде SLO, error budget и постмортемов;\n\n Ansible, Terraform.","description_format":"text","description_chars":3281,"description_truncated":false,"requirements":{"experience_years_min":null,"management_years_min":null,"team_size_min":null,"manages_managers":false,"education":null,"security_clearance":false,"languages":[{"language":"Russian","level":"Advanced (C1)","optional":false}]},"benefits":[],"hiring_locations":[{"name":"Russia","iso":"RU","kind":"country"},{"name":"Belarus","iso":"BY","kind":"region"},{"name":"Kazakhstan","iso":"KZ","kind":"region"},{"name":"Kyrgyzstan","iso":"KG","kind":"region"},{"name":"Armenia","iso":"AM","kind":"region"}],"hiring_excludes":[],"relocation_offered":false,"industries":[],"lifecycle":[{"event":"open","at":"2026-09-23T11:31:30Z"}],"liveness":{"score":86,"band":"hot","label":"Hiring now","p_open":1,"p_active":0.86,"p_room":1,"age_days":0,"expected_fill_days":5,"reasons":["conf:5","win:early"],"computed_at":"2026-09-23T17:07:01Z"},"pay":null,"html_url":"https://alion.io/job/wildberries-mlops-engineer-mle","json_url":"https://alion.io/job/wildberries-mlops-engineer-mle.json","meta":{"generated_at":"2026-09-23T17:07:01Z","cache_seconds":300,"methodology":"https://alion.io/methodology","terms":"https://alion.io/terms","contact":"https://alion.io/contact","api":"https://alion.io/developers"}}