Senior DevOps LLM (Инвестиционный бизнес)

Мы разрабатываем систему, которая автоматизирует весь жизненный цикл инвестиционной сделки. Наши команды работают над следующими направлениями:
алгоритмизированный и AI поиск потенциальных сделок и клиентов управление процессом заключения инвестиционных сделок финансовые расчеты и оценка портфеля построение финансовой и управленческой отчетности по портфелю инвестиций Сбера инвестиционные сервисы для компаний - наших клиентов. Наша инвестиционная платформа ЮЛ в Сбер - это уникальная разработка на российском рынке для выдачи и сопровождения инвестиционного финансирования юридическим лицам. Такие сделки имеют большое значение для российской экономики, и о них пишут в новостях.
Вы будете работать с микросервисной архитектурой (Kubernetes, Docker, Istio, Kafka).
Мы используем specififcation-driven подход к разработке и активно развиваем эту методологию внутри Сбера.
Обязанности развертывание и конфигурация Open Source LLM (DeepSeek, Qwen и др.) на собственных мощностях настройка высокопроизводительных инференс-серверов (vLLM, TGI, TensorRT-LLM, llama.cpp) оптимизация использования GPU (память, батчинг, quantization) для достижения требуемой пропускной способности и задержек (latency) настройка систем observability для слоя инференса: сбор метрик (количество запросов, время генерации, использование VRAM, throughput, количество активных потоков/запросов) реализация health checks (ready/live probes) для инференс-серверов автоматизация оповещений (alerts) при деградации производительности или падении сервисов настраивать сквозную трассировку (trace_id) по всей цепочке сервисов: от пользовательского интерфейса до агентов и инфраструктуры развивать дашборды в Grafana для мониторинга агентов, инфраструктуры и ключевых компонентов платформы внедрять кастомные метрики для агентов (запросы, статус, P95, LLM-вызовы, токены) без изменения кода агентов обеспечивать корреляцию логов и трейсов для быстрого поиска инцидентов настраивать алерты: технические (Pod OOM, память, ошибки) и качественные (satisfaction rate, регрессии) работать с централизованным Prompt Hub для хранения и обновления промптов без деплоя автоматизировать интеграцию E2E-тестов с системой трассировки поднятие и конфигурация бэкенд-серверов для работы агентов (FastAPI, Node.js или других runtime) контейнеризация (Docker) и оркестрация (Kubernetes / Docker Compose) компонентов системы управление окружениями (dev/stage/prod) и CI/CD пайплайнами для доставки кода агентов и обновлений инфраструктуры разработка агентов в структурированном формате Markdown, следуя принципам Claude/Harness Engineering (явное описание инструментов, контекста, последовательности действий) создание системных промптов, определения инструментов (tools/functions) и четких границ поведения агента интеграция агентов с внешними API, базами данных и DevOps-инструментами (Kubernetes, AWS, CI/CD) разработка и поддержка пайплайнов CI/CD внедрение новых инструментов для автоматизации и мониторинга взаимодействие с командами разработки, тестирования и эксплуатации. Требования опыт развертывания и сопровождения Open Source LLM в продакшене глубокое практическое знание инструментов инференса: vLLM, TGI (Text Generation Inference) или аналогичных (TensorRT-LLM, sglang) понимание внутренних механизмов LLM инференса: KV-cache, continuous batching, quantization (GGUF, GPTQ, AWQ) опыт написания агентов/промптов в продакшн-среде, знакомство с концепцией Harness Engineering (или готовность быстро в нее погрузиться) уверенное владение Python (написание сервисов, скриптов мониторинга, интеграций) экспертный опыт работы с контейнеризацией (Docker) опыт управления кластерами Kubernetes: написание и поддержка манифестов, работа с Helm (чарты) опыт построения и поддержки пайплайнов в Jenkins, GitLab CI уверенная работа с Git (стратегии ветвления, код-ревью) опыт работы с СУБД (PostgreSQL, ClickHouse или аналогичными) в контексте высоконагруженных систем опыт построения observability-стека для микросервисных или агентных систем навыки настройки сквозной трассировки, метрик, логирования и алертинга уверенное владение инструментами: Grafana, Prometheus, Loki, Jaeger, OpenTelemetry Будет плюсом:
опыт работы с фреймворками для агентов (LangChain, LlamaIndex, AutoGen, или собственные решения) знание подходов к fine-tuning и evaluation LLM (например, LoRA/QLoRA, использование Axolotl или Unsloth; оценка качества через MMLU, HumanEval, ROUGE, BERTScore, фреймворки DeepEval или LM Evaluation Harness) опыт управления GPU-инфраструктурой (NVIDIA A100/H100, L40S, работа с MIG, vGPU) навыки администрирования Linux (сети, файловые системы,работа с драйверами NVIDIA). Условия комфортный современный офис рядом с м. Ленинский проспект, ул. Вавилова 19, формат работы - гибрид корпоративный спортзал и зоны отдыха более 400 образовательных программ СберУниверситета для профессионального и карьерного развития расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная програма бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров вознаграждение за рекомендацию друзей в команду Сбера.