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…