В общем, была задача на оптимизацию плана работ: есть набор заказов, и в каждом N тасков. Таски могут зависеть друг от друга или нет, имеют длительность и тип. Ещё есть M работников, каждый из которых может выполнять таски только определённых типов, причём, у каждого своя скорость.
Если все таски в заказе выполнены, фирма получает сколько-то денег. У заказа есть дедлайн, за просрочку штраф (за каждый день просрочки), который вычитается из цены заказа. И ещё фирма тратит деньги за каждый день своей работы независимо от того, как загружены её сотрудники (то есть просто платит зарплаты по сути). Ещё важен учёт праздников и выходных.
Нужно заработать на определённом наборе заказов и работников как можно больше денег. Полный текст задачи и код программы проверки есть в репозитории. Эта задача является изменённым заказом, который мы с напарником решали в реальной жизни: оптимизация работы печатных станков для типографии. Правда, тогда и мы справились так себе, и заказчик в итоге сначала захотел всё вручную сам делать, а потом и вовсе похоронил проект при смене директора.
!!! Не читайте дальше, если хотите сначала попробовать решить самостоятельно, потому что я сейчас опишу эффективные подходы и результаты.
________________________________________
Так вот. Мы с другим экспертом Андреем сразу сели и написали разные варианты, чтобы задать шкалу, по которой будем оценивать решения команд. За пару часов я собрал примитивный жадный алгоритм, который сортировал заказы по прибыльности и укладывал в сетку кое-как, это дало нам нижнюю оценку. Мой алгоритм заработал ~75 млн виртуальных рублей, мы решили для оценки поставить нижней границей 40 млн. То есть всё, что ещё ниже, оценивалось в ноль баллов за качество оптимизации.
Затем Андрей закрылся дома на три дня и вышел на свет со сложным жадным алгоритмом, который очень хитро сортировал заказы и очень хитро укладывал их в сетку, попутно выбирая разные способы этой укладки в зависимости от конкретного заказа. Это позволило заработать ~275 млн рублей. Мы сделали верхней границей для оценки 280 млн.
К сожалению, в итоге только две команды из десяти прошли нижнюю границу, заработав, соответственно, ~91 и ~105 млн. К верхней границе не приблизился никто. И у четырёх команд алгоритм вообще не смог уложить без нарушений задачи в сетку (то есть, например, произвольно менял длительности, накладывал задачи друг на друга, давал одному работнику две задачи в один момент и так далее). Важной ошибкой команд, на мой взгляд, являлся тот факт, что никто не воспользовался возможностью запустить алгоритм на несколько минут и дать ему поработать. По условиям задания, можно было тянуть до 5 минут на одну оптимизацию, но по факту решения команд отрабатывали за единицы и десятки секунд.
На самом конкурсе, пока команды работали, я решил попробовать сделать быстрое (по времени написания) но эффективное решение. Сначала попробовал жадную сортировку + доведение до лучшего варианта методом имитации отжига. В качестве нового состояния я просто менял местами заказы целиком. Этот вариант работал пару минут и дал мне около ~200 млн дохода. К слову, команда-лидер использовала такой же подход, просто не докрутила число итераций и температуру.
Ну и потом я взял готовую либу по реализации классической генетики с особями и скрещиванием. Особью был массив с приоритетами заказов (которые конечно же нужно было аккуратно уложить чистым алгоритмом). Тип скрещивания: scattered. Всего 15 поколений по 20 особей, и это за минуту-полторы давало ~230-240 млн. Считаю, что для конкурса это самый лучший выбор: пишется одним человеком за день и даёт почти максимум, при этом легко настраивается на нужную длительность работы, легко параллелится.
Ну а потом уже дома я посидел и накодил свой вариант сложного жадного с плавающим окном перебора отсортированных заказов и плавающей же укладкой по работникам. Такая штука за две минуты зарабатывает ~281 млн. Но за три дня в условиях стресса я бы такое не сделал, скорее всего.
#dev
#вакансия#mlops#санктпетербург
Вакансия: MLops (M-/M)
Компания: Технологии Доверия
Позиция: Middle MLops
Вилка ЗП: 170 — 250 тыс. руб.
Формат: Офис (гибрид)
Локация: Санкт-Петербург (Чкаловская)
О проекте:
Платформа для применения генеративных технологий для e-commerce проектов. Основной рынок — Турция.
Для кого:
Выпускник Тех факультета у которого сильные фундаментальные знания и есть опыт работы в рамках научных проектов в ВУЗЕ или стажировки/опыт работы в тех компаниях.
Задачи:
— Настройка мониторинга ML-сервиса;
— Настройка CI/CD;
— Настройка систем мониторинга и логирования;
— Настройка развертывания и репликации моделей и баз данных;
— Настройка и поддержка автоматизированных ETL/ELT процессов;
— Запуск и интеграция Feature Store;
— Резервное копирование.
Требования:
— Опыт работы с ML-сервисами в продакшене;
— Опыт обработки больших объемов данных;
— Хорошее понимание ML и функции на позиции MLOps;
— Понимание принципов работы/опыт работы с RAG.
Stack:
Docker и Kubernetes, Terraform, Ansible, CI/CD в своём GitLab, Python, Database Postgres (+pgvector / Milvus/ Qdrant/ Faiss будет преимуществом)
✍️ По всем вопросам и с резюме пишите: @HRMLab
#вакансия#job#mlops#vacancy#remote
⭐️ Вакансия: Senior MLOps
Компания: Emerging Travel Group (ETG)
📍 Локация: удаленка
🧑💻Кого ищем: DevOps инженера со знаниями MLOps и готовность развивать это направление в компании. Роль в компании новая, есть возможность поставить процессы, систематизировать их. Работа будет с несколькими ML командами в продуктовом департаменте (взаимодействие в основном с Devops, DS и ML инженерами).
Задачи:
• все задачи вокруг DS и ML (новый стек, софт; работа с GPU/TPU);
• отвечать за ML сервисы и сервера (но саму закупку и доступы выдает Devops команда). Подобрать железо и настроить, аутенфикация, подготовить все конфиги для деплоя, настроить CI/CD и т. д.
• Важно понимание цикла разработки ML продуктов, как происходит ML нагрузка и т.д.
📌Мы предлагаем:
• 100% удаленную работу;
• гибкий график работы
• обучение: семинары, тренинги и конференции;
• корпоративный английский;
• корпоративные скидки на проживание в отелях и другие услуги;
• молодую и активную команду суперпрофессионалов
По всем вопросам и с резюме пишите @elinaz_hr
#ML#DevOps#MLOps
ML OPS middle-senior
Формат работы - удаленка (в РФ)
💰ЗП - до 300 000 net
Компания- Selecty IT
Всем привет!👋
Нахожусь в поиске ML OPS инженера в отдел моделирования одной из крупнейших страховых компаний России🇷🇺.
👀 Задачи, которые будут на тебя возложены:
🔨Создание CI/CD для ML-моделей;
🔨Создавать систему обработки, хранения, очистки и валидации данных для сред моделирования;
🔨Участвовать в разработке data pipe-line – от обсуждения с источниками данных формата получения данных, до презентации результатов обработки данных и новых фичей и эмбедингов;
🔨Создание коннекторов с API к данным, моделям, внешним источникам;
🔨Писать интеграционные юнит тесты, разрабатывать автоматизированные средства валидации и мониторинга моделей;
🔨Дизайн и разработка Spark сервисов.
⚙️Технологический стек: Kubeflow, Helm chart, Kubernetes, Airflow, MLFlow, DVC, Python, Spark, SparkML/MLlib, Hadoop, ML (Scikit-learn, TensorFlow etc.).
❗️Требования:
📍Опыт работы DevOps;
📍Экспертиза ML OPS для высоконагруженных систем;
📍Уверенное владение Linux; Работа с Docker, Kubernetes/OpenShift, навыки деплоя приложений;
📍Управление жизненным циклом ML моделей (автоматизация, оптимизация, переобучение/обновление);
📍Разработка и/или поддержка ML моделей;
📍Поддержка CI/CD конвейера поставки моделей;
📍Высокий уровень программирования Python, Spark в сборке проектов для внедрения;
📍Умение создавать пайплайны, писать роли и конфигурировать исполнение;
📍Опыт работы со средами репозиториев и версионностью моделей;
📍Опыт в настройке и администрировании MLFlow, Airflow, Kubeflow.
🟢Что предлагаем:
📌Работу в команде профессионалов и творческих людей;
📌Позитивная, неформальная атмосфера в коллективе;
📌Оформление по ТК РФ;
📌Работа в ТОП-10 страховых компаний РФ;
📌 Формат работы: удаленный график работы, 5/2 с 09:00 до 18:00.
📌ДМС сразу после испытательного срока;
📌Возможность совершенствовать себя в одном из лучших Корпоративных университетов + бесплатный корпоративный доступ к электронной библиотеке;
📌Предложения от партнёров: уникальные скидки на приобретение недвижимости, фитнес и изучение языков (Skyeng), каршеринг и покупку авто, и пр.;
📌Активную спортивную жизнь внутри компании: бассейн, бег, волейбол, йога и многое другое;
📌Льготные условия на страховые продукты (страхование имущества, автотранспорта, ВЗР);
📌Сильную команду вовлеченных профессионалов.
📥 жду ваших откликов @DmitryMishenkov
#python#agent#agentic_ai#llm#mlops#reinforcement_learning
Agent Lightning is a tool that helps improve AI agents using reinforcement learning. It allows you to train your agents without making big changes to their code, which is very convenient. You can use it with many different frameworks like LangChain or OpenAI Agent SDK. It also supports various training methods, including reinforcement learning and automatic prompt optimization. This means you can make your agents better at their tasks without a lot of extra work.
https://github.com/microsoft/agent-lightning
#вакансия#MLOps#fulltime#Москва#офис#гибрид
MLOps
📍Город: Москва (центр)
Формат работы: офис/гибрид
Занятость: полная
🔷 АНО "ЦИСМ" - аккредитованная IT-компания, работаем по поручению Президента России с октября 2018 года.
Ищем сотрудников для масштабного проекта, связанного с ИИ и машинным обучением.
Задач много, проект интересный, команда сильная.
➡️ Ждем от кандидата
⁃ Опыт работы от 3 лет, в области MLOps от 1 года
⁃ Навыки:
- разворачивания и поддержки ML-инфраструктуры, включая настройку серверов с GPU, платформ оркестрации и контейнеризации
- разработки CI/CD пайплайнов для моделей машинного обучения
- построения систем алертинга и мониторинга, работы по SLA
✅Задачи
⁃ Построение и развитие вычислительного кластера с GPU в Kubernetes
⁃ Автоматизация процессов сборки, тестирования и деплоя моделей машинного обучения и сервисов
⁃ Работа с движками инференса LLM: vLLM, SGLang для кластеров видеокарт
⁃ Написание пайплайнов CI/CD
⁃ Оптимизация образов Docker и использования GPU-ресурсов
⁃ Обеспечение бесперебойной работы ML-инфраструктуры
⁃ Создание систем алертинга и мониторинга сервисов
🔶Что предлагаем
⁃ З/п - здравая, в рынке. Сумма обсуждается по итогам собеседования, все официально и по ТК РФ
⁃ Команда - профессионалы, искренне любящие свое дело
⁃ Офис в центре Москвы с бесплатной парковкой, гибрид
❗️По всем вопросам к @Veronika_Doronina
💀NeuroSploit v2 - продвинутый AI-фреймворк для тестирования на проникновение (пентеста).
NeuroSploit v2 использует большие языковые модели, чтобы автоматизировать и усилить offensive security.
Фреймворк помогает анализировать цели, находить уязвимости, планировать эксплуатацию и поддерживать защитные меры, сохраняя фокус на этике и операционной безопасности.
Основные возможности:
• Агентная архитектура
Специализированные AI-агенты под разные роли: Red Team, Blue Team, Bug Bounty Hunter, Malware Analyst.
• Гибкая интеграция LLM
Поддержка Gemini, Claude, GPT (OpenAI) и Ollama с настройкой через профили.
• Тонкая настройка моделей
Отдельные LLM-профили для каждой роли: выбор модели, температура, лимиты токенов, кэш и контекст.
• Markdown-промпты
Динамические шаблоны промптов, адаптирующиеся под задачу и контекст.
• Расширяемые инструменты
Интеграция Nmap, Metasploit, Subfinder, Nuclei и других security-инструментов через конфигурацию.
• Структурированные отчёты
JSON-результаты кампаний и удобные HTML-отчёты.
• Интерактивный CLI
Командная строка для прямого управления агентами и сценариями.
NeuroSploit v2 - пример того, как agentic AI превращает пентест из ручной работы в управляемую автоматизацию.
git clone https://github.com/CyberSecurityUP/NeuroSploitv2.git
cd NeuroSploitv2
▪Github: https://github.com/CyberSecurityUP/NeuroSploit
@ai_machinelearning_big_data
#python#Penetrationtesting#llm#mlops#Cybersecurity
⚡Agent Lightning — ускоритель обучения для ИИ-агентов от Microsoft
Agent Lightning — это фреймворк для обучения и оптимизации LLM-агентов с помощью Reinforcement Learning без изменения их кода.
🧠 Поддерживает:
• LangChain
• AutoGen
• OpenAI Agents SDK
• и другие фреймворки на Python
🔧 Как он работает:
• Агент не нужно переписывать — он подключается как есть
• Вся его работа разбивается на отдельные шаги (эпизоды), которые можно анализировать
• Специальный алгоритм LightningRL оценивает, какие действия были полезны, а какие — нет
• Система может учитывать не только финальный результат, но и промежуточные сигналы (награды)
• Эти данные автоматически собираются и используются для дообучения агента
🔥 Преимущества:
• Не требует модификации логики агента
• Можно легко подключить к существующим пайплайнам
• Улучшает точность и устойчивость в сложных задачах: от генерации кода до Text-to-SQL
Отличный инструмент для всех, кто хочет сделать своих LLM-агентов.
🟠Проект: https://microsoft.com/en-us/research/project/agent-lightning/
🟠Статья: https://arxiv.org/abs/2508.03680
🟠Github: https://github.com/microsoft/agent-lightning
@ai_machinelearning_big_data
#agent#reinforcementlearning#mlops#llm#Microsoft
#DataSolutionsArchitect#AISolutionsArchitect#MLops#ml
Компания JTI (Japan Tobacco International) находится в поиске Архитектора информационных решений
Формат работы: гибрид, Москва Сити, полная занятость
Чем Вы будете заниматься:
- Разрабатывать и внедрять архитектуру Data и AI и обеспечивать создание инфраструктуры.
- Обеспечивать надлежащее управление и поддержку любого компонента в экосистеме;
- Обеспечивать производительность ML-моделей (обновление данных, запуск моделей, получение и передача результатов любым получателям);
- Обеспечивать интеграцию и доступность данных для любых проектов Data и ML
- Источники данных -> DWH
- DWH -> ML-проекты
- Результаты ML-модели -> DWH
- Обеспечивать хорошую производительность любой опубликованной ML-модели;
- Внедрять DevOps, MLOps, DataOps в рамках соответствующих инициатив;
- Обеспечивать техническое управление в соответствии с глобальными политиками и процедурами.
Мы ожидаем от Вас:
- 6+ лет опыта работы в области ИТ с фокусом на разработку и развитие платформ данных, ML, AI;
- Опыт ведения проектов по внедрению платформ данных с фокусом на крупные компоненты хранения данных, расположенные в облачной и локальной инфраструктуре;
- Опыт ведения проектов генеративного ИИ/традиционных решений ML и обладание знаниями сетевой/облачной архитектуры;
- Опыт работы с такими языками программирования, как Python или Javascript;
- Знание принципов DevOps и MLOps;
- Владение уверенным уровнем английского языка.
Контакты для отклика и отправки резюме:
[email protected], @KaterinaJTI
#вакансия#job#ML#datascience#deeplearning#MLOps#MLEngineer#remote
Role: ML Engineer at Data Monsters
Fully remote, flexible work hours
Remuneration: $1,1-2,5K
Contact: @mipt_nz
We are seeking a highly motivated Machine Learning Developer to join our team. The successful candidate will be responsible for developing and deploying ML models to solve complex business problems. In particular, the new colleague will work on an algorithm for predicting the cost of services based on a set of factors that influence the price. The ideal candidate should be familiar with handling large datasets, have strong knowledge of Python, SQL, and experience working with NN and classical ML algorithms.
Responsibilities:
- Develop, test, and deploy ML models to solve complex business problems.
- Collect and preprocess large datasets to ensure data quality.
- Use SQL to extract data from databases, manipulate data, and perform data analysis.
- Develop and implement NN models to improve the accuracy of predictions.
- Develop, test, and implement classical ML algorithms such as linear regression, decision trees, and k-means clustering.
- Collaborate with cross-functional teams to understand business requirements and provide insights.
- Monitor and evaluate model performance and make adjustments as necessary.
- Stay up-to-date with the latest ML and data science techniques.
Requirements:
- At least 2 years of experience in ML development.
- Strong knowledge of SQL, and experience working with databases such as PostgreSQL, MySQL.
- Python and popular data science libraries such (NumPy, Pandas, Scikit-learn, etc.)
- Knowledge of NN architectures such as Convolutional NN, Recurrent NN, and Deep NN.
- Strong knowledge of basic ML algorithms (linear regression, decision trees, and k-means clustering, etc.).
- Experience with data visualization tools such as Matplotlib and Seaborn
- English speaking equivalent to at least B2.
As a plus:
- Experience with cloud-based ML platforms such as AWS or GCP and MLOps.
If you are a passionate ML developer willing to work with cutting-edge technology, and looking for a new challenge, we would love to hear from you 👍🏻
please DM @mipt_nz
#вакансия#vacancy#mlops#ml#ops#lead#fulltime#moscow
Позиция: MLOps Lead
Компания: kts.studio
Локация: Москва / Московская область
Тип: Гибрид, full-time
Офис: 150м от м. технопарк
Вилка: 350 000 - 450 000 руб
Мы - KTS, разрабатываем и внедряем собственные B2B-сервисы, автоматизируем бизнес-процессы больших компаний и стартапов.
Что нужно будет делать:
· Координировать команду (проработка, распределение задач)
· Взаимодействовать с хабами и непосредственным руководством
· Взаимодействие и постановка задач со смежными командами (системного и функционального сопровождения)
· Поддержка документации
Общий стэк:
Kubernetes, kube-vip, istio, Airflow, Spark, Seldon, Hadoop (+ Yarn)
HDFS, Cassandra, Posgresql, Kafka
Ansible, ArgoCD
Jenkins
Artifactory
VictoriaMetrics, Grafana
Grafana Loki
Что нам важно:
· Опыт управления DevOps командой
· Опыт работы в MLOps-проектах
· Крут в Kubernetes, Airflow, Spark, Hadoop, HDFS, Ansible
Большим плюсом:
· Опыт управления в MLOps проектах
· Опыт работы с GPGPU
Предлагаем:
· 1 день в неделю в офисе (на старте, далее по согласованию)
· Оформление по ТК
· Широкий бонусный пакет (дмс, спортзал и тд)
Контакт:
@idcsusema - Арсений
#вакансия#Москва#senior#mlops#ml#llmops#devops#mle
Мы - международная компания, лаборатория продуктов, где мы стремится стать лидерами в области VR/XR, web3, машинного обучения и нейронных сетей. Компания разрабатывает и внедряет революционные решения, устанавливая новые стандарты и вдохновляя на достижение невозможного в области информационных технологий.
Наша команда - это открытый, заряженный и молодой коллектив, который приветствует инновационные идеи и поддерживает инициативу и творчество наших сотрудников.
Один из приоритетных продуктов нашей компании - внутренний стартап GenAI (на ранней стадии), в который сейчас ищем Senior ML Ops. Мы запускаем целую линейку инновационных продуктов (B2B, B2C сервисы полностью на основе ИИ), которые уже влияют на эволюцию генеративного ИИ в мире.
Какие задачи вас ждут:
- Разработка с нуля MLOps для задач генерации аудиоконтента, генерации видеоконтента, исполнения LLM: среды разработки, тестирования, инференса и мониторинга моделей в различных режимах (Batch, Streaming) и использования ресурсов (CPU, GPU);
Deploy моделей в продакшн;
- Внедрение инструментов отслеживания жизненного цикла моделей и версионирования модельных артефактов (ClearML, MLFlow, DVC и т.п.);
- Развитие LLMOps-практик (эффективный инференс LLM, Diffusion Models).
Мы ждем, что вы:
- Имеете опыт работы в качестве DevOps/MLOps/MLE -Engineer не менее 2 лет;
- Имеете опыт работы с k8s, уметь разрабатывать и поддерживать сервисы в этой среде;
- Имеете опыт разработки высоконагруженных сервисов;
- Имеете опыт развертывания и использования MLOps инструментов (ClearML, DVC, MLflow и т.п.);
- Имеете опыт выстраивания CI/CD;
- Имеете опыт деплоя моделей в формате ONNX;
- Знаете принципов организации распределеаюнных информационных систем и баз данных.
Что мы предлагаем:
- Вилка: 4k$ - 5k$
- Сильная команда, с которой можно расти;
- Работа над задачами, которые до вас никто не решал;
- Возможность присоединится в компанию у самых ее истоков;
- Офис в Москва Сити;
- Гибкое начало рабочего дня (до 10:00);
- Sick days;
- Медицинская страховка;
- Реферальная программа.
По всем вопросам обращайтесь к @IraRozhnova
#релизинженер#релизинженервакансия#MLOps#DevOps#ReleaseEngineer
❇️Релиз-инженер с функцией MLOps Senior ❇️| Компания Top Selection
🔥 Мы в поиске Релиз-инженера с функцией MLOps на проектную занятость
Грейд: Senior
Ставка: от 288К до 315К
Гражданство/Локация: РФ
Загрузка: фуллтайм
Срок: долгосрочный
Оформление: только ИП ‼️
Описание: Мы создаём интеллектуальную ML - систему прогнозирования спроса, которая учитывает сезонность, промо, макро- и микроэкономические факторы, поведение клиентов и ограничения логистики.
Наш стек: GitHub/Gitlab, Jfrog Artifactory, SonarQube, Jenkins/GitlabCI , ArgoCD, Helm, Hashicorp Vault, OpenTelemetry, Grafana, Grafana Tempo, Mimir, Prometheus, Apache Spark, k8s
📝 Задачи:
* Облегчение и ускорение труда разработчиков
* Создание CI/CD пайпланов.
* Помощь в контейнеризации приложений, подготовке к доставке и развертыванию.
* Техническая консультация.
* Помощь в настройке централизованной среды разработки
* Управление релизным процессом, проведение, сопровождение релизов.
* Заведение RFC
* Проведение релизов
* Контроль работоспособности систем до, во время и после релизов.
* Актуализация технической документации.
* Управление инфраструктурой
* Поддержание работоспособности инфраструктурных сервисов.
* Настройка мониторинга сервисов.
* Контроль за утилизацией ресурсов, повышение оптимальности их использования.
* Своевременное обновление сервисов и зависимостей.
* Своевременное устранение обнаруженных уязвимостей в исходном коде и подкотрольных сервисах.
✅Требования к кандидату (+/-):
- Не менее 4 лет в роли DevOps/Release Engineer или аналогичной, с фокусом на CI/CD и релизный процесс.
- Опыт работы в проектах с ML-моделями.
СУспешное проведение релизов в production-средах, включая управление RFC и контроль работоспособности систем до/во время/после релизов.
✅Технические навыки и обязанности:
- CI/CD и релизный менеджмент: Создание и поддержка пайплайнов в Jenkins/GitLab CI; управление релизным процессом с ArgoCD и Helm; контейнеризация приложений (Docker/Kubernetes).
- Инфраструктура как код: Работа с Kubernetes (k8s), HashiCorp Vault для секретов; настройка и поддержка инфраструктуры.
- Мониторинг и observability: OpenTelemetry, Grafana (Tempo, Mimir), Prometheus; контроль утилизации ресурсов, выявление уязвимостей (SonarQube).
- Артефакты и репозитории: GitHub/GitLab, JFrog Artifactory.
- MLOps-специфика: Опыт с Apache Spark для ML-workloads; автоматизация развертывания ML-моделей, интеграция с ML-пайплайнами.
- Дополнительно: Актуализация документации, технические консультации для разработчиков, настройка централизованной dev-среды, устранение уязвимостей и обновление зависимостей.
✅Стек технологий (обязательный опыт):
- GitHub/GitLab, JFrog Artifactory, SonarQube, Jenkins/GitLab CI.
- ArgoCD, Helm, HashiCorp Vault.
- OpenTelemetry, Grafana, Grafana Tempo, Mimir, Prometheus.
- Apache Spark, Kubernetes (k8s).
По всем вопросам и с резюме пишите @aliiS_a