Эти навыки не влияют на основной грейд, но покажут полноту вашего профиля.
AI-ассистенты кодирования
▼
Использует ChatGPT/Claude для помощи в ML-задачах: отладка кода, объяснение алгоритмов, генерация boilerplate. Формулирует чёткие вопросы.
Использует LLM для ускорения ML-разработки: generation of ML configs, hyperparameter search spaces, evaluation scripts. Оценивает качество generated code.
Определяет policy использования LLM в ML-разработке. Оценивает risk/benefit. Формирует guidelines для команды.
Использует Cursor для автодополнения ML-кода: генерация data pipelines, preprocessing функций, boilerplate для экспериментов. Применяет подсказки при работе с pandas, numpy, scikit-learn. Проверяет корректность сгенерированных трансформаций данных.
Эффективно работает с Cursor в ML-проектах: генерирует feature engineering пайплайны, конфигурации экспериментов, тестовые сценарии для моделей. Использует контекст проекта (notebooks, configs) для точных подсказок. Критически оценивает предложенные архитектуры моделей.
Формирует политику использования AI-инструментов в ML-команде: что генерировать (boilerplate, configs), что требует ручной проработки (архитектуры моделей, loss functions). Оценивает влияние AI-ассистентов на скорость экспериментирования.
Использует Copilot для генерации ML-кода: boilerplate, data processing, feature engineering. Проверяет и корректирует предложения Copilot.
Использует Copilot для ускорения ML-разработки: architecture exploration, code refactoring, documentation. Настраивает Copilot instructions для ML-проекта.
Определяет policy использования Copilot в ML-команде. Оценивает impact на productivity. Настраивает Copilot workspace для ML.
CI/CD
▼
Понимает основы GitHub Actions для ML: запуск пайплайнов валидации моделей, чтение CI-логов при сбоях тестов обучения, понимание конфигурации воркфлоу для отслеживания ML-экспериментов. Следует командным конвенциям автоматизации CI ML-кода.
Настраивает CI/CD для ML: тесты, data validation, model evaluation. Использует matrix strategy для тестирования на разных Python/CUDA версиях. Кэширует ML-зависимости.
Определяет CI/CD standards для ML-организации. Проектирует ML deployment pipeline. Координирует CI/CD practices с DevOps.
Определяет ML DevOps strategy. Проектирует enterprise ML CI/CD. Оценивает CI/CD tools для ML.
Distributed Tracing
▼
Знает концепции observability и распределённой трассировки для ML-сервисов. Понимает роль OpenTelemetry в мониторинге inference-latency и throughput ML-моделей в production.
Инструментирует ML-сервисы с помощью OpenTelemetry: traces для inference pipeline, metrics для model performance. Настраивает custom spans для отслеживания preprocessing, inference и postprocessing этапов.
Проектирует observability-пайплайн для ML-платформы с OpenTelemetry Collector и custom exporters для ML-метрик. Внедряет end-to-end трассировку от feature serving через inference до response с model version tracking.
Определяет стандарты ML observability на базе OpenTelemetry с семантическими конвенциями для ML-контекста. Проектирует архитектуру мониторинга model drift, data quality и prediction confidence в production.
E2E-тестирование
▼
Понимает концепцию end-to-end тестирования и его роль в проверке ML-пайплайнов от данных до prediction. Пишет простые E2E-тесты: загрузка данных, preprocessing, inference и проверка формата ответа.
Создаёт E2E-тесты для ML-пайплайна: data ingestion, feature engineering, model training и serving. Проверяет end-to-end flow от raw data до prediction API response с validation quality metrics.
Проектирует комплексный E2E-тестовый фреймворк для ML-платформы: regression тесты моделей, integration тесты пайплайнов. Внедряет automated model validation с shadow deployment и A/B comparison testing.
Определяет стратегию E2E-тестирования ML-систем организации с покрытием training, serving и monitoring. Формирует стандарты для model release testing: performance benchmarks, fairness checks и safety evaluation.
GraphQL
▼
Понимает основы проектирования GraphQL-схем для API трекинга ML-экспериментов и реестра моделей. Пишет простые запросы для метаданных моделей, метрик обучения и информации о датасетах. Следует принятым в команде соглашениям по экспозиции состояний ML-пайплайнов через GraphQL-интерфейсы.
Проектирует GraphQL-схемы для ML-платформы: models, experiments, datasets, predictions с типизацией. Реализует resolvers с интеграцией к model registry, feature store и experiment tracker.
Разрабатывает масштабируемый GraphQL API для ML-платформы с subscriptions на статус training jobs и model deployments. Внедряет DataLoader для оптимизации batch-запросов к model metadata и metrics stores.
Определяет архитектуру GraphQL API для ML-платформы организации с federation для объединения данных из разных подсистем. Проектирует schema governance с учётом эволюции ML-платформы и backward compatibility.
gRPC
▼
Понимает основы gRPC и Protocol Buffers для коммуникации сервисов ML-пайплайнов. Читает proto-определения для оркестрации задач обучения и схем сервинга моделей. Следует принятым в команде соглашениям по определению контрактов доступа к feature store и сообщений сервиса трекинга экспериментов.
Проектирует gRPC architecture для ML serving platform. Оптимизирует serialization для ML data (tensors, embeddings). Настраивает load balancing для gRPC ML services.
Определяет gRPC strategy для ML-инфраструктуры. Проектирует service mesh для ML serving. Координирует protobuf schema evolution.
Infrastructure as Code
▼
Понимает концепцию Infrastructure as Code и базовый синтаксис Terraform. Умеет читать конфигурации для развёртывания ML-инфраструктуры: GPU-инстансы, S3 buckets для данных.
Описывает ML-инфраструктуру в Terraform: SageMaker endpoints, EMR-кластеры, GPU EC2 instances и S3 data lakes. Создаёт модули для переиспользуемых ML-окружений с настройкой IAM и VPC.
Проектирует модульную Terraform-конфигурацию для полного ML-стека: training clusters, serving infrastructure, feature store. Автоматизирует provisioning GPU-кластеров с spot instances и auto-scaling для training jobs.
Определяет стандарты IaC для ML-инфраструктуры организации с cost controls и compliance для GPU ресурсов. Проектирует self-service platform для data scientists с автоматическим provisioning ML-окружений.
Prompt Engineering
▼
Использует промпт-инжиниринг для оценки моделей и генерации датасетов. Формулирует промпты для генерации кода тренировочных пайплайнов и предобработки данных. Понимает промпт-основанные подходы к тестированию и валидации моделей.
Проектирует prompt templates для ML workflow automation. Оценивает quality промптов через metrics. Создаёт prompt libraries для ML-команды.
Определяет prompt engineering practices для ML-команды. Внедряет prompt-based automation в ML workflow. Стандартизирует подходы.
System Design
▼
Понимает базовые принципы проектирования систем и их применение к ML-инфраструктуре. Знает компоненты ML-пайплайна: feature store, training pipeline, model registry и serving infrastructure.
Проектирует ML-системы с разделением на training и serving компоненты с учётом масштабируемости. Применяет паттерны batch prediction, online inference и feature serving для типовых ML-задач.
Разрабатывает архитектуру ML-платформы с распределённым обучением, A/B тестированием моделей и canary deployment. Проектирует системы real-time inference с low-latency requirements и graceful degradation.
Определяет системную архитектуру ML-платформы организации, включая feature platform, experiment tracking и model governance. Принимает стратегические решения о trade-off между latency, cost и model quality.
Алертинг и on-call
▼
Понимает концепции SLI, SLO и SLA и их применение к ML-сервисам. Знает типичные SLI для inference: latency p50/p95/p99, throughput, error rate и model prediction quality.
Определяет SLI и SLO для ML-сервисов: inference latency, model freshness, prediction accuracy и availability. Настраивает мониторинг SLI с алертами при приближении к нарушению SLO для production моделей.
Проектирует комплексную систему SLI/SLO для ML-платформы с error budgets и automated incident response. Внедряет ML-специфичные SLI: model drift rate, data freshness, feature availability и retraining latency.
Определяет стандарты SLI/SLO/SLA для ML-сервисов организации с учётом downstream business impact. Проектирует архитектуру reliability management для ML-платформы с error budget policies и capacity planning.
Аутентификация и авторизация
▼
Понимает основы JWT/OAuth2 для ML-сервисов: API-аутентификация для эндпоинтов моделей, обмен токенов сервис-к-сервису для тренировочных пайплайнов и OAuth2 scopes для контроля доступа к данным. Следует командным практикам защиты API serving моделей и сервисов трекинга экспериментов.
Реализует OAuth 2.0 для ML-платформы: аутентификация data scientists, API keys для inference и service accounts. Настраивает scope-based авторизацию: доступ к моделям, данным и экспериментам по ролям.
Проектирует систему аутентификации ML-платформы с SSO, RBAC и fine-grained access control к моделям и данным. Внедряет token-based доступ к inference API с rate limiting и usage tracking по потребителям.
Определяет стандарты identity management для ML-экосистемы: аутентификация пользователей, сервисов и моделей. Проектирует архитектуру доступа к sensitive данным и моделям с audit trail и compliance.
Безопасность приложений
▼
Знает основные категории OWASP Top 10 и их применимость к ML-сервисам и API для моделей. Понимает угрозы для ML-систем: adversarial attacks, model poisoning и утечка обучающих данных.
Применяет рекомендации OWASP при разработке API для ML-моделей: валидация входных данных, rate limiting, защита от инъекций. Внедряет проверки безопасности для входных данных модели и pipeline обучения.
Проектирует комплексную защиту ML-платформы по OWASP ML Top 10: model security, data poisoning prevention, inference attacks. Внедряет adversarial robustness testing и differential privacy для защиты обучающих данных.
Определяет security baseline для ML-систем организации на основе OWASP ML Security и MITRE ATLAS framework. Проектирует архитектуру защиты ML pipeline: secure training, model signing и inference monitoring.
Знает основные принципы безопасного кодирования и их применение в ML-разработке. Не хардкодит API-ключи к model registries, валидирует входные данные inference-запросов.
Реализует безопасную обработку данных в ML-пайплайнах: шифрование sensitive features, управление доступом к моделям. Применяет data masking и anonymization для PII в обучающих датасетах.
Проектирует security-hardened ML-пайплайны с signed model artifacts, reproducible training и audit trail. Внедряет secure multi-party computation и federated learning для работы с конфиденциальными данными.
Определяет стандарты безопасной ML-разработки для организации: model governance, data lineage и access control. Проектирует security architecture для ML-платформы с encryption, RBAC и compliance enforcement.
Интеграционное тестирование
▼
Понимает необходимость integration тестов в ML. Тестирует end-to-end pipeline на small dataset. Проверяет что модель может быть загружена и вернуть prediction.
Пишет integration тесты для ML pipeline: data → features → model → prediction. Тестирует API endpoints с реальной моделью. Использует test datasets для consistency.
Определяет integration testing standards для ML. Проектирует test environments для ML. Координирует тестирование между ML и backend командами.
Определяет integration testing strategy для enterprise ML. Проектирует ML test infrastructure. Оценивает testing approaches.
Кэширование
▼
Понимает основы Redis для кэширования данных ML-фич и результатов инференса моделей. Читает кэшированные feature-векторы и результаты предсказаний для оптимизации сервинга реального времени. Следует рекомендациям команды по настройкам TTL кэша в соответствии с циклами обновления моделей и требованиями свежести данных.
Проектирует Redis-архитектуру для ML serving: feature lookup, prediction cache, model metadata. Оптимизирует Redis для high-throughput ML workloads. Использует Redis Cluster для масштабирования.
Определяет стратегию кэширования для ML-платформы. Проектирует cache invalidation для model updates. Координирует Redis-инфраструктуру с DevOps.
Метрики и мониторинг
▼
Просматривает дашборды в Grafana. Понимает, что такое метрики (CPU, memory, latency). Может найти нужный дашборд и проанализировать простой график.
Добавляет custom metrics в приложение (counter, gauge, histogram). Пишет PromQL-запросы для дашбордов. Создаёт Grafana dashboards. Настраивает базовые алерты (high error rate, high latency).
Проектирует observability stack для сервиса. Создаёт SLI/SLO дашборды. Пишет сложные PromQL (rate, histogram_quantile, recording rules). Настраивает Alertmanager с routing и silencing. Оптимизирует cardinality метрик. Интегрирует с PagerDuty/OpsGenie.
Многопоточность и конкурентность
▼
Понимает basics async/await в Python. Использует asyncio для асинхронных HTTP-запросов. Знает разницу между sync и async подходами для I/O-bound задач.
Определяет стандарты асинхронного программирования для ML-сервисов. Проектирует архитектуру async ML-платформы. Оценивает async vs sync для разных ML-сценариев.
Определяет архитектурную стратегию async для ML-платформы. Исследует reactive patterns для ML-систем. Формирует best practices для всей организации.
Понимает основы многопоточности для ML-работы: параллельная загрузка данных с multiprocessing/threading, базовое понимание ограничений GIL в Python, концепции параллелизма вычислений на GPU. Следует командным конвенциям конкурентной предобработки данных в пайплайнах обучения.
Определяет стратегию параллелизма для ML-платформы. Проектирует multi-worker training infrastructure. Координирует distributed ML-задачи между командами.
Определяет стратегию распределённых вычислений для ML. Проектирует GPU cluster scheduling. Оценивает novel подходы к параллельному обучению моделей.
Моделирование данных
▼
Понимает базовые принципы моделирования данных: сущности, отношения и нормализация. Знает структуры данных для хранения ML-метаданных: эксперименты, модели, датасеты и метрики.
Проектирует схемы данных для ML-платформы: feature store schema, experiment metadata, model registry и prediction logs. Применяет паттерны для версионирования данных и моделей с lineage tracking.
Разрабатывает комплексную модель данных ML-платформы с поддержкой multi-tenant, schema evolution и time-travel queries. Проектирует data contracts между producers и consumers в ML-пайплайнах.
Определяет стандарты моделирования данных для ML-экосистемы организации: feature schemas, model signatures, dataset catalogs. Проектирует unified data model для связи экспериментов, моделей и production метрик.
Облачные провайдеры
▼
Использует базовые AWS-сервисы для ML: S3 для данных, EC2 для обучения. Понимает SageMaker basics. Работает с AWS CLI для управления ML-ресурсами.
Использует AWS ML-сервисы: SageMaker для обучения, ECR для ML images, ECS/EKS для serving. Настраивает IAM для ML workloads. Использует S3 для model artifacts и data versioning.
Определяет AWS strategy для ML-платформы. Проектирует multi-account ML architecture. Оптимизирует cloud costs для ML workloads. Координирует с Cloud Engineering.
Определяет cloud strategy для enterprise ML. Оценивает multi-cloud vs single-cloud для ML. Проектирует cloud-native ML platform architecture.
ООП и паттерны проектирования
▼
Знает базовые паттерны: Factory, Strategy, Observer. Понимает, как sklearn использует паттерны (Pipeline, Transformer). Использует готовые паттерны в ML-коде.
Формирует паттерны проектирования ML-систем на уровне команды. Определяет reference architectures для типовых ML-задач. Обучает команду применению паттернов в ML-контексте.
Разрабатывает ML-specific паттерны для организации. Публикует best practices по архитектуре ML-систем. Определяет архитектурные стандарты ML-платформы.
Оптимизация БД
▼
Понимает, как индексы БД влияют на скорость загрузки данных для ML тренировочных пайплайнов. Знает базовые концепции индексирования для feature store и баз данных трекинга экспериментов. Следует командным практикам создания индексов для часто запрашиваемых таблиц метаданных моделей.
Проектирует индексные стратегии для ML data warehouses. Использует partial indexes для filtered feature extraction. Оптимизирует индексы для time-series ML-данных.
Определяет стратегию индексирования для ML-данных. Координирует с DBA оптимизацию ML workloads. Мониторит и оптимизирует неиспользуемые индексы.
Пишет эффективные SQL-запросы для извлечения данных. Избегает SELECT *. Использует LIMIT для тестирования запросов. Понимает порядок выполнения SQL.
Проектирует оптимальные SQL-стратегии для ML data extraction. Оптимизирует query plans для feature computation. Настраивает materialized views с incremental refresh.
Определяет стандарты SQL-оптимизации для ML-команды. Мониторит и оптимизирует slow queries в ML-пайплайнах. Создаёт guidelines по эффективному SQL для data scientists.
Очереди сообщений
▼
Понимает базовые концепции Kafka для ML-пайплайнов: потребление потоков тренировочных данных, инжест событий фич и базовые паттерны producer/consumer для событий предсказаний моделей. Следует командным практикам интеграции ML-сервисов с data-пайплайнами на Kafka.
Проектирует event-driven ML-архитектуру с Kafka. Использует Kafka Streams для real-time feature computation. Оптимизирует throughput для ML-данных. Настраивает schema evolution с Avro/Protobuf.
Определяет стратегию использования Kafka в ML-инфраструктуре. Проектирует event schemas для ML-данных. Координирует с data engineering по streaming pipelines.
Протоколы API
▼
Понимает протокол WebSocket и его отличия от HTTP для real-time коммуникации. Знает применение WebSocket для streaming inference и real-time обновлений статуса ML-задач.
Реализует WebSocket API для streaming inference результатов ML-моделей: token-by-token генерация LLM, progressive image generation. Настраивает heartbeat, reconnection и message buffering для надёжной доставки.
Проектирует масштабируемую WebSocket-инфраструктуру для streaming ML-inference с load balancing и session affinity. Оптимизирует latency для real-time applications: streaming ASR, real-time translation и live inference.
Определяет архитектурные стандарты WebSocket API для ML-платформы: connection management, backpressure и failover. Проектирует стратегию масштабирования real-time ML services с учётом тысяч concurrent connections.
Реляционные БД
▼
Пишет базовые SQL-запросы для извлечения данных из PostgreSQL. Загружает данные в pandas через psycopg2/SQLAlchemy. Понимает базовые JOIN и GROUP BY.
Пишет сложные SQL-запросы для feature engineering. Использует оконные функции для time-series features. Оптимизирует запросы с EXPLAIN. Создаёт materialized views для feature computation.
Определяет стратегию использования PostgreSQL в ML-инфраструктуре. Проектирует data architecture для ML metadata. Координирует с DBA по оптимизации ML workloads.
Определяет data storage strategy для ML-платформы. Оценивает PostgreSQL vs специализированные ML stores. Проектирует data architecture для enterprise ML.
Сети
▼
Знает базовые сетевые протоколы: TCP/IP, HTTP, DNS и их роль в работе ML-сервисов. Понимает влияние сетевой задержки на latency inference и throughput distributed training.
Настраивает сетевое взаимодействие ML-сервисов: gRPC для inference, NCCL для distributed training, S3 для данных. Оптимизирует network throughput для загрузки больших датасетов и обмена градиентами.
Проектирует сетевую архитектуру ML-кластера с RDMA и InfiniBand для high-performance distributed training. Оптимизирует data loading pipeline с prefetching, caching и parallel data transfer между storage и GPU.
Определяет сетевую архитектуру ML-инфраструктуры организации с учётом требований к bandwidth для training и inference. Проектирует network topology для GPU-кластеров с минимизацией latency при all-reduce операциях.
Системы типов
▼
Понимает концепцию типобезопасности и её значение для надёжности ML-кода. Использует type hints в Python для аннотации функций preprocessing и типов features в ML-пайплайнах.
Применяет строгую типизацию в ML-коде: Pydantic models для API schemas, typed dataclasses для features. Создаёт type-safe интерфейсы для model inference с валидацией input/output schema.
Проектирует type-safe ML-пайплайны с runtime validation через Pandera для DataFrames и Great Expectations для данных. Внедряет generic типы для переиспользуемых компонентов: transformers, encoders, validators.
Определяет стандарты типобезопасности для ML-кодовой базы организации с mypy strict mode и pre-commit hooks. Проектирует type-safe SDK для ML-платформы с compile-time проверкой конфигураций экспериментов.
Управление API
▼
Читает и понимает документацию ML-фреймворков: PyTorch, TensorFlow, scikit-learn и inference-серверов. Документирует API своих ML-моделей с описанием входных/выходных формат и ограничений.
Создаёт документацию для ML-сервисов: описание model API, формат features, schema prediction response. Документирует model cards с метриками, ограничениями и intended use для каждой модели.
Разрабатывает стандарты документирования ML-платформы: API reference, model catalog, experiment tracking guides. Создаёт developer portal для ML-платформы с интерактивной документацией и SDK-примерами.
Определяет стратегию документирования ML-экосистемы для различных аудиторий: data scientists, engineers, product managers. Организует documentation-as-code процесс с автогенерацией model cards и API docs.
Управление памятью
▼
Понимает базовые концепции управления памятью: стек, куча, сборка мусора и утечки памяти. Знает проблемы OOM при работе с большими датасетами и моделями в ML-пайплайнах.
Оптимизирует использование памяти в ML-коде: lazy loading данных, batch processing, memory-mapped files. Управляет GPU-памятью: gradient checkpointing, mixed precision и dynamic batch sizing.
Проектирует memory-efficient ML-пайплайны для работы с терабайтными датасетами и мультимодальными моделями. Оптимизирует GPU memory для inference: model quantization, KV-cache optimization и tensor parallelism.
Определяет стандарты управления памятью для ML-инфраструктуры: GPU memory budgets, OOM prevention и monitoring. Проектирует архитектуру memory management для distributed training с unified memory across nodes.
Фоновые задачи
▼
Понимает основы Celery/Dramatiq для фоновых задач. Использует очереди для batch prediction. Знает разницу между sync inference и async batch processing.
Проектирует task queue architecture для ML workloads. Оптимизирует worker pools для CPU/GPU задач. Настраивает autoscaling workers на основе queue depth.
Определяет стратегию async ML processing. Оценивает Celery vs Dramatiq vs Ray для ML workloads. Проектирует task orchestration для ML-платформы.