Что должен уметь Lead }

Проводит ревью алгоритмических решений в ML-пайплайнах команды, оценивает вычислительную сложность этапов feature engineering и предобработки данных. Определяет допустимые пороги латентности для inference-сервисов и оптимизирует батчевые пайплайны обучения моделей с учётом O-сложности операций над большими датасетами.

Устанавливает стандарты асинхронного программирования в MLOps-сервисах команды: asyncio для inference API, конкурентная загрузка данных в training pipeline, неблокирующая запись метрик в Prometheus. Ревьюит корректность обработки конкурентных запросов к model serving и параллельного запуска экспериментов в Kubeflow.

Внедряет стандарты качества кода для MLOps-команды: линтинг Python через ruff/flake8, типизация через mypy, форматирование через black. Определяет правила code review для ML-пайплайнов с акцентом на воспроизводимость экспериментов, версионирование данных через DVC и корректность конфигураций Kubeflow/Airflow DAG.

Внедряет паттерны проектирования MLOps-систем в команде: Strategy для выбора алгоритмов обучения, Pipeline для композиции этапов обработки, Observer для мониторинга дрифта моделей. Стандартизирует подходы к построению переиспользуемых компонентов ML-пайплайнов через Kubeflow Components и Airflow Operators.

Формирует командные стандарты проектирования ML-компонентов: абстракции для DataLoader, Transformer, Model через наследование и интерфейсы. Ревьюит архитектуру Python-модулей на соответствие SOLID — единая ответственность для этапов пайплайна, инверсия зависимостей для подключаемых бэкендов хранилищ и трекеров экспериментов.

Определяет стандарты выбора структур данных для ML-инфраструктуры команды: колоночные форматы для feature store, эффективные представления разреженных матриц, оптимальные индексы для поиска по эмбеддингам. Ревьюит реализации кэширования признаков и буферизации батчей в serving-сервисах.

Определяет архитектуру событийного взаимодействия в MLOps-инфраструктуре команды: топики для model events (deployed, retrained, degraded), потоки feature updates для онлайн-serving. Стандартизирует Avro/Protobuf-схемы для ML-событий и настраивает Kafka Connect для интеграции с feature store и experiment tracker.

Определяет архитектуру serving-слоя для ML-моделей команды: выбор между FastAPI, Triton Inference Server и BentoML. Стандартизирует паттерны построения inference API — версионирование моделей через URL, A/B-тестирование через заголовки, shadow mode для канареечного деплоя новых версий.

Определяет стратегию кэширования для MLOps-сервисов команды: Redis как онлайн feature store для real-time serving, кэширование embedding-ов и промежуточных результатов пайплайнов. Стандартизирует подходы к инвалидации кэша при переобучении моделей и обновлении feature pipeline.

Определяет стратегию хранения ML-артефактов для команды: структура бакетов для model registry, feature store snapshots и experiment artifacts. Стандартизирует конвенции именования, настраивает cross-region репликацию для DR и оптимизирует стоимость хранения через intelligent tiering для редко используемых моделей.

Определяет архитектуру асинхронной обработки для MLOps-команды: Celery/RQ для лёгких задач, Kubeflow Pipelines для тяжёлых training workflows. Стандартизирует паттерны retry и backoff для GPU-задач обучения, настраивает мониторинг очередей и алертинг на зависшие ML-задачи через Flower и Prometheus.

Определяет стандарты индексирования для всех баз данных MLOps-инфраструктуры команды: политики создания индексов для metadata store, feature catalog и prediction logs. Проводит регулярный аудит индексов, удаляет неиспользуемые и создаёт покрывающие индексы для критичных запросов мониторинга моделей.

Определяет стандарты использования PostgreSQL в MLOps-инфраструктуре команды: схемы для хранения результатов экспериментов, метрик моделей и lineage-данных. Проектирует архитектуру баз данных для MLflow backend store, настраивает репликацию для отказоустойчивости metadata-сервисов и оптимизирует производительность при высокой частоте записи метрик.

Определяет стандарты использования gRPC в ML-инфраструктуре команды: единые proto-определения для inference API, стандартизация error handling и metadata. Внедряет gRPC-interceptor-ы для логирования предсказаний, сбора метрик латентности и трейсинга запросов через OpenTelemetry в цепочке ML-сервисов.

Определяет стандарты проектирования ML API для команды: единые контракты для inference endpoints, стандартизация форматов запросов/ответов для разных типов моделей. Внедряет API-first подход к разработке MLOps-сервисов, определяет политики версионирования и deprecation для model serving API.

Определяет политики безопасности контейнеров для MLOps-инфраструктуры команды: стандарты сканирования, допустимые уровни CVE для production inference. Внедряет регулярный аудит ML-образов, настраивает автоматический патчинг базовых образов и контролирует compliance для контейнеров с доступом к training данным и GPU-ресурсам.

Определяет стратегию использования AWS для MLOps-команды: выбор между SageMaker и self-managed Kubeflow на EKS, стандарты безопасности для ML-данных. Управляет бюджетом GPU-ресурсов, внедряет таги для cost allocation по ML-проектам и настраивает AWS Organizations для разделения training и production аккаунтов.

Определяет стандарты контейнеризации для MLOps-команды: единые базовые образы с предустановленными ML-фреймворками, политики обновления CUDA-драйверов и Python-версий. Внедряет автоматическую сборку и тестирование ML-образов в CI/CD, стандартизирует Docker best practices для reproducible training environments.

Определяет инфраструктурную стратегию с Helm. Формирует стандарты IaC. Проводит architecture review. Оптимизирует FinOps.

Определяет инфраструктурную стратегию с Kubernetes Advanced. Формирует стандарты IaC. Проводит architecture review. Оптимизирует FinOps.

Определяет стандарты использования Kubernetes для MLOps-команды: namespace-стратегия для разделения training/staging/production, ресурсные квоты для GPU-нагрузок. Внедряет GitOps для управления ML-инфраструктурой, стандартизирует деплой моделей через Seldon Core или KServe и настраивает мониторинг K8s-кластера с фокусом на ML-метрики.

Определяет стандарты Infrastructure as Code для MLOps-команды: библиотека Terraform-модулей для типовых ML-компонентов, политики review для изменений инфраструктуры. Внедряет Terraform Cloud/Atlantis для collaborative IaC, настраивает Sentinel policies для контроля стоимости GPU-инстансов и compliance ML-инфраструктуры.

Определяет стратегию GitOps на базе ArgoCD для ML-платформы организации и инфраструктуры доставки моделей. Формирует стандарты для пайплайнов деплоя моделей, governance провижининга ML-ресурсов и интеграции с системами трекинга ML-экспериментов. Проводит архитектурные ревью паттернов деплоя ML и продвигает внедрение воспроизводимых практик доставки моделей.

Определяет стандарты CI/CD для MLOps-команды в GitHub Actions: обязательные этапы пайплайна (lint, test, model validation, security scan, deploy), шаблоны для типовых ML-проектов. Внедряет метрики CI/CD — время сборки ML-образов, частота деплоев моделей, процент откатов — и оптимизирует стоимость GPU-runners.

Определяет DevOps-стратегию с GitLab CI/CD Advanced. Формирует стандарты CI/CD. Внедряет platform engineering подходы.

Определяет стандарты интеграционного тестирования для MLOps-команды: обязательные smoke-тесты перед деплоем моделей, тестовые среды с реалистичными данными. Внедряет staging-окружение для ML-пайплайнов с полным набором сервисов, настраивает автоматический прогон интеграционных тестов при каждом обновлении модели или инфраструктуры.

Определяет стандарты нагрузочного тестирования для MLOps-команды: SLA для латентности inference по типам моделей, обязательные тесты перед production rollout. Внедряет регулярное performance-тестирование ML-сервисов в CI/CD, настраивает автоматические алерты при деградации и определяет бенчмарки для сравнения версий моделей по производительности.

Определяет стандарты тестирования для MLOps-команды: минимальное покрытие для feature engineering кода, обязательные тесты для model serving endpoints, шаблоны тестов для Kubeflow-компонентов. Внедряет культуру тестирования ML-кода, настраивает coverage gates в CI/CD и определяет подходы к тестированию недетерминированных ML-компонентов.

Определяет стандарты мониторинга моделей для MLOps-команды: обязательные метрики для каждого типа модели, SLA на качество предсказаний, процедуры реагирования на drift. Внедряет культуру ML observability — дашборды для стейкхолдеров, автоматические отчёты о здоровье моделей и runbook для инцидентов с деградацией качества.

Определяет стандарты experiment tracking для MLOps-команды: обязательные метаданные для каждого эксперимента, таксономия тегов и naming conventions. Внедряет процессы review экспериментов перед production deployment, настраивает автоматические отчёты о результатах и обеспечивает связь между экспериментами, PR в Git и деплойментами модели.

Определяет стратегию Feature Stores на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию ML-пайплайны на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стандарты использования MLflow в MLOps-команде: обязательные метрики и теги для каждого эксперимента, конвенции именования, структура projects. Внедряет best practices для организации экспериментов — parent/child runs для hyperparameter tuning, nested runs для ensemble-моделей, стандартизирует MLflow Projects для воспроизводимости обучения.

Определяет стратегию model serving для MLOps-команды: стандартный стек (KServe/Seldon Core на Kubernetes), паттерны деплоя (canary, shadow, blue-green). Внедряет единый процесс выкатки моделей с обязательными проверками качества, настраивает мониторинг SLA по латентности и определяет runbook для инцидентов с inference-сервисами.

Определяет стандарты использования AI-ассистентов в MLOps-команде: рекомендации по эффективным промптам для ML-кода, политики проверки сгенерированного кода. Внедряет best practices — обязательный review AI-сгенерированных конфигураций инфраструктуры, запрет на прямой коммит без проверки, обучение команды эффективному использованию Copilot для MLOps.

Определяет стандарты кастомных метрик для MLOps-команды: ML-специфичные метрики (prediction_confidence, feature_freshness, model_staleness), бизнес-метрики привязанные к моделям. Внедряет единую библиотеку метрик для inference-сервисов, стандартизирует labels и naming conventions для Prometheus и настраивает composite алерты на деградацию ML-систем.

Определяет стандарты логирования для MLOps-команды: обязательные поля для inference logs (model_version, features_hash, prediction_confidence), retention-политики. Внедряет единый logging SDK для ML-сервисов, настраивает алертинг на аномалии в логах предсказаний и обеспечивает compliance-требования для аудита ML-решений.

Определяет стандарты distributed tracing для MLOps-команды: обязательные spans для inference pipeline, стандартные атрибуты (model.version, prediction.confidence, feature.freshness). Внедряет OTel SDK как часть inference framework, настраивает trace-based алертинг на аномалии и обеспечивает end-to-end visibility для всех ML-запросов в production.

Определяет стандарты мониторинга для MLOps-команды: обязательные метрики для каждого inference-сервиса, стандартные дашборды, политики алертинга. Внедряет SLI/SLO framework для ML-сервисов, настраивает on-call процессы для инцидентов с моделями и обеспечивает visibility метрик модели для data science и product teams.

Определяет стандарты code review для MLOps-команды: чеклисты для разных типов PR (training pipeline, inference service, infrastructure), SLA на время review. Внедряет культуру конструктивного review ML-кода, настраивает CODEOWNERS для критичных компонентов и обучает команду проведению эффективных ревью с фокусом на ML-специфичные аспекты.

Определяет стандарты работы с Git для MLOps-команды: branching model для ML-проектов, конвенции коммитов для training code и infrastructure. Внедряет Git best practices для ML — обязательный review для изменений пайплайнов, защита main-ветки, автоматические проверки в pre-commit hooks для ML-кода и конфигураций Kubeflow/Airflow.