ML-инженер

Что предстоит делать

Ищем ML-инженера, который умеет не просто обучать модели, а доводить их до production: от данных и feature engineering до деплоя, мониторинга и улучшения качества в реальных системах. Что будет в работе • Разработка и развитие ML-моделей: классические ML (классификация, регрессия, ранжирование), deep learning, NLP. • Проектирование и реализация end-to-end ML-пайплайнов: от данных и feature engineering до обучения, валидации и деплоя. • Работа с данными: ETL/ELT, подготовка датасетов, feature store, работа с большими объёмами данных. • Деплой моделей в production: Docker, Kubernetes, REST/gRPC API, batch/online inference. • Настройка MLOps: MLflow/W&B, версионирование моделей и данных, CI/CD/CT, автоматизация переобучения. • Мониторинг моделей в production: метрики качества, latency, throughput, data/model drift, алертинг. • Участие в архитектурных решениях: выбор подходов, оценка trade-off’ов, влияние на стабильность и масштабируемость системы. • Взаимодействие с data scientists, инженерами, аналитиками и бизнес-стейкхолдерами. Что важно • Коммерческий опыт в ML/ML Engineering от 3 лет, уровень Middle+ / Senior. • Уверенное владение Python:pandas, NumPy, scikit-learn, PyTorch или TensorFlow. • Опыт построения и деплоя ML-моделей в production (не только Jupyter/прототипы). • Понимание классического ML: supervised learning, feature engineering, валидация, метрики качества. • Опыт работы с данными: SQL, ETL/ELT, Spark/Databricks (желательно), работа с большими датасетами. • Опыт работы с Docker, базовое понимание Kubernetes, CI/CD (GitLab CI, GitHub Actions). • Опыт настройки MLOps: MLflow/W&B, версионирование моделей/данных, автоматизация пайплайнов (Airflow, Kubeflow, Databricks Workflows). • Понимание мониторинга моделей в production: метрики, drift detection, алертинг, retraining. • Умение работать автономно, брать задачу целиком и доводить до результата. • Умение переводить бизнес-требования в технические решения и аргументировать свой выбор. Будет плюсом • Опыт работы с LLM/GenAI: RAG, embeddings, vector databases (FAISS, Milvus, pgvector), prompt engineering, fine-tuning (LoRA) • Практика LLMOps: MLflow, Langfuse, LangSmith, Weights & Biases, evaluation harnesses (Ragas, DeepEval) • Опыт работы с agentic systems: LangGraph, CrewAI, multi-agent workflows • Опыт работы с облачными ML-платформами: AWS SageMaker, Azure ML, Vertex AI • Опыт работы с feature stores (Feast, Tecton), model registries, A/B testing, canary deployments • Знание паттернов MLOps: CI/CD/CT, drift detection, rollback, monitoring (Prometheus, Grafana, Evidently, Arize) • Английский язык для работы с зарубежной документацией, командами и стейкхолдерами. Английский • Для проектов без английского язык не требуется. • Для европейских и американских проектов нужен английский от B2+. Процесс • Короткое общение с рекрутером. • Техническое интервью / TechCertify-скрининг. • Передача на подходящие проекты клиентам. Если вам близок инженерный подход к ML, нравится не просто «обучать модели», а доводить их до production и влиять на реальные продукты - будем рады пообщаться.