Data Scientist в команду автомодерации
Оценка ИИАвито — один из сильнейших работодателей в РФ с развитой инженерной культурой. Вакансия предлагает работу с передовым стеком (LLM, VLM) и прозрачные условия удаленки/гибрида.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованиями к полному циклу разработки (от данных до продакшена) и глубокой экспертизе в современных методах работы с LLM/VLM (LoRA, PEFT, vLLM).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИКомпания не указывает зарплату в вакансии, однако для Senior/Lead Data Scientist в Москве рыночный диапазон составляет 350,000–550,000 рублей. Авито обычно предлагает конкурентные зарплаты на уровне или выше медианы рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Data Scientist в команду автомодерации Авито
*💰*По итогам собеседования
*📌*Условия и бонусы:
Фултайм, удаленно или гибрид (МСК).
*📌*Мы ждем, что вы:
– умеете проводить полный цикл ML-разработки: от работы с данными и моделью до продакшена, мониторинга и проверки влияния с помощью A/B-тестов или эквивалентных подходов;
– имеете большой опыт в NLP или значимый опыт вывода и сопровождения моделей в продакшене;
– работали с LLM в прикладных задачах и умеете проверять качество решений на данных;
– дообучали LLM и VLM, работали с LoRA, PEFT и оптимизацией инференса, например с vLLM;
– уверенно владеете Python и DS-стеком: NumPy, pandas, scikit-learn, CatBoost или аналогами, умеете работать с DL-фреймворками, например PyTorch.
*✍🏼*Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- NumPy
- Pandas
- Scikit-learn
- CatBoost
- PyTorch
- NLP
- LLM
- VLM
- LoRA
- PEFT
- vLLM
- A/B Testing
Возможные вопросы на собеседовании
Проверка практического опыта оптимизации моделей для работы под высокой нагрузкой.
Расскажите о вашем опыте работы с vLLM: какие преимущества это дало и с какими сложностями при оптимизации инференса вы сталкивались?
Оценка понимания современных методов эффективного дообучения моделей.
В каких случаях вы бы предпочли использование LoRA/PEFT вместо полного дообучения (Full Fine-tuning) для задач модерации текста?
Проверка навыков оценки качества моделей в реальных бизнес-задачах.
Как вы выстраиваете процесс валидации качества LLM-решений, если стандартных метрик недостаточно для специфики модерации?
Оценка инженерной зрелости кандидата и понимания жизненного цикла модели.
Опишите ваш подход к мониторингу ML-моделей в продакшене: на какие метрики (технические и продуктовые) вы ориентируетесь в первую очередь?
Проверка мультимодального опыта, важного для модерации объявлений с фото.
Был ли у вас опыт работы с VLM (Vision Language Models)? Какие архитектуры вы использовали для анализа связки текст-изображение?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
