Откликайтесь
на вакансии с ИИ
Инженер по машинному обучению (ML Engineer)
Оценка ИИОтличная вакансия для Senior-специалиста, желающего получить опыт создания отдела с нуля (Greenfield project). Компания предлагает расширенный соцпакет (отпуска, обучение, спорт) и работу в международном контексте, несмотря на удаленный формат.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена необходимостью строить направление с нуля, включая MLOps и архитектуру на on-premise серверах. Требуется не только сильный технический стек (CatBoost, ClickHouse), но и глубокая математическая база для работы со специфическими распределениями данных.
Анализ зарплаты
Оценка ИИВ вакансии не указан точный уровень оплаты, однако для позиции Senior ML Engineer в международном холдинге с задачами по созданию направления с нуля рыночная вилка обычно начинается от 450 000 рублей. Предложенные условия по отпускам и компенсациям соответствуют топовому уровню IT-рынка.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Trafmasters уже сейчас
Присоединяйтесь к TRAFMASTERS и постройте ML-направление с нуля в международном холдинге!
Описание вакансии
#вакансия #ML #Remote #Senior
Должность: Инженер по машинному обучению (ML Engineer)
Компания: TRAFMASTERS (международный холдинг полного цикла, специализирующийся на digital- и performance-маркетинге)
Формат работы: Полностью удаленный (работа в защищенной инфраструктуре через WDS/RDS)
Режим занятости: Полная занятость
Компания TRAFMASTERS занимается созданием комплексных экосистем для управления трафиком в высоконагружных сегментах рынка. В настоящее время мы ищем самостоятельного специалиста по машинному обучению для создания ML-направления с нуля и проектирования архитектуры на наших серверах локального размещения (on-premise).
Основные обязанности:
• Проектирование ML-систем и процессов MLOps с нуля.
• Разработка моделей прогнозирования поведения пользователей (LTV, будущие депозиты, GGR/NGR, оценка финансовых рисков).
• Обработка больших объемов данных и выполнение сложных запросов в ClickHouse.
• Проведение стохастического моделирования (метод Монте-Карло) для оценки различных сценариев.
• Инкапсуляция решений в высокопроизводительные API (FastAPI/Flask) и автоматизация пайплайнов (Airflow/Prefect, MLflow, Docker).
Требования к кандидату:
• Опыт работы в сфере ML Engineering / Data Science не менее 3 лет с успешным выводом моделей в промышленную эксплуатацию.
• Уверенное владение Python, CatBoost, LightGBM и SQL (ClickHouse).
• Глубокие знания математического аппарата (теория вероятностей, математическая статистика, понимание законов распределения, работа с искаженными данными и распределениями с тяжелыми хвостами).
• Понимание специфики отраслей iGaming, FinTech и E-commerce (метрики LTV, Churn, Retention) будет являться значительным преимуществом.
Условия и преимущества:
• 26 дней ежегодного оплачиваемого отпуска и 26 дней оплачиваемого больничного.
• Дополнительные корпоративные праздники и дни для семьи.
• Курсы английского языка, частичная компенсация подписки MultiSport и медицинского страхования.
👋 Для отклика свяжитесь здесь: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- CatBoost
- LightGBM
- SQL
- ClickHouse
- FastAPI
- Flask
- Airflow
- Prefect
- MLflow
- Docker
- MLOps
- Monte Carlo Method
Возможные вопросы на собеседовании
Вакансия предполагает создание MLOps процессов с нуля. Важно понять, как кандидат будет организовывать жизненный цикл модели.
Расскажите, как бы вы спроектировали архитектуру MLOps для работы на on-premise серверах, учитывая необходимость автоматизации через Airflow и MLflow?
В описании указаны специфические метрики (GGR/NGR, LTV). Вопрос проверяет понимание бизнес-логики и работы с искаженными данными.
Как вы подходите к моделированию LTV в условиях распределений с 'тяжелыми хвостами', характерных для iGaming и FinTech?
ClickHouse является основным инструментом для работы с данными в этой роли.
Какие техники оптимизации запросов в ClickHouse вы используете при обработке миллиардов строк для подготовки признаков (feature engineering)?
Упоминание метода Монте-Карло в вакансии указывает на задачи по оценке рисков.
Приведите пример задачи, где вы использовали стохастическое моделирование для оценки финансовых рисков или прогнозирования сценариев.
Роль предполагает инкапсуляцию решений в API.
Как вы обеспечиваете высокую производительность и низкую задержку (latency) при деплое тяжелых градиентных бустингов через FastAPI?
Похожие вакансии
Python разработчик (DWH/Data Engineering)
Data Scientist Middle+, Senior
Data Scientist
Middle+ Data инженер
Senior ML/LLM Инженер
MlOps-DataOps разработчик
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!