Machine Learning Engineer
Отличная вакансия для опытных инженеров с фокусом на современный стек (Databricks, MLflow). Четкие требования, удаленный формат работы в часовых поясах Америки и работа в известной технологической компании делают предложение очень привлекательным.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Высокая сложность обусловлена необходимостью глубоких знаний в MLOps, включая оркестрацию в Databricks и построение Feature Store. Требуется опыт работы на стыке ML и системной инженерии (CI/CD, A/B тестирование).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Указанная роль Machine Learning Engineer уровня Senior на рынке США и Канады обычно оплачивается в диапазоне $150k-$210k в год. Для Латинской Америки ставки могут быть ниже, но Lumenalta как глобальная компания часто предлагает конкурентоспособные условия выше локальных рынков.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
Published time: 2026-11-17
Company name: Lumenalta
Title: Machine Learning Engineer
Grades: middle+, senior
Job description: Build MLOps infrastructure at Lumenalta: MLflow-based experiment tracking and model registry, Feature Store pipelines, model deployment with A/B testing and rollback, CI/CD for ML workflows, and distributed training orchestration on Databricks.
Location: United States, Canada, Latin America
Anywhere: No
Remote: Yes
Forbidden locations: Outside the Americas
Tags:
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- A/B Testing
- Python
- PyTorch
- CI/CD
- MLOps
- Databricks
- MLflow
- Feature Store
Возможные вопросы на собеседовании
Роль сфокусирована на инфраструктуре, поэтому важно понимать опыт кандидата с конкретными инструментами трекинга.
Расскажите о вашем опыте настройки MLflow для отслеживания экспериментов и управления реестром моделей в распределенной команде.
Вакансия требует навыков работы с Databricks для обучения моделей.
Как вы подходите к оптимизации ресурсов и управлению зависимостями при оркестрации распределенного обучения на платформе Databricks?
Упоминается внедрение Feature Store, что является продвинутой практикой MLOps.
Какие архитектурные подходы вы использовали для построения Feature Store пайплайнов, обеспечивающих консистентность данных между обучением и инференсом?
Безопасное развертывание — критическая часть описания вакансии.
Опишите ваш процесс реализации стратегий A/B тестирования и механизмов автоматического отката (rollback) для ML-моделей в продакшене.
Вакансия предполагает уровень Senior/Middle+.
С какими основными трудностями вы сталкивались при внедрении CI/CD для ML-проектов и как вы их решали?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

