- Зарплата
- до 2 500 $
Откликайтесь
на вакансии с ИИ
Machine Learning Engineer
Оценка ИИХорошая вакансия для перехода из Junior в Middle с четким фокусом на инженерную составляющую ML. Предлагается конкурентная зарплата в долларах и работа с современным стеком (LLM, RAG).
Сложность вакансии
Оценка ИИПозиция требует уверенного владения Python и ML-фреймворками, а также понимания инфраструктурных инструментов (Docker, Airflow). Основная сложность заключается в необходимости совмещать навыки разработки и MLOps.
Анализ зарплаты
Оценка ИИПредложенная зарплата до $2500 gross соответствует рыночному уровню для специалистов уровня Junior+/Middle- в международном сегменте. Это конкурентное предложение, учитывая возможность работы с передовыми технологиями.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Отправьте свое резюме @tetanec1 и начните карьеру в области production ML уже сегодня!
Описание вакансии
#вакансия #MachineLearning #MLEngineer #Python #AI
Добрый день!
Junior+ / Middle- ML Engineer.
ЗП: до 2500$ гросс
Появилась новая позиция — Machine Learning Engineer.
Ищем инженера, который будет работать на стыке Machine Learning и Software Engineering: участвовать в разработке ML-пайплайнов, помогать выводить модели в production, заниматься контейнеризацией, интеграцией, мониторингом и поддержкой ML-сервисов.
Роль хорошо подойдет специалисту с сильной базой в Python и Machine Learning, который уже работал с ML-фреймворками и хочет глубже развиваться в направлении production ML / MLOps.
Основные задачи:
▪️ Участвовать в разработке и поддержке data pipelines для ML-моделей.
▪️ Помогать с deployment, containerization и интеграцией ML-моделей в production-среду.
▪️ Работать вместе с Senior ML Engineers, Data Scientists и разработчиками.
▪️ Писать чистый и тестируемый код, участвовать в code review.
▪️ Помогать настраивать monitoring и logging ML-сервисов и поддерживать их надежность.
▪️ Разбираться с проблемами в ML pipelines и deployment-инфраструктуре.
▪️ Участвовать в разработке PoC для новых ML-фичей.
Что важно:
▪️ От 2 лет коммерческого опыта в роли Software Engineer, ML Engineer, Data Scientist или Data Engineer.
▪️ Хорошее знание Python.
▪️ Понимание основных алгоритмов Machine Learning и методов preprocessing данных.
▪️ Практический опыт с одним или несколькими ML-фреймворками: PyTorch, TensorFlow, Keras.
▪️ Базовый hands-on опыт с Docker.
▪️ Опыт или знакомство с cloud environments: AWS, Azure или GCP.
▪️ Понимание workflow orchestration tools — например, Airflow, Kubeflow или Argo.
▪️ Знание принципов software testing, CI/CD и code quality.
▪️ Хороший английский — это обязательное требование.
▪️ Bachelor’s или Master’s degree в Computer Science или смежной области.
Будет плюсом:
▪️ Знакомство с LLM frameworks — LangChain, LangGraph или LlamaIndex.
▪️ Понимание RAG-архитектур.
▪️ Опыт или знания в области NLP.
▪️ Понимание принципов ML monitoring и инструментов вроде DataDog или Langfuse.
▪️ Cloud-сертификации AWS или других провайдеров.
Ищем человека, который быстро погружается в новые задачи, комфортно работает в динамичной среде и хочет развиваться не только в моделях, но и в их полноценном production lifecycle.
Интересно будет пообщаться? Пишите в тг: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- AWS
- Azure
- Python
- GCP
- PyTorch
- Machine Learning
- CI/CD
- NLP
- Docker
- Airflow
- TensorFlow
- Kubeflow
- LangChain
- Datadog
- LangGraph
- LlamaIndex
- Argo
- Keras
Возможные вопросы на собеседовании
Проверка практического опыта работы с контейнеризацией ML-решений.
Расскажите, как вы упаковывали ML-модель в Docker-контейнер и с какими сложностями при оптимизации образа сталкивались?
Оценка понимания жизненного цикла модели и инструментов автоматизации.
Какой инструмент оркестрации (Airflow, Kubeflow) вы предпочитаете и почему он важен для ML-пайплайнов?
Проверка навыков обеспечения качества кода в контексте ML.
Как вы подходите к тестированию ML-кода и данных? Какие типы тестов вы считаете обязательными для production?
Оценка знаний в области современных LLM-технологий, указанных в плюсах.
В чем разница между обычным поиском и RAG-архитектурой при работе с LLM?
Проверка навыков мониторинга и поддержки систем.
