Middle ML Engineer Personalisation
Сильный бренд «Детский мир», прозрачная вилка зарплаты от 250к и работа над реальным продуктом с A/B-тестами делают вакансию очень привлекательной для Middle-специалиста.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Позиция требует уверенных знаний в области рекомендательных систем и умения работать с A/B-тестами. Уровень Middle предполагает наличие практического опыта внедрения моделей в продакшн.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Предложенная зарплата от 250 000 ₽ соответствует рыночному уровню для Middle ML-инженера в России, где медиана составляет около 280 000 - 300 000 ₽ для опытных специалистов. Нижняя граница в 250к является хорошим стартом для данного грейда.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
от 250 000 ₽/месяц
Удаленка или офис, Фултайм
Ищем ML-инженера уровня Middle в команду персонализации «Детского мира». Вы будете развивать товарные и пользовательские рекомендации, персональную ленту и механики в приложении, а эффект от новых моделей проверять в A/B-тестах...(Откликнуться)
**⚠️ Будьте внимательны: иногда мошенники маскируют свои схемы под вакансии реальных компаний, никому не передавайте доступ к своим аккаунтам или устройствам.
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- A/B Testing
- Python
- Machine Learning
- Recommender Systems
Возможные вопросы на собеседовании
Персонализация — ключевая задача вакансии. Важно понимать, какие подходы кандидат считает наиболее эффективными.
Какие алгоритмы рекомендаций (коллаборативная фильтрация, контентные подходы, гибридные модели) вы бы использовали для товарной ленты в ритейле?
В описании указано, что эффект проверяется через A/B-тесты. Кандидат должен уметь оценивать качество моделей.
Как вы проектируете A/B-тесты для ML-моделей и какие метрики (бизнес и прокси) считаете ключевыми для оценки рекомендаций?
ML-инженер должен не только обучать модели, но и понимать, как они работают под нагрузкой.
Расскажите о вашем опыте вывода ML-моделей в продакшн: как вы обеспечиваете низкую задержку (latency) при генерации рекомендаций?
В ритейле часто возникает проблема новых товаров или пользователей.
Как вы решаете проблему «холодного старта» для новых товаров в системе рекомендаций?
Важно понимать технический стек кандидата.
С какими инструментами для работы с большими данными и ML-фреймворками вы работали (например, PyTorch, CatBoost, Spark)?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

