- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Middle / Senior ML Developer
Оценка ИИПозиция предлагает работу с современным и востребованным стеком (Kubeflow, Feature Stores, Triton). Удаленный формат работы из РФ является плюсом, однако отсутствие указанной вилки зарплаты и названия компании снижает прозрачность предложения.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена широким стеком технологий: от глубокого обучения и обработки больших данных до DevOps-навыков (K8s, CI/CD) и мониторинга моделей. Требуется не просто знание алгоритмов, а серьезный инженерный опыт вывода моделей в продакшн.
Анализ зарплаты
Оценка ИИДля позиций Middle/Senior ML Engineer на российском рынке зарплаты обычно находятся в диапазоне от 250 000 до 500 000 рублей. Данная вакансия требует обширных навыков в MLOps, что может позволить претендовать на верхнюю границу рынка. Проекты с использованием Kubernetes и распределенного обучения традиционно оплачиваются выше среднего.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Отправьте свой профиль в LinkedIn, чтобы присоединиться к команде и внедрять передовые ML-решения в продакшн!
Описание вакансии
Middle / Senior ML Developer
#MiddleMLDeveloper #SeniorMLDeveloper #MLDeveloper #Senior #Middle #Удаленно #РФ
Требования:
От 3-х лет в роли ML Engineer либо на смежной позиции (например, Data Scientist с выраженным инженерным уклоном). Продвинутый уровень программирования на Python: написание чистого и модульного кода, работа с типизацией и асинхронным программированием. Уверенное владение библиотеками scikit‑learn, pandas, NumPy. Практический опыт работы с одним из фреймворков: PyTorch, TensorFlow или JAX. Опыт написания сложных SQL‑запросов, включая оконные функции. Знакомство с инструментами обработки больших данных: Spark (PySpark) или Dask. Навыки оптимизации запросов. Базовые навыки администрирования Docker и Kubernetes. Работа с системами контроля версий (Git, DVC для управления данными). Настройка CI/CD‑пайплайнов (GitLab CI, GitHub Actions, Jenkins). Мониторинг моделей и инфраструктуры (Prometheus + Grafana, Evidently AI, MLflow). Облачные платформы: опыт работы хотя бы с одной из: AWS (SageMaker, EKS), GCP (Vertex AI), Azure ML, либо опыт развёртывания on‑premise решений (Kubeflow, Airflow). Деплой моделей: практический опыт вывода моделей в production с использованием FastAPI, Flask, Triton Inference Server, TensorFlow Serving или аналогичных инструментов. Опыт работы с feature store: Feast, Tecton, Hopsworks. Навыки распределённого обучения: Horovod, Ray, PyTorch Distributed.
Локация:📍 Удалённо из РФ (UTC +3).
Контакт для отклика: Откликнуться
Про карьеру, рост и ценность себя: @jobstobeloved
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- Scikit-learn
- Pandas
- NumPy
- PyTorch
- TensorFlow
- JAX
- SQL
- Apache Spark
- PySpark
- Dask
- Docker
- Kubernetes
- Git
- DVC
- GitLab CI
- GitHub Actions
- Jenkins
- Prometheus
- Grafana
- Evidently AI
- MLflow
- AWS
- Amazon SageMaker
- Google Cloud Platform
- Vertex AI
- Azure Machine Learning
- Kubeflow
- Apache Airflow
- FastAPI
- Flask
- Triton Inference Server
- TensorFlow Serving
- Feast
- Tecton
- Hopsworks
- Horovod
- Ray
Возможные вопросы на собеседовании
Проверка понимания жизненного цикла модели и инструментов мониторинга.
Как вы организуете мониторинг качества модели после деплоя и какие метрики отслеживаете с помощью Evidently AI или MLflow?
Оценка навыков работы с высоконагруженными системами и оптимизации.
Какие стратегии оптимизации инференса вы использовали при работе с Triton Inference Server или TensorFlow Serving?
Проверка инженерной экспертизы в области данных.
Расскажите о вашем опыте работы с Feature Store (например, Feast). Какие проблемы это решает в масштабах команды?
Оценка навыков работы с большими данными.
В каких случаях вы предпочтете использовать PySpark вместо Dask для обработки признаков, и как вы оптимизируете такие джобы?
Проверка навыков распределенного обучения.
Был ли у вас опыт настройки распределенного обучения с использованием Ray или PyTorch Distributed? С какими сложностями сталкивались?
Похожие вакансии
Senior MLOps инженер
Senior MLOps инженер
Senior Data Engineer
Python разработчик (DWH/Data Engineering)
Data Scientist Middle+, Senior
Data Scientist
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!