- Страна
- Россия
Откликайтесь
на вакансии с ИИ
ML-Developer
Оценка ИИИнтересная вакансия для специалистов среднего уровня с современным стеком технологий и четкими требованиями. Локация в Москве и работа в офисе могут быть ограничением для некоторых, но задачи в сфере ИБ/антифрода добавляют профессиональной привлекательности.
Сложность вакансии
Оценка ИИПозиция требует уверенного владения широким стеком библиотек (от классического ML до Transformers) и навыков MLOps (Docker, Airflow). Основная сложность заключается в необходимости иметь коммерческий опыт вывода моделей в продакшен и понимании специфики работы с сетевым трафиком.
Анализ зарплаты
Оценка ИИВ объявлении не указана заработная плата, однако для ML-разработчика с опытом 1-2 года в Москве рыночный диапазон составляет от 180 000 до 300 000 рублей. Итоговое предложение будет сильно зависеть от глубины знаний MLOps и опыта в специфических доменах вроде антифрода.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Отправьте свое резюме напрямую через Telegram, чтобы стать частью команды ML-разработки в Москве!
Описание вакансии
ML-Developer
#MLDeveloper #Developer #Python #SQL #MLOps #Офис #Москва
Требования:
Коммерческий опыт вывода ML-моделей в продакшен от 1–2 лет. Уверенный Python: NumPy, Pandas, Scikit-learn, PyTorch, CatBoost, XGBoost, LightGBM, Transformers. SQL, Git, Docker, REST API. Опыт с Airflow или аналогичными инструментами для ML-пайплайнов. Уверенный Linux. Понимание MLOps, версионирования моделей и данных. Английский на уровне чтения тех. документации. Будет плюсом: опыт с ONNX/TensorRT, знание SHAP/LIME, опыт в ИБ/антифроде/антиспаме, работа с сетевым трафиком и логами, профильные сертификаты.
Локация:*📍*Офис, Москва (м. Окружная).
Контакт для отклика: Откликнуться
*👉*Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Git
- Python
- Linux
- NumPy
- Pandas
- PyTorch
- SQL
- Transformers
- MLOps
- Scikit-learn
- Docker
- Airflow
- REST API
- XGBoost
- LightGBM
- TensorRT
- ONNX
- CatBoost
- SHAP
- LIME
Возможные вопросы на собеседовании
Проверка практического опыта работы с жизненным циклом модели.
Расскажите о самом сложном кейсе вывода ML-модели в продакшен: с какими проблемами столкнулись и как их решили?
Оценка навыков автоматизации и MLOps.
Как вы организуете мониторинг качества модели после деплоя и какие инструменты для этого используете?
Проверка знаний в области интерпретируемости моделей, указанных в плюсах.
В каких случаях вы бы предпочли использовать SHAP вместо LIME для объяснения предсказаний модели?
Оценка навыков работы с данными и SQL.
Опишите ваш подход к подготовке признаков (feature engineering) для задач классификации сетевого трафика в реальном времени.
Проверка владения инструментами оптимизации.
