Откликайтесь
на вакансии с ИИ
ML Engineer
Оценка ИИПривлекательная вакансия для опытных инженеров благодаря работе с актуальным стеком (LLM, Bedrock) и возможности удаленной работы из любой точки мира. Четко прописанные требования и фокус на MLOps делают позицию профессионально интересной.
Сложность вакансии
Оценка ИИРоль требует глубоких знаний не только в классическом ML, но и в современных облачных сервисах (AWS SageMaker, Bedrock) и MLOps. Необходим опыт работы от 3 лет и владение инструментами контейнеризации и деплоя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для ML-инженера с опытом от 3 лет и знанием AWS на мировом рынке медиана составляет около $5000-$7000. В российском сегменте для удаленной работы такие позиции обычно оцениваются в диапазоне 300,000–450,000 рублей.
Сопроводительное письмо
Меня заинтересовала вакансия ML Engineer, так как мой опыт работы с Python и стеком библиотек (scikit-learn, pandas, PyTorch) полностью соответствует вашим требованиям. Я имею практический опыт развертывания моделей через Docker и FastAPI, а также работал с облачной инфраструктурой AWS, включая SageMaker, что критично для данной роли.
Особенно меня привлекает возможность работы с AWS Bedrock и генеративными моделями. Я внимательно слежу за развитием LLM и готов применять свои знания для создания эффективных и масштабируемых решений в вашей команде. Мой уровень английского Intermediate+ позволяет мне свободно работать с технической документацией и взаимодействовать в международной среде.
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Отправьте свое резюме @IT_SergHR и станьте частью команды, внедряющей передовые решения в области генеративного ИИ!
Описание вакансии
ML Engineer
#MLEngineer #Engineer #Удаленно
Требования:
3+ лет опыта работы инженером по машинному обучению или в аналогичной роли. Сильные навыки Python (scikit-learn, pandas, NumPy, matplotlib). Прочное понимание основ машинного обучения (регрессия, классификация, кластеризация, валидация, метрики). Практический опыт с TensorFlow, PyTorch или Keras. Подтверждённый опыт с AWS SageMaker. Знакомство с AWS Bedrock для фундаментальных и генеративных моделей (LLM). Опыт в предварительной обработке данных, инженерии признаков и оценке моделей. Знания SQL и опыт со структурированными / полуструктурированными данными. Опыт развертывания машинного обучения (FastAPI/Flask, Docker). Воздействие MLOps (конвейеры, версионирование, мониторинг, воспроизводимость). Владение гитом. Сильные аналитические, коммуникативные и навыки решения проблем. Готовность быть в курсе с инструментами машинного обучения и ИИ. Английский: Intermediate+. Желаемые навыки: Опыт с облачными платформами (AWS, GCP, Azure) и управляемыми ML-сервисами (SageMaker, Vertex AI). Опыт с MLFlow, DVC, Airflow или подобными инструментами. CI/CD для машинных систем. Инструменты больших данных (Spark, Hadoop). Знания в области безопасности данных и этического ИИ. Опыт с NLP/LLM, компьютерным зрением или агентным ИИ.
Локация:📍Удалённо из любой точки мира.
Контакт для отклика: Откликнуться + CV
Про карьеру, рост и ценность себя: @jobstobeloved
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Git
- Python
- NumPy
- Pandas
- Matplotlib
- PyTorch
- LLM
- SQL
- Computer Vision
- MLOps
- NLP
- Scikit-learn
- Docker
- Airflow
- Apache Spark
- Hadoop
- TensorFlow
- MLflow
- FastAPI
- DVC
- AWS Bedrock
- AWS SageMaker
- Flask
- Keras
Возможные вопросы на собеседовании
Вакансия требует опыта работы с AWS SageMaker. Важно понимать, как кандидат организует весь цикл жизни модели в облаке.
Расскажите о вашем опыте использования AWS SageMaker: какие именно компоненты (Training Jobs, Endpoints, Pipelines) вы использовали и для каких задач?
В требованиях указан AWS Bedrock. Это специфичный инструмент для работы с LLM.
Работали ли вы с AWS Bedrock или аналогичными сервисами для интеграции LLM? Какие подходы к промпт-инжинирингу или дообучению вы применяли?
Упоминается MLOps и воспроизводимость. Это критично для командной разработки.
Как вы обеспечиваете воспроизводимость экспериментов и версионирование данных в своих проектах? Использовали ли вы DVC или MLFlow?
Позиция подразумевает деплой моделей через FastAPI и Docker.
Опишите процесс упаковки ML-модели в Docker-контейнер. С какими сложностями вы сталкивались при оптимизации размера образа или времени отклика API?
Требуется знание SQL и работы со структурами данных.
Как вы подходите к этапу Feature Engineering при работе с большими объемами полуструктурированных данных в SQL?
Похожие вакансии
MLOps Engineer
Инженер Mlops (Senior)
Middle+ ML разработчик
Senior MLOps Engineer (Platform Development / LLMOps)
Data engineer
Senior Data Engineer
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!