- Страна
- Узбекистан
Откликайтесь
на вакансии с ИИ
ML Engineer
Оценка ИИИнтересная позиция в активно растущем продукте с возможностью влиять на архитектуру ML-платформы. Использование современного стека (SageMaker, MLflow) и амбициозные задачи делают вакансию привлекательной для опытных инженеров.
Сложность вакансии
Оценка ИИРоль требует уверенного владения широким стеком технологий (от классического ML до векторного поиска) и самостоятельности в проектировании инфраструктуры с нуля. Ожидается опыт работы с большими данными и понимание бизнес-метрик.
Анализ зарплаты
Оценка ИИЗарплата в вакансии не указана, но для ML-инженера уровня Middle/Senior на удаленной основе в СНГ рыночные вилки обычно составляют от 250 000 до 450 000 рублей. Итоговое предложение будет зависеть от глубины экспертизы кандидата в области LTR и MLOps.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в TTeam уже сейчас
Присоединяйтесь к TTeam и создавайте ML-ядро крупнейшего классифайла Узбекистана!
Описание вакансии
**ML Engineer
Локация:** Удалённо
Компания: TTeam
ЗП: обсуждается на собеседовании
Занятость: Полная
О нас:
Мы строим ведущую платформу классифайдных объявлений Узбекистана. Наш продукт помогает миллионам пользователей покупать и продавать — от недвижимости до электроники. ML — не вспомогательный инструмент, а ядро нашего продукта: поиск, ранжирование, модерация и рекомендации.
Команда находится на активной стадии построения ML-инфраструктуры с нуля: мы выбираем технологии, формируем процессы и закладываем фундамент для ML-платформы следующего поколения.
Чем предстоит заниматься:
Развивать качество поиска: LTR-модели (LambdaMART/LightGBM), разрабатывать и интегрировать векторный поиск, улучшение поискового пайплайна (работа с саджестером, catpred).
Строить ML-модели для Trust & Safety: обнаружение мошенничества, модерация объявлений, NER в мессенджерах, скоринг нарушений.
Развивать систему рекомендаций - item2item, user2item рекомендации.
Участвовать в проектировании и развёртывании ML-платформы (SageMaker, MLflow, Feast, Evidently, Airflow).
Что мы ищем:
Опыт разработки и деплоя ML-моделей в production (2+ лет): классификация, ранжирование, регрессия, кластеризация.
Уверенное владение Python и стандартным ML-стеком: scikit-learn, CatBoost/XGBoost, pandas, numpy.
Понимание основ статистики и умение грамотно формулировать и проверять гипотезы.
Опыт работы с реальными данными: очистка, feature engineering, работа с пропусками и дисбалансом классов.
Умение работать с SQL и большими объёмами данных (Hive, Trino, Spark или аналоги).
Способность самостоятельно довести задачу от постановки до результата — без постоянного контроля.
Умение общаться с продуктовой командой: переводить бизнес-задачу в ML-постановку и объяснять результаты нетехническим коллегам.
AI-first: понимание что такое harness, что такое skills, как правильно применять ИИ в разработке.
*🌐 Резюме отправлять:* Откликнуться
–––
Бесплатный постинг вакансий: @freeIT_job
Забирай *📚* Базу Знаний
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- NumPy
- Pandas
- SQL
- Scikit-learn
- Apache Spark
- XGBoost
- MLflow
- Apache Airflow
- LightGBM
- Hive
- Trino
- Amazon SageMaker
- CatBoost
- NER
- Feast
- Learning-to-Rank
- Evidently
Возможные вопросы на собеседовании
Вакансия предполагает работу над качеством поиска. Важно понимать, как кандидат подходит к оптимизации ранжирования.
Расскажите о вашем опыте внедрения Learning to Rank (LTR). Какие функции (features) вы считаете наиболее важными для классифайд-платформы?
В описании указан векторный поиск. Это критично для современного поиска и рекомендаций.
Как бы вы спроектировали систему векторного поиска для миллионов объявлений? Какие библиотеки или базы данных (например, FAISS, Milvus) вы бы использовали?
Компания строит ML-платформу с использованием SageMaker и MLflow.
Каков ваш опыт работы с MLOps инструментами? Как вы организуете процесс мониторинга качества моделей в продакшене?
Упоминается работа с Trust & Safety и модерацией.
Как вы решаете проблему сильного дисбаланса классов при обучении моделей для обнаружения мошенничества?
Важно умение переводить бизнес-задачи в технические.
Приведите пример, когда внедрение ML-модели напрямую повлияло на бизнес-метрики продукта. Как вы измеряли этот успех?
Похожие вакансии
Middle+ Data инженер
Backend / ML Infrastructure / MLOps инженер
Junior Applied ML Engineer / Data Scientist
Senior Data Scientist
Data Engineer (AI / ML)
Data Scientist (Junior+)
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!