- Страна
- Кипр
- Зарплата
- от 5 000 €
ML Engineer / Data Scientist (Search & Recommendations)
Оценка ИИОтличное предложение с высокой зарплатой в евро, возможностью релокации на Кипр и работой над масштабным продуктом. Компания предлагает полный соцпакет, включая страховку и обучение, а также гибкость в формате работы.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИПозиция требует глубоких знаний в области RecSys и поиска, а также опыта работы с High-load системами (до десятков тысяч RPS), что значительно повышает планку для кандидатов. Стек технологий включает современные инструменты вроде Triton и Polars, требующие уверенного владения Python и ML-фреймворками.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата от 5 000 € net является конкурентоспособной для рынка Кипра и Европы для уровня Middle+/Senior ML Engineer. Она находится в пределах рыночного диапазона, хотя для топовых специалистов в области High-load RecSys верхняя граница может быть выше.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
*📍*Формат/working arrangement: на месте работодателя, удалённо или гибрид
*✔️*Должность/position: ML Engineer / Data Scientist (Search & Recommendations)
*🏢* Место работы/workplace: Wisebits
*💸* Заработная плата/salary estimate: от 5 000 € в месяц, на руки
*📈* Обязанности/responsibilities:
— Разработка рекомендательных систем user-item, item-item и кросс-платформенных рекомендаций.
— Exploration-exploitation.
— Оптимизация выдачи категорий, каналов и тегов.
— Разработка text-to-video поиска, embedding-моделей и ранжирования.
— Оптимизация моделей под нагрузку до десятков тысяч RPS.
*📌* Требования/requirements:
— Опыт с рекомендательными системами или поиском от 2 лет.
— Уверенный Python и ML-фреймворки.
— PyTorch, LightGBM.
— Опыт вывода моделей в production.
— Понимание offline- и online-оценки моделей.
— Опыт работы с high-load системами.
*🛠* Технический стек:
— Python
— PyTorch
— LightGBM
— NumPy
— Pandas
— Polars
— CuDF
— CuPy
— Kubernetes
— Docker
— Airflow
— Triton Inference Server
— ClickHouse
— MySQL
*🎯* Основные задачи проекта:
— Развитие поиска и рекомендательных систем.
— Работа с ML-моделями на высоконагруженном видеохостинге.
— Улучшение качества выдачи и рекомендаций на основе реальных пользовательских метрик.
*🏢* О компании:
— Wisebits — международный IT-холдинг.
— Основной продукт — высоконагруженный видеохостинг с миллионами пользователей.
— Более 15 лет на рынке.
*✅* Условия/working conditions:
— Полная занятость.
— График 5/2.
— 8 часов в день.
— Трудовой договор или договор с самозанятым, ИП/физлицом.
— Ежегодный рейз и премии.
— Медстраховка, обучение, техника, языковые курсы.
— Возможна релокация на Кипр с визовой поддержкой и оплатой переезда.
— Гибкий график.
*📍* Адрес: Лимассол.
*📢**❗️**🚨* Вакансия: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- PyTorch
- LightGBM
- NumPy
- Pandas
- Polars
- CuDF
- CuPy
- Kubernetes
- Docker
- Airflow
- Triton Inference Server
- ClickHouse
- MySQL
- Machine Learning
- Search Systems
- Recommendation Systems
Возможные вопросы на собеседовании
Проверка опыта работы с высоконагруженными системами, заявленными в вакансии.
Как вы оптимизируете ML-модели для работы под нагрузкой в 10 000+ RPS? Расскажите об опыте использования Triton Inference Server.
Важно понимать, как кандидат балансирует между показом нового контента и проверенными рекомендациями.
Какие стратегии Exploration-Exploitation вы применяли в рекомендательных системах и как оценивали их эффективность?
Вакансия включает задачи по text-to-video поиску.
Опишите ваш подход к построению пайплайна для text-to-video поиска. Какие архитектуры эмбеддинг-моделей вы бы предпочли?
Проверка понимания бизнес-метрик и качества моделей.
В чем разница между offline и online оценкой рекомендательной системы в контексте видеохостинга? Какие метрики для вас приоритетны?
Проверка навыков работы с данными в условиях больших объемов.
В каких случаях вы предпочтете Polars или CuDF вместо стандартного Pandas при подготовке признаков для обучения?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
