ML-инженер
Оценка ИИOzon — топовый работодатель с сильной инженерной культурой и современным стеком. Вакансия предлагает работу над реальными бизнес-задачами с использованием Big Data и MLOps инструментов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИРоль требует уверенного владения широким стеком: от математической базы ML до инженерных навыков в Big Data (PySpark) и MLOps (DVC, MLflow). Работа в Ozon подразумевает высокие нагрузки и сложные SQL-оптимизации.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в Ozon для ML-инженеров обычно соответствует верхнему сегменту рынка Москвы. Учитывая требования к PySpark и MLOps, компенсация будет конкурентной и зависеть от уровня кандидата (Middle/Senior).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
ML-инженер в Ozon
*💰*По итогам собеседования
*📌*Условия и бонусы:
Фултайм, офис (МСК).
*📌*Описание проектов и задач:
– Разработка и деплой моделей: gроектировать и внедрять ML-решения (от классического регрессионного анализа до Time Series и Uplift-моделей).
– Работа с Big Data: строить высокопроизводительные пайплайны обработки данных и генерации признаков на PySpark.
– MLOps: оборачивать модели в API (FastAPI), настраивать версионирование данных (DVC) и трекинг экспериментов (MLflow).
– Проверка гипотез: дизайнить и проводить A/B-тесты для оценки влияния моделей на бизнес-метрики.
– Оптимизация: работать со сложными SQL-запросами в ClickHouse\Vertica\Trino и заниматься тюнингом производительности Spark-задач.
*✍🏼*Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- PySpark
- MLOps
- FastAPI
- DVC
- MLflow
- SQL
- ClickHouse
- Vertica
- Trino
- A/B Testing
- Time Series
- Uplift Modeling
Возможные вопросы на собеседовании
Ozon работает с огромными объемами данных, важно уметь оптимизировать вычисления.
Как вы подходите к оптимизации Spark-задач при возникновении проблем с перекосом данных (data skew)?
В описании указаны Uplift-модели, которые критичны для маркетинга и лояльности.
Расскажите о своем опыте построения Uplift-моделей: какие подходы (S-learner, T-learner) вы использовали и как оценивали их качество?
Вакансия включает задачи по MLOps.
Как вы организуете процесс версионирования данных и моделей с помощью DVC в командной разработке?
Проверка гипотез — важная часть работы.
Как рассчитать необходимый размер выборки для A/B-теста и какие статистические критерии вы выберете для оценки результатов в e-commerce?
Работа с ClickHouse и Vertica требует навыков написания сложных запросов.
В чем заключаются основные различия в оптимизации запросов между ClickHouse и классическими реляционными БД при работе с аналитическими выборками?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
