- Страна
- Россия
- Зарплата
- 250 000 ₽ – 300 000 ₽
ML-инженер
Оценка ИИПривлекательная вакансия с удаленным форматом работы и рыночной зарплатой. Компания четко формулирует требования, включая современные тренды (LLM/RAG), что обещает интересные задачи.
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 ИИВакансия требует уверенного владения Python и ML-стеком, а также понимания процессов деплоя (Docker, API). Наличие опыта с LLM и RAG является значимым преимуществом, что повышает планку для кандидатов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИУказанный в объявлении диапазон 250 000 – 300 000 ₽ полностью соответствует медиане рынка для ML-инженеров уровня Middle/Middle+ в России. Верхняя граница в 300 000 ₽ является стандартом для специалистов с опытом от 2-3 лет.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
ML-инженер в Джетлин
*💰*По итогам собеседования (ср. рын. зп 250 000 ₽ – 300 000 ₽)
*📌*Условия и бонусы:
Фултайм, удаленно.
*📌*Наши ожидания:
– опыт разработки и обучения ML/DL-моделей от 2 лет;
– Python, PyTorch/TensorFlow, знание классического ML-стека;
– опыт с LLM, RAG или NLP-задачами будет плюсом;
– понимание вывода моделей в production: Docker, API, мониторинг;
– английский на уровне чтения технической документации.
Подробнее о вакансии Откликнуться.
*✍🏼*Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- PyTorch
- TensorFlow
- Machine Learning
- Deep Learning
- LLM
- RAG
- NLP
- Docker
- API
Возможные вопросы на собеседовании
Проверка глубины понимания работы с большими языковыми моделями, указанными в вакансии.
Расскажите о вашем опыте работы с RAG: какие векторные базы данных вы использовали и как решали проблему галлюцинаций LLM?
Важно понять, умеет ли кандидат доводить модель до конечного пользователя.
Как вы обычно организуете мониторинг ML-моделей после их деплоя в Docker-контейнерах?
Оценка владения основным инструментом разработки.
В каких случаях вы предпочтете PyTorch вместо TensorFlow и наоборот для решения конкретной бизнес-задачи?
Проверка фундаментальных знаний машинного обучения.
Какие методы борьбы с переобучением в глубоких нейронных сетях вы считаете наиболее эффективными?
Оценка навыков работы с данными, что критично для ML-инженера.
Опишите ваш подход к Feature Engineering при работе с несбалансированными выборками в классических ML-задачах.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
