Откликайтесь
на вакансии с ИИ

ML-инженер (Senior)
Высокий балл за интересную и сложную предметную область (ETA, маршрутизация) и современный технологический стек. Позиция Senior предполагает высокую степень ответственности и влияние на продукт мирового уровня.
Сложность вакансии
Роль требует уровня Senior, что подразумевает не только владение стеком (PySpark, PyTorch), но и умение проектировать сложные системы. Задачи по ETA и маршрутизации в глобальном масштабе относятся к категории высокой сложности из-за объема данных и требований к задержкам.
Анализ зарплаты
Для позиции Senior ML Engineer на глобальном рынке предлагаемая вилка (на основе рыночных данных) является конкурентоспособной. В России и СНГ такие специалисты получают в среднем от 400 000 до 600 000 рублей в месяц.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь уже сейчас
Откликнитесь через Runello-бот, чтобы стать частью команды, работающей над глобальными алгоритмами маршрутизации!
Описание вакансии
ML-инженер
Грейд: Senior
Стек: Python, PySpark, Pandas, NumPy, Scikit-learn, PyTorch, CatBoost, XGBoost
Мы ищем Senior Machine Learning Engineer, который будет проектировать и строить ML-системы, отвечающие за точность ETA (Estimated Time of Arrival) и качество маршрутизации в глобальном масштабе.
Откликнуться через Откликнуться ↓
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- Python
- PySpark
- Pandas
- NumPy
- Scikit-learn
- PyTorch
- CatBoost
- XGBoost
Возможные вопросы на собеседовании
ETA напрямую зависит от качества входных данных и обработки выбросов.
Как бы вы спроектировали систему обработки признаков для модели ETA, учитывая динамически меняющиеся дорожные условия?
Вакансия требует знания PySpark для работы с большими данными.
Опишите ваш опыт оптимизации PySpark-джобов при обработке терабайтных датасетов для обучения моделей.
Маршрутизация требует баланса между точностью и скоростью ответа.
Как вы решаете проблему компромисса между сложностью модели (например, глубокий ансамбль) и временем инференса в реальном времени?
Для глобальных систем важно учитывать региональные особенности.
Как бы вы организовали валидацию модели, если она должна одинаково хорошо работать в разных географических регионах с разной плотностью данных?
В стеке указаны CatBoost и XGBoost.
В каких случаях для задачи регрессии (прогноз времени) вы выберете градиентный бустинг вместо нейронных сетей, и наоборот?
Похожие вакансии
Senior Data Engineer
Data Scientist Senior
Senior AI-First Data Engineer
ML Engineer, Senior
Senior Data Engineer - ETL
Data Scientist LLM/NLP
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!