Откликайтесь
на вакансии с ИИ
ML-инженер (Senior)
Оценка ИИВысокий 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
Оценка ИИРоль 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
Оценка ИИДля 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
- NumPy
- Pandas
- PyTorch
- Scikit-learn
- PySpark
- XGBoost
- CatBoost
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.
