ML-Продакт менеджер
Оценка ИИТ-Банк — топовый работодатель с сильной инженерной культурой. Вакансия предлагает работу с передовыми технологиями (LLM, CV, NLP) и высокую степень влияния на продукт.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена необходимостью глубокой технической экспертизы в ML/LLM наряду с сильными продуктовыми навыками. Требуется опыт запуска продуктов с нуля и владение матстатистикой.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в Т-Банке для ML-продактов обычно соответствует верхнему квантилю рынка. Указанные рыночные оценки отражают уровень Senior/Lead специалистов в Москве, что совпадает с ожиданиями от данной роли.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
*⚡️* ML-Продакт менеджер в Т-Банк
Задачи:
• Формировать стратегию развития ML-продукта
• Формулировать бизнес-задачи для ML-решений
• Управлять жизненным циклом ML-моделей
• Контролировать и оптимизировать качество ML-моделей с точки зрения точности, скорости ответа и стабильности
• Анализировать данные и формировать гипотезы для развития ML-решений
• Проводить эксперименты для оценки ML-моделей
Требования:
• опыт запуска LLM-продуктов и понимаете их специфику
• опыт построения продуктов с нуля
• опыт работы с данными
• опыт проведения статистического анализа и A/B-тестирования
• Разбираетесь в Data Science, NLP и Computer Vision
• Хорошо знаете основы ML, алгоритмы ML, метрики качества ML-моделей
*📎*Как откликнуться?
Вакансия:Откликнуться
Нанимающий: Откликнуться, Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Machine Learning
- Product Management
- LLM
- Data Analysis
- A/B Testing
- NLP
- Computer Vision
- Statistics
Возможные вопросы на собеседовании
Проверка практического опыта работы с большими языковыми моделями и понимания их ограничений.
Расскажите о вашем опыте запуска LLM-продуктов: с какими специфическими проблемами (галлюцинации, задержки, стоимость) вы сталкивались и как их решали?
Оценка умения связывать технические метрики ML с бизнес-результатами.
Как вы определяете успех ML-модели? Приведите пример, когда улучшение технической метрики (например, F1-score) не привело к росту бизнес-метрик.
Проверка навыков приоритизации в условиях неопределенности R&D.
Как вы выстраиваете процесс проверки гипотез в ML-проектах, где результат обучения модели сложно предсказать заранее?
Оценка понимания жизненного цикла модели после деплоя.
Как вы организуете мониторинг качества моделей в продакшене и какие сигналы для вас являются критическими для переобучения?
Проверка знаний в области экспериментов.
Опишите дизайн A/B-теста для новой ML-фичи: как вы выбираете прокси-метрики и рассчитываете длительность эксперимента?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
