- Страна
- Россия
- Зарплата
- 168 358 ₽ – 297 075 ₽
Откликайтесь
на вакансии с ИИ
ML разработчик (Middle)
Оценка ИИИнтересный стек технологий и полноценный MLOps цикл. Однако, оценка снижена из-за неопределенности (клиент новый, договор не подписан) и относительно невысокой для Senior-стека (хотя позиция Middle) оплаты при высокой нагрузке.
Сложность вакансии
Оценка ИИПозиция требует широкого стека навыков: от классического ML и глубокого обучения до серьезной инженерной базы (MLOps, Docker, Kubernetes, Spark). Высокая нагрузка и необходимость работы с распределенным обучением повышают порог входа.
Анализ зарплаты
Оценка ИИПредложенная зарплата в 168-297 тыс. руб. находится в пределах рыночной нормы для Middle ML-инженера в России, однако верхняя планка (ИП) ближе к медиане, в то время как штатная ставка выглядит несколько ниже среднего по рынку для такого широкого стека.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Отправьте свое резюме Дмитрию, чтобы стать частью команды и внедрять передовые ML-решения в крупной управляющей компании!
Описание вакансии
🆔 67571
📅 Дата публикации: 30.04.2026 19:45
🥇 ML разработчик (Middle)
67571
📅 Дата публикации: 30.04.2026 19:45
🥇 ML разработчик (Middle)
📍 Локация/Гражданство: РФ
🏠 Формат работы: Удаленно
🎓 Грейд: Middle
💰 Ставки:
🇷🇺 Штат (на руки): 168 358 руб./мес (на руки)
🇷🇺 ИП (gross): 1 748 руб./час Справочно: ориентировочная среднемесячная выплата Gross 297 075 руб./мес
📌 О проекте:
Управляющая компания
📎 Задачи:
— Разработка и оптимизация моделей машинного обучения для решения бизнес-задач (прогнозирование, классификация, рекомендательные системы, обработка естественного языка / компьютерное зрение — в зависимости от проекта)
— Проектирование и внедрение пайплайнов обработки данных (ETL/ELT) для обучения и инференса моделей
— Настройка и поддержка CI/CD-пайплайнов для ML-моделей (MLOps), включая версионирование данных и моделей, автоматическое переобучение и мониторинг дрифта
— Интеграция моделей в продуктовую среду посредством REST API, брокеров сообщений или batch-процессов
— Проведение A/B-тестирования моделей, анализ их качества в реальном времени и формирование предложений по улучшению
— Участие в выборе архитектуры и технологического стека для новых AI-решений
— Документирование разработанных решений и обмен экспертизой внутри команды
💻 Требования:
— Не менее 3 лет в роли ML Engineer либо на смежной позиции (например, Data Scientist с выраженным инженерным уклоном)
— Продвинутый уровень программирования на Python: написание чистого и модульного кода, работа с типизацией и асинхронным программированием
— Уверенное владение библиотеками scikit‑learn, pandas, NumPy
— Практический опыт работы с одним из фреймворков: PyTorch, TensorFlow или JAX
— Опыт написания сложных SQL‑запросов, включая оконные функции
— Знакомство с инструментами обработки больших данных: Spark (PySpark) или Dask
— Навыки оптимизации запросов
— Базовые навыки администрирования Docker и Kubernetes
— Работа с системами контроля версий (Git, DVC для управления данными)
— Настройка CI/CD‑пайплайнов (GitLab CI, GitHub Actions, Jenkins)
— Мониторинг моделей и инфраструктуры (Prometheus + Grafana, Evidently AI, MLflow)
— Облачные платформы: опыт работы хотя бы с одной из: AWS (SageMaker, EKS), GCP (Vertex AI), Azure ML, либо опыт развёртывания on‑premise решений (Kubeflow, Airflow)
— Деплой моделей: практический опыт вывода моделей в production с использованием FastAPI, Flask, Triton Inference Server, TensorFlow Serving или аналогичных инструментов
— Опыт работы с feature store: Feast, Tecton, Hopsworks
— Навыки распределённого обучения: Horovod, Ray, PyTorch Distributed
⚠️ Особые условия:
— Высокая нагрузка
— ~160 ч/мес
— Клиент новый, договор в процессе подписания
Менеджер: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- Scikit-learn
- Pandas
- NumPy
- PyTorch
- TensorFlow
- JAX
- SQL
- Spark
- PySpark
- Dask
- Docker
- Kubernetes
- Git
- DVC
- GitLab CI
- GitHub Actions
- Jenkins
- Prometheus
- Grafana
- Evidently AI
- MLflow
- AWS
- GCP
- Azure ML
- Kubeflow
- Airflow
- FastAPI
- Flask
- Triton Inference Server
- Feast
- Tecton
- Hopsworks
- Horovod
- Ray
Возможные вопросы на собеседовании
Проверка практического опыта вывода моделей в эксплуатацию и понимания архитектуры веб-сервисов.
Расскажите о вашем опыте деплоя моделей с использованием FastAPI. Как вы организуете обработку запросов для обеспечения высокой производительности?
Оценка навыков MLOps и умения следить за качеством моделей после релиза.
Как вы настраиваете мониторинг дрифта данных и концептов для работающих моделей? Какие инструменты (например, Evidently AI) вы использовали?
Проверка владения инструментами обработки больших данных, указанных в требованиях.
В каких случаях вы предпочтете использовать PySpark вместо Pandas для подготовки признаков, и с какими трудностями при этом сталкивались?
Оценка инженерной зрелости и умения работать с инфраструктурой.
Опишите ваш типичный CI/CD пайплайн для ML-проекта. Как вы интегрируете DVC для версионирования данных?
Проверка понимания специфики обучения на больших объемах данных.
Какой опыт у вас есть в распределенном обучении моделей? Расскажите об использовании Horovod или PyTorch Distributed.
Похожие вакансии
Data инженер (Middle)
Middle+ Data Engineer
Backend / ML Infrastructure / MLOps инженер
Data Engineer Middle
Data Scientist (Модели оценки качества), Диалоговый ИИ и ML сервисы
Специалист по науке о данных прогнозирования
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!