ML разработчик (Middle/Middle+)

Описание вакансии

ID 2609

ML разработчик

Middle/Middle+

🌍 Локация: РФ

💼Сотрудничество : по ИП РФ

СРОЧНЫЙ БЫСТРЫЙ сразу рассмотрят - спец нужен на замену

Описание проекта и команды

Управляющая компания

Кол-во специалистов

1

Длительность проекта

Не указано

Объем участия в проекте

Высокая нагрузка

~160 ч/мес

Формат взаимодействия

Удаленно

Требуемая локация специалиста

Россия

Доступность специалиста

UTC +3

Требуемое гражданство специалиста

РФ

Обязательные 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.

Дополнительные требования

• Опыт работы с feature store: Feast, Tecton, Hopsworks;
• Навыки распределённого обучения: Horovod, Ray, PyTorch Distributed.

Задачи на проекте

• 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.

🔎 Вопросы/резюме - в ЛС Откликнуться