- Страна
- Россия
ML-разработчик в Дзен
Оценка ИИVK — один из крупнейших работодателей в РФ с сильной инженерной культурой. Работа над Дзеном дает возможность влиять на продукт с огромной аудиторией и работать с передовыми технологиями рекомендаций.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИПозиция требует высокого уровня ответственности, так как предполагает самостоятельное внедрение ML-решений в продакшен и работу с высоконагруженными рекомендательными системами. Необходим опыт более 2 лет и глубокие знания классического ML.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для Senior ML-разработчика в Москве в компании уровня VK рыночное предложение обычно находится в диапазоне 350,000–550,000 рублей после вычета налогов. Это соответствует топовым значениям по рынку РФ.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Откликнитесь в vk уже сейчас
Присоединяйтесь к команде Дзена в VK, чтобы создавать алгоритмы рекомендаций, которыми пользуются миллионы людей каждый день!
Описание вакансии
ML-разработчик в Дзен, Москва
Компания: VK
*☑️*Задачи
-Реализовывать контентные и коллаборативные виды рекомендаций
-Генерировать и реализовывать новые идеи по улучшению наших алгоритмов
-Разрабатывать ML-алгоритмы — от базовой обработки и подсчёта подокументных факторов до ранжирования, рекомендаций и NLP
-Самостоятельно встраивать ML-решения в живой продовый код
-Коммуницировать с продакт-менеджерами и трансформировать продуктовые требования в техническую постановку задачи
*☑️*Требования
-Вы в ML более двух лет
-Уверенно пишете и читаете продакшен-код
-Глубоко понимаете алгоритмы классического ML
IT Jobs в Telegram | в VK | в Max
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Machine Learning
- NLP
- Ranking
- Recommender Systems
- Production Code
Возможные вопросы на собеседовании
Проверка практического опыта работы с рекомендательными системами, упомянутыми в задачах.
Расскажите о вашем опыте реализации коллаборативной фильтрации: какие подходы вы использовали и как решали проблему холодного старта?
Вакансия предполагает самостоятельное встраивание кода в прод.
Как вы обеспечиваете качество и производительность ML-моделей при их интеграции в высоконагруженный продакшен-код?
В задачах указано ранжирование и NLP.
Какие методы ранжирования (Learning to Rank) вы применяли на практике и как оценивали их эффективность в офлайн и онлайн экспериментах?
Проверка фундаментальных знаний, требуемых в вакансии.
В каких случаях вы предпочтете классические алгоритмы ML (например, градиентный бустинг) нейронным сетям для задач ранжирования?
Важна способность переводить бизнес-требования в технические.
