- Страна
- Россия
Откликайтесь
на вакансии с ИИ
ML-разработчик в Город
Оценка ИИТ-Банк — один из лучших работодателей в РФ с сильной инженерной культурой. Проект «Город» предоставляет доступ к огромным объемам данных и современному стеку технологий, что гарантирует профессиональный рост.
Сложность вакансии
Оценка ИИРоль требует глубоких знаний в области рекомендательных систем и опыта работы с продакшн-средой (Docker, K8s, CI/CD). Высокая планка ожиданий по техническому стеку и самостоятельности в проведении A/B-тестов.
Анализ зарплаты
Оценка ИИТ-Банк обычно предлагает зарплаты на уровне или выше рыночных медиан для Senior/Middle+ специалистов. Учитывая требования к опыту от 2 лет и работу с K8s/Airflow, можно ожидать конкурентное предложение в указанном диапазоне.
Сопроводительное письмо
Меня заинтересовала вакансия ML-разработчика в команду «Город», так как я обладаю необходимым опытом в построении рекомендательных систем и выводе моделей в продакшн. В моем арсенале — уверенное владение Python, PyTorch и SQL, а также опыт работы с двухуровневыми пайплайнами, что напрямую коррелирует с задачами вашего проекта Shopping.
Я имею опыт полного цикла разработки ML-решений: от сбора датасетов и проведения экспериментов до настройки мониторинга и поддержки стабильности пайплайнов. Работа в Т-Банке привлекает меня возможностью влиять на бизнес-метрики крупного продукта и внедрять современные подходы к персонализации в высоконагруженных системах.
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Т-Банк уже сейчас
Присоединяйтесь к команде Т-Банка и создавайте инновационные рекомендательные системы для миллионов пользователей!
Описание вакансии
ML-разработчик в Город
Локация: Удалённо
Компания: Т-Банк
ЗП: обсуждается на собеседовании
Занятость: Полная
Мы развиваем Shopping — новое направление в мобильном приложении Т‑Банка в разделе «Город». Это маркетплейс с брендами, которых нет на других площадках.
Наша команда работает над рекомендательными системами FMCG-товаров (доставка продуктов) и non-FMCG-товаров (доставка одежды, обуви и так далее). Мы делаем ленты рекомендаций user2item, рекомендации на карточках товара item2item и товаров под корзиной заказа.
Ищем ML-инженера, который будет развивать двухуровневые рекомендательные пайплайны, экспериментировать с новыми подходами и проверять гипотезы для улучшения бизнес-метрик.
Обязанности:
- Ставить ML-задачи и определять подходящий для них стек ML-моделей
- Собирать и предобрабатывать датасеты для обучения моделей
- Разрабатывать ML-модели c нуля, проводить эксперименты для повышения качества и сравнивать разные подходы
- Участвовать в подготовке и проведении A/B-тестов
- Внедрять модели в прод через обновляемые по расписанию витрины и их поддержку. Или писать для этого API-микросервисы на K8s
- Настраивать мониторинг качества модели и бизнес-метрик, проводить диагностику и поддерживать стабильность ML-pipelines
- Читать статьи и разбирать новые подходы к персонализации
Требования:
- У вас есть высшее техническое образование или вы студент последних курсов
- Есть опыт работы в индустриальных ML-проектах от 2 лет — включая этап доставки предсказаний и моделей до прода
- Есть опыт в построении рекомендательных систем
- Уверенно владеете ML и DL
- Умеете программировать на Python, знаете стандартные библиотеки и фреймворки — PyTorch, Tensorflow 2.0, Jax
- Хорошо знаете SQL
- Умеете работать с Git и Docker
- Умеете работать в unix-подобных системах и с удаленными серверами
- Будет плюсом опыт создания и поддержания CI/CD-пайплайнов, создания и настройки систем мониторинга качества модели, опыт работы с клиентами баз данных, Kafka и Airflow
🌐 Резюме отправлять: Откликнуться
–––
Бесплатный постинг вакансий: @freeIT_job
Забирай 📚 Базу Знаний
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- PyTorch
- TensorFlow
- JAX
- SQL
- Git
- Docker
- Kubernetes
- Kafka
- Airflow
- CI/CD
- Machine Learning
- Deep Learning
- Recommender Systems
Возможные вопросы на собеседовании
Вакансия сфокусирована на рекомендациях (user2item, item2item). Важно понимать, как кандидат решает проблему холодного старта и разреженности данных.
Расскажите о вашем опыте построения двухуровневых рекомендательных систем. Какие алгоритмы вы использовали для этапов отбора кандидатов (retrieval) и ранжирования (ranking)?
В описании указано внедрение моделей через API-микросервисы на K8s. Работодателю важно знать, насколько кандидат автономен в вопросах деплоя.
Опишите ваш процесс вывода ML-модели в продакшн. С какими сложностями вы сталкивались при работе с Docker и Kubernetes?
Упоминается участие в подготовке и проведении A/B-тестов. Это критично для оценки влияния ML на бизнес.
Как вы оцениваете результаты A/B-тестов для рекомендательных систем? Какие прокси-метрики и бизнес-метрики вы считаете наиболее показательными?
Требуется знание PyTorch/Tensorflow и современных подходов.
Какие современные архитектуры нейросетей для рекомендаций (например, на базе трансформеров или графовых сетей) вы изучали или применяли на практике?
Работа с данными — основа ML. Требуется уверенный SQL.
Представьте, что вам нужно собрать датасет для обучения модели cross-sell рекомендаций. Как бы вы оптимизировали SQL-запрос для обработки терабайтных логов транзакций?
Похожие вакансии
Data Scientist (Middle)
TPO (Technical Product Owner) в MLOps / Platform
Data инженер Middle+
Data Scientist (Senior)
Data инженер (Senior)
Data Analyst / Data Scientist (Fintech / Payments)
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!
- Страна
- Россия