- Страна
- Россия
ML-разработчик в Вертикали
Оценка ИИСильный бренд работодателя, работа над общественно значимыми продуктами и отличный социальный пакет. Вакансия предлагает широкий спектр интересных задач и возможности для профессионального роста в сильной команде.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИВакансия требует уверенного владения стеком Python/SQL и глубоких теоретических знаний ML. Дополнительную сложность добавляет необходимость работы с разнообразными доменами: от антифрода и NLP до ценообразования.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в Яндексе для ML-инженеров обычно соответствует верхнему децилю рынка. Хотя в объявлении цифры не указаны, для специалистов такого уровня в Москве вилка составляет от 250 000 до 450 000 рублей в зависимости от грейда.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
*🏡 ML-разработчик в Вертикали*
Приглашаем ML-инженера, готового напрямую влиять на продукт и бизнес. Вы будете работать в команде опытных специалистов, которые помогут погрузиться в различные области машинного обучения и вырасти профессионально.
Какие задачи вас ждут:
• Антифрод и модерация контентаВам предстоит разрабатывать и совершенствовать системы, которые выявляют и предотвращают фишинг, финансовые махинации и другие схемы обмана. Также вы будете строить модели для анализа текста, изображений и аудио, чтобы автоматически обнаруживать и блокировать спам, ненормативный контент и вредоносные ссылки.
• Оценка стоимости недвижимостиПредстоит разрабатывать модели, которые на основе характеристик объекта, локации, рыночных трендов и исторических данных о сделках оценивают справедливость стоимости квартир для аренды и продажи. Это помогает пользователям принимать взвешенные решения, а сервису — выявлять завышенные или подозрительно низкие цены в объявлениях.
Мы ждём, что вы:• Работали с CatBoost, PyTorch, Hugging Face
• Обладаете хорошими теоретическими знаниями в области ML
• Уверенно программируете на Python
• Решаете задачи по подготовке и трансформации данных с помощью SQL
Будет плюсом, если вы:• Имеете опыт в MLOps: оборачивали модели в микросервисы, используя FastAPI и Docker, настраивали оркестрацию пайплайнов с помощью Airflow, выстраивали мониторинг моделей в продакшне
• Работали с задачами из релевантных областей: антифрода, NLP, модерации контента, pricing, time series
• Интегрировали ML-решения в продукт и проводили их валидацию
Почему у нас хорошо:Мы предоставляем полный набор, который поможет уберечься от тревожности и выгорания: ежегодные медицинские чекапы, йога и психотерапия. Это не все бонусы — полный список тут.
*📩* Откликнуться на нашем сайте
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- SQL
- CatBoost
- PyTorch
- Hugging Face
- FastAPI
- Docker
- Airflow
- MLOps
- NLP
- Time Series
Возможные вопросы на собеседовании
Проверка понимания специфики работы с несбалансированными данными, характерными для задач антифрода.
Как вы будете оценивать качество модели антифрода, если доля мошеннических транзакций составляет менее 0.1%? Какие метрики и методы сэмплирования вы выберете?
Оценка навыков работы с градиентным бустингом, который указан в требованиях (CatBoost).
В чем основные преимущества CatBoost перед другими библиотеками градиентного бустинга при работе с категориальными признаками?
Проверка опыта работы с современными NLP-инструментами (Hugging Face).
Расскажите о вашем опыте дообучения (fine-tuning) предобученных моделей из Hugging Face для задач классификации текста или извлечения сущностей.
Оценка продуктового мышления и понимания бизнес-метрик.
Как бы вы спроектировали систему оценки стоимости недвижимости: какие внешние данные, помимо характеристик квартиры, могли бы существенно повысить точность модели?
Проверка инженерных навыков и понимания жизненного цикла модели (MLOps).
Как организовать мониторинг ML-модели в продакшне, чтобы вовремя заметить деградацию её качества (data drift/concept drift)?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
