- Страна
- Узбекистан
- Зарплата
- от 3 500 $
ML Tech Lead
Оценка ИИИнтересная позиция лидера в AI-проекте с конкурентной зарплатой в долларах, однако работа требует обязательного присутствия в офисе в Ташкенте.
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 ИИРоль Tech Lead требует не только глубоких технических знаний в ML и DL, но и умения выстраивать процессы вывода моделей в продакшн, что значительно повышает порог входа.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата от $3,500 является конкурентной для рынка Узбекистана, соответствуя уровню Senior/Lead специалистов, хотя на международном удаленном рынке такие позиции могут оплачиваться выше.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
ML Tech Lead технологический AI-проект
Зарплата: от $3,500
Местоположение: Ташкент
Формат работы: Офис
Опубликована: 22.09.2026
Требования:
• От 4 лет коммерческого опыта в Machine Learning / AI Engineering
• Практический опыт разработки и внедрения ML-моделей в production
• Понимание Machine Learning и Deep Learning
• Знание ML-метрик и методов оптимизации моделей
О компании:
Технологический AI-проект.
Контакт: Откликнуться
Откликнуться опубликована в @itcom_kz
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Machine Learning
- Deep Learning
- Production Deployment
- Model Optimization
- ML Metrics
Возможные вопросы на собеседовании
Tech Lead должен понимать весь жизненный цикл модели.
Расскажите о вашем самом сложном кейсе вывода ML-модели в production: с какими проблемами столкнулись и как их решили?
Важно уметь выбирать метрики, соответствующие бизнес-целям.
Как вы выбираете метрики для оценки качества модели, если стандартные (например, Accuracy или RMSE) не отражают реальную бизнес-ценность?
Проверка навыков оптимизации ресурсов.
Какие методы оптимизации моделей (квантование, прунинг, дистилляция) вы применяли на практике и какой профит это дало?
Оценка лидерских качеств и архитектурного видения.
Как вы организуете процесс code review и контроля качества данных в ML-команде?
Проверка актуальности знаний в быстро меняющейся сфере.
Как вы подходите к выбору между использованием готовых SOTA-решений (например, через API) и обучением собственных кастомных моделей?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
