- Страна
- Россия
Откликайтесь
на вакансии с ИИ
MLE/AE
Оценка ИИСильная продуктовая компания с современным стеком и разнообразными задачами (CV, NLP, Speech). Отличная возможность для профессионального роста в области AI Engineering и MLOps.
Сложность вакансии
Оценка ИИРоль требует глубоких знаний в нескольких областях: CV, Speech-to-Text и классический ML, а также навыков MLOps для вывода моделей в продакшен. Стек технологий достаточно широк и включает как современные LLM/Whisper, так и инфраструктурные инструменты вроде Airflow и Iceberg.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для позиции такого уровня (MLE с опытом в CV и Speech) на российском рынке медиана составляет около 350 000 - 450 000 рублей после налогов. Специалисты с навыками MLOps и оптимизации инференса ценятся выше среднего.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Метр квадратный уже сейчас
Отправьте свое резюме Вике, чтобы создавать передовые ML-решения для крупнейшей экосистемы недвижимости!
Описание вакансии
MLE/AE
Привет, и более полное описание вакансии в М2
Метр квадратный (М2) - это онлайн-платформа для решения вопросов с недвижимостью. Наша компания помогает проводить сделки проще, быстрее и безопаснее.
ЧЕМ ПРЕДСТОИТ ЗАНИМАТЬСЯ:
разрабатывать и доводить до продакшена модели компьютерного зрения
решать задачи речевой аналитики: транскрибация звонков, диаризация спикеров, извлечение сущностей и интентов, оценка качества коммуникаций и построение аналитических витрин по разговорам;
строить классический ML: скоринг, ранжирование, прогноз конверсии и оттока, рекомендательные и matching-модели на табличных данных;
проводить полный цикл ML: постановка задачи, разметка и подготовка данных, обучение, валидация, A/B и offline-оценка, мониторинг качества в проде;
упаковывать модели в сервисы (API/batch), выкатывать в продакшен, обеспечивать стабильность, latency, отказоустойчивость и версионирование;
настраивать пайплайны обучения и инференса, feature store / датасеты, трекинг экспериментов и CI/CD для ML;
работать с продуктом и бизнесом: формализовать метрики успеха, декомпозировать гипотезы, объяснять решения моделей и влияние на KPI.
ЧЕГО МЫ ЖДЕМ:
уверенный Python и опыт промышленной разработки, а не только ноутбуков;
практический опыт Computer Vision (классификация, детекция, сегментация) и работы с современными CV-архитектурами;
опыт речевой аналитики / speech-to-text: ASR, диаризация, NLP поверх транскриптов;
сильный классический ML: feature engineering, градиентный бустинг, валидация, работа с дисбалансом и утечками;
опыт вывода ML в прод: сервисы инференса, batch/online, мониторинг дрифта, ретрайн, откат моделей;
понимание MLOps: Docker, оркестрация пайплайнов, трекинг экспериментов, версионирование данных и моделей;
умение читать SQL и работать с витринами/хранилищами; плюсом — опыт GPU-инференса и оптимизации (ONNX, Triton, квантизация).
Наш стек:
Python,Java,Trino,DBT,Iceberg,Airflow,llama.cpp,LLM, Whisper,FastAPI,MLFlow,S3 + то что принесешь ты
Для контакта просьба писать Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- Machine Learning
- LLM
- SQL
- dbt
- Computer Vision
- NLP
- Docker
- Airflow
- Java
- MLflow
- FastAPI
- ONNX
- Triton
- ASR
- Whisper
Возможные вопросы на собеседовании
Вакансия включает задачи по транскрибации и диаризации. Важно понимать, как кандидат справляется с типичными проблемами ASR.
Как вы подходите к оценке качества системы речевой аналитики и какие метрики, помимо WER, используете для оценки бизнес-эффективности?
В описании указан опыт вывода моделей в прод и мониторинг.
Расскажите о вашем опыте борьбы с data drift и model drift в продакшене: как вы их обнаруживаете и какие стратегии ретрайна применяете?
Упоминается работа с GPU-инференсом и оптимизацией.
Какие методы оптимизации моделей (квантизация, прунинг, ONNX) вы использовали на практике и какого выигрыша в latency удалось достичь?
Работа с табличными данными и классическим ML — важная часть роли.
Как вы решаете проблему дисбаланса классов при построении моделей скоринга или прогноза оттока на реальных данных?
Стек включает Airflow и MLOps инструменты.
