- Зарплата
- 5 000 € – 7 000 €
Откликайтесь
на вакансии с ИИ

Senior / Lead Machine Learning Engineer (RecSys)
Привлекательная вакансия в инновационной сфере Spatial Media с конкурентной зарплатой в евро и возможностью удаленной работы. Высокий балл за стек технологий и масштаб продукта, однако необходимость наличия зарубежного юрлица может быть ограничением для части кандидатов.
Сложность вакансии
Высокая сложность обусловлена требованиями к глубокой экспертизе в RecSys (retrieval + ranking), опыту работы с трансформерными моделями и необходимости совмещать лидирующую роль с активной разработкой (hands-on). Также требуется опыт работы с инфраструктурой (Kubernetes, CI/CD) и бэкендом.
Анализ зарплаты
Предлагаемый доход (5000–7000 EUR) соответствует верхнему сегменту европейского рынка для Senior/Lead ML ролей. Это конкурентоспособное предложение для удаленной работы, особенно учитывая текущие рыночные медианы для специалистов такого уровня.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь в DeoVR уже сейчас
Присоединяйтесь к DeoVR и создавайте будущее иммерсивного видео-стриминга на позиции Lead ML Engineer!
Описание вакансии
#вакансия #vacancy #MachineLearning #RecSys #Python #ML #AI
🚀 Senior / Lead Machine Learning Engineer (RecSys)
DeoVR (Infomediji) — ведущая платформа immersive video-стриминга, миллионы пользователей по всему миру. Строим следующее поколение Spatial Media: интерактивное видео, мульти-юзер присутствие, хаптика, AI и immersive-сторителлинг.
🎯 Проект: рекомендательные системы для видео, shorts и бесконечных лент — ранжирование, ретривал, поиск. От пассивного просмотра к активному интерактивному опыту.
🛠 Стек: #Python, #PyTorch/#TensorFlow, CatBoost/XGBoost, #SQL, Airflow, MLflow, #FastAPI, Docker, #Kubernetes, CI/CD.
Что важно:
✔️ Опыт в ML от 5 лет, из них 3+ в рекомендательных системах (retrieval + ranking);
✔️ Прод-опыт real-time рекомендаций и end-to-end пайплайнов;
✔️ Сильный #Python, продвинутый SQL;
✔️ #PyTorch или #TensorFlow, опыт с CatBoost/XGBoost, Airflow, MLflow;
✔️ Sequential/transformer-based RecSys (#SASRec, #BERT4Rec, transformers4rec);
✔️ Бэкенд-опыт (идеально Python/FastAPI) — сам писал API-слой для сервинга моделей;
✔️ Лид-опыт: вёл команду или направление, при этом остаёшься hands-on.
Задачи:
Проектирование ranking- и retrieval-моделей для главной, related-контента и поиска;
Real-time рекомендации для видео, shorts и infinite scroll;
End-to-end пайплайны от data ingestion до inference, вклад в бэкенд;
Исследование алгоритмов генерации Shorts.
➕ Плюсом: дизайн и оптимизация поисковых систем, MSc в CS/Math, опыт в видео-стриминге/медиа с крупным каталогом.
📍 Формат: полностью удалённо. B2B-сотрудничество — работа через собственное юрлицо (ИП / limited company / эквивалент), зарегистрированное вне РФ и РБ.
💰 Доход: до 5 000–7 000 EUR/gross в зависимости от опыта.
🎁 Что предлагаем: прямое влияние на будущее immersive-медиа, гибкий график, remote-first культура, все нужные инструменты и tech, unlimited DeoVR Premium, команда, где ценят инициативу и ясность.
📩 За подробностями — в личные сообщения Откликнуться
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- Python
- PyTorch
- TensorFlow
- CatBoost
- XGBoost
- SQL
- Airflow
- MLflow
- FastAPI
- Docker
- Kubernetes
- CI/CD
- RecSys
- SASRec
- BERT4Rec
- Transformers
Возможные вопросы на собеседовании
Проверка опыта работы с современными архитектурами рекомендаций, указанными в вакансии.
Расскажите о вашем опыте внедрения SASRec или BERT4Rec: с какими основными сложностями при обучении и инференсе этих моделей вы сталкивались?
Вакансия подразумевает работу с real-time рекомендациями.
Как вы проектируете систему для обеспечения низкой задержки (low latency) при ранжировании в реальном времени для миллионов пользователей?
Важная часть роли — построение полных пайплайнов.
Опишите ваш подход к организации end-to-end ML-пайплайна: от сбора данных в SQL до деплоя модели через FastAPI в Kubernetes.
Позиция предполагает лидирующую роль.
Как вы балансируете между управленческими задачами и написанием кода, и как вы выстраиваете процессы code review и обмена знаниями в ML-команде?
В задачах указано исследование алгоритмов для Shorts.
Какие метрики и подходы к моделированию вы бы использовали для оптимизации рекомендаций коротких видео (Shorts) в отличие от длинного контента?
Похожие вакансии
TeamLead MLOps / DevOps (Пайплайны)
AI-Native Team Lead (Backend)
Lead Research Engineer
MLOps Engineer (Lead)
Delivery Team Lead (AI / Enterprise Intelligence)
Tech Lead NLP Engineer
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!