Senior ML Engineer · поиск
Оценка ИИOkko — сильный бренд с интересными задачами на больших данных. Вакансия предлагает работу с современным стеком и сложными алгоритмами, что отлично для карьерного роста.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИРоль требует глубоких знаний в узких областях: математической статистике (CUPED, diff-in-diff) и оптимизации инференса нейросетей, что характерно для Senior-позиций.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИДля позиции Senior ML Engineer в Москве и Санкт-Петербурге рыночный диапазон составляет от 350 000 до 550 000 рублей. Вакансия соответствует уровню топовых технологических компаний России.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
*💡 Senior ML Engineer · поиск*
Москва, Санкт-Петербург · можно удалённо
Okko ищет ML-инженера для поисковой системы онлайн-кинотеатра. Команда развивает поиск с помощью исследований и экспериментов.
Требования:
— Математическая статистика и методы расчёта A/B-тестов
— Глубокое понимание NLP и знание методов ранжирования
— Опыт вывода нейросетей и ML-моделей в production
— Методы ускорения инференса нейросетей
— Уверенные Python и SQL
Ожидают интерес к методам bootstrap, CUPED, diff-in-diff и другим подходам к оценке экспериментов. Зарплата не указана. Допустимые страны для удалённой работы не перечислены.
*➡️* Откликнуться
*📍* Навигация: База знаний • Задачи • Собеседования
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- SQL
- NLP
- Machine Learning
- Statistics
- A/B Testing
- Ranking
- PyTorch
- TensorRT
- ONNX
Возможные вопросы на собеседовании
Проверка практического опыта оптимизации метрик через эксперименты.
Расскажите, в каких ситуациях вы бы предпочли использовать CUPED вместо обычного t-test при анализе A/B-теста?
Важно для высоконагруженного поиска в онлайн-кинотеатре.
Какие методы ускорения инференса трансформеров (например, BERT) вы применяли на практике?
Оценка понимания специфики ранжирования.
Как вы подходите к проблеме холодного старта для новых единиц контента в поисковой выдаче?
Проверка навыков работы с данными.
С какими основными проблемами вы сталкивались при сборе обучающей выборки для моделей ранжирования на основе логов кликов?
Проверка архитектурного мышления.
Опишите ваш типичный пайплайн вывода ML-модели в production: от обучения до мониторинга качества.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
