Откликайтесь
на вакансии с ИИ
Senior / Principal Data Scientist - Discovery
Оценка ИИRoblox — это топовый мировой бренд с уникальными инженерными вызовами. Вакансия предлагает работу над ключевым продуктовым направлением (Discovery) с использованием передового стека технологий.
Сложность вакансии
Оценка ИИРоль уровня Senior/Principal в глобальной компании требует не только безупречного владения стеком (Spark, Airflow, DL), но и глубокого понимания архитектуры рекомендательных систем и поиска. Ожидается высокий уровень автономности и способность влиять на продукт мирового масштаба.
Анализ зарплаты
Оценка ИИДля позиции Senior/Principal в компании уровня Roblox (США/Global) рыночные зарплаты значительно выше средних по РФ и Европе, часто включая существенную долю в виде акций (RSU). Указанный диапазон отражает базовую часть компенсации для топовых ML-специалистов на международном рынке.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в roblox уже сейчас
Присоединяйтесь к команде Roblox и создавайте будущее глобальной игровой платформы через инновационные алгоритмы поиска и рекомендаций!
Описание вакансии
Senior / Principal Data Scientist - Discovery
Грейд: Senior / Principal
Стек: Python, R, SQL, Hive, Spark, Airflow, Deep Learning, Machine Learning
Roblox — это глобальная онлайн-платформа, позволяющая пользователям создавать собственные игры и играть в игры, созданные другими разработчиками.
Откликнуться через Откликнуться ↓
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- Machine Learning
- SQL
- Deep Learning
- Airflow
- Spark
- R
- Hive
Возможные вопросы на собеседовании
Для уровня Senior/Principal важно понимать, как кандидат справляется с проблемой холодного старта и релевантности в огромном каталоге игр.
Как бы вы спроектировали систему ранжирования для Discovery в Roblox, учитывая разнообразие пользовательского контента?
Проверка навыков работы с Big Data и понимания распределенных вычислений.
Опишите ваш опыт оптимизации Spark-джобов при обработке терабайтных массивов данных для обучения моделей.
Discovery часто опирается на эмбеддинги. Важно понять, как кандидат оценивает их качество.
Какие подходы к оценке качества векторных представлений (embeddings) вы используете до внедрения модели в A/B тест?
Проверка архитектурного мышления и понимания жизненного цикла ML-моделей.
Расскажите о самом сложном кейсе внедрения Deep Learning модели в продакшн: с какими проблемами мониторинга и деградации данных вы столкнулись?
На высоких грейдах важна приоритизация задач.
