Откликайтесь
на вакансии с ИИ

Senior/Lead ML Engineer (MLOps + ML)
Привлекательная позиция для опытных специалистов благодаря in-house формату и современному стеку технологий. Роль предполагает высокую степень ответственности и возможность влиять на архитектуру ML-решений.
Сложность вакансии
Высокая сложность обусловлена требованием совмещения ролей ML и MLOps инженера на уровне Senior/Lead. Кандидат должен владеть широким стеком технологий, включая Python, Java, облачные платформы и инструменты обработки больших данных.
Анализ зарплаты
Для позиции уровня Senior/Lead ML Engineer с навыками MLOps на глобальном рынке предлагаемая роль соответствует верхним границам рыночных ожиданий. Сочетание ML и Java-разработки часто оплачивается выше среднего из-за редкости таких специалистов.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь в TalentsToday уже сейчас
Отправьте свое резюме сегодня, чтобы возглавить разработку MLOps-инфраструктуры в стабильном in-house проекте!
Описание вакансии
📌 In-house (not outstaff) ‼️
We are looking for a Senior/Lead ML Engineer (MLOps + ML) ⚡️
🎯 Requirements:
• Strong commercial experience as both ML Engineer and MLOps Engineer
• Hands-on experience with ML/DL workflows and best practices
• Strong experience with CI/CD pipelines and automation
• Experience working with AWS, Azure, or GCP
• Strong Python and Java skills
• Experience with PostgreSQL, MongoDB, Redis
• Experience with MLflow, Langfuse, SageMaker, or similar DS/MLOps tools
• Experience with Apache Spark
• Experience with PyTorch and/or TensorFlow
• B.Sc. or M.Sc. in Computer Science, Software Engineering, or a related field
📩 Send your CV:
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- AWS
- Azure
- Python
- GCP
- PyTorch
- CI/CD
- PostgreSQL
- MLOps
- Redis
- Apache Spark
- Java
- TensorFlow
- MLflow
- MongoDB
- SageMaker
- Langfuse
Возможные вопросы на собеседовании
Проверка опыта в MLOps и понимания жизненного цикла модели.
Расскажите о самом сложном пайплайне CI/CD для ML-моделей, который вы проектировали: как вы обеспечивали воспроизводимость и мониторинг?
Оценка навыков работы с большими данными и Apache Spark.
С какими основными проблемами производительности в Apache Spark вы сталкивались и как их решали при подготовке данных для обучения?
Проверка владения Java в контексте ML-инфраструктуры.
В каких сценариях в вашей практике было оправдано использование Java вместо Python для ML-сервисов?
Оценка опыта работы с облачной инфраструктурой.
Как вы оптимизировали затраты на обучение и деплой моделей в AWS/Azure/GCP без потери производительности?
Проверка лидерских качеств и архитектурного видения.