- Страна
- Россия
Сеньор Разработчик рекомендательной системы / ML-Engineer
Оценка ИИИВИ — сильный бренд с интересными задачами на больших данных. Гибридный формат в Москве и современный стек делают вакансию очень привлекательной для опытных ML-инженеров.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИПозиция Senior уровня в крупном онлайн-кинотеатре предполагает глубокие знания алгоритмов рекомендаций и умение работать с Big Data стеком. Высокая планка ответственности за метрики продукта усложняет отбор.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для позиции Senior ML Engineer в Москве рыночный диапазон составляет от 350 000 до 550 000 рублей после налогов. ИВИ обычно предлагает конкурентоспособные условия, соответствующие верхним границам рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Сеньор Разработчик рекомендательной системы / ML-Engineer
в ИВИ — онлайн-кинотеатр с библиотекой из десятков тысяч фильмов, сериалов, ТВ-каналов и оригинальных проектов собственного производства.
Стек: Python, SQL, Spark, PyTorch, ClickHouse, Redis, S3.
Гибрид (Москва).
Ищет Анна Здобнякова, её Откликнуться.
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- SQL
- Spark
- PyTorch
- ClickHouse
- Redis
- S3
Возможные вопросы на собеседовании
Рекомендательные системы — ключевой продукт ИВИ, важно понимать опыт кандидата в этой области.
Расскажите о вашем опыте построения рекомендательных систем: какие подходы (коллаборативная фильтрация, контентные методы, гибридные) вы использовали и как оценивали их эффективность?
ИВИ работает с огромными объемами данных о просмотрах, навыки Spark критичны.
С какими проблемами производительности в Spark вы сталкивались при обработке терабайтных датасетов и как их решали?
Рекомендации должны работать быстро, поэтому важно понимать опыт работы с in-memory хранилищами.
В каких сценариях в вашей архитектуре рекомендаций вы бы использовали Redis, а в каких — ClickHouse?
Для Senior уровня важно понимать бизнес-составляющую.
Как вы подходите к выбору оффлайн-метрик и как они обычно коррелируют с онлайн-метриками (A/B тестами) в вашем опыте?
Вакансия предполагает использование PyTorch для обучения моделей.
Опишите процесс вывода (deployment) глубоких нейросетевых моделей в продакшн для работы в реальном времени.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
