Staff Machine Learning Engineer, Home Surfaces
Оценка ИИЭто вакансия мечты для ML-инженера: работа в топовой технологической компании над ключевым продуктом с очень высокой компенсацией и возможностью удаленной работы в пределах Северной Америки. Высокий уровень ответственности компенсируется отличным соцпакетом и работой с передовым стеком.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИРоль уровня Staff в Spotify требует исключительной технической экспертизы в области рекомендательных систем и LLM, а также способности влиять на архитектуру продукта глобального масштаба. Высокая планка ожидается как в системном дизайне, так и в глубоком понимании процессов обучения моделей.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата ($227k - $325k) находится на верхней границе рыночного диапазона для Staff-позиций в США, особенно учитывая дополнительные опционы (equity). Это конкурентоспособное предложение даже для Tier-1 компаний.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Published time: 2026-11-07
Company name: Spotify
Title: Staff Machine Learning Engineer, Home Surfaces
Salary: $227,495 - $324,993 + equity (US base range)
Grades: staff
Job description: Own and improve the ML models behind Spotify's Home feed and Shortcuts experience, build recommendation systems for agentic and AI-powered experiences, and fine-tune and optimize LLMs (SFT, distillation, parameter-efficient training).
Location: North America (United States, Canada)
Anywhere: No
Remote: Yes
Forbidden locations: Outside North America
Tags:
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- PyTorch
- Machine Learning
- LLM
- Recommendation Systems
- SFT
- Distillation
- Parameter-Efficient Training
Возможные вопросы на собеседовании
Spotify Home — это высоконагруженная система. Важно понимать, как кандидат будет обеспечивать баланс между точностью рекомендаций и скоростью ответа.
Как бы вы спроектировали архитектуру ранжирования для Home feed, учитывая необходимость работы в реальном времени и миллионы активных пользователей?
В описании указаны SFT и дистилляция. Это критично для оптимизации работы LLM в продуктовых фичах.
Расскажите о вашем опыте применения Parameter-Efficient Fine-Tuning (PEFT) или дистилляции моделей. В каких случаях вы выберете один метод вместо другого?
Spotify активно внедряет AI-агентов. Вопрос проверяет понимание современных трендов в AI.
Какие основные сложности вы видите при построении рекомендательных систем для 'agentic experiences' по сравнению с классическим фидом?
Роль Staff подразумевает лидерство. Важно уметь аргументировать выбор стека.
Почему для задач Spotify PyTorch может быть предпочтительнее других фреймворков, и какие ограничения вы встречали при масштабировании обучения?
Проверка навыков работы с данными и понимания бизнес-метрик.
Как вы оцениваете влияние изменений в ML-моделях на долгосрочное удержание пользователей (retention), а не только на кликабельность (CTR)?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
