- Страна
- Россия
- Зарплата
- 300 000 ₽ – 400 000 ₽
Старший инженер машинного обучения
Оценка ИИСильный бренд, четкие требования и конкурентная вилка делают вакансию привлекательной для опытных специалистов, хотя отсутствие удаленки может быть минусом.
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 ИИВысокая сложность обусловлена требованием к опыту от 4 лет и необходимостью владения полным циклом ML, включая самостоятельную продуктовую аналитику и работу с современными RAG-системами.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИУказанный в описании диапазон 300 000 – 400 000 ₽ полностью соответствует текущим рыночным ожиданиям для позиции Senior ML Engineer в крупных российских технологических компаниях.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
Старший инженер машинного обучения в Самокат
*💰*По итогам собеседования (ср. рын. зп 300 000 ₽ – 400 000 ₽)
*📌*Условия и бонусы:
Фултайм, офис (несколько городов).
*📌*Наши ожидания:
– Опыт работы от 4 лет в сфере Data Science / ML.
– Владение полным циклом ML: разработка признаков, обучение, валидация, выкатка, мониторинг дрейфа.
– Сильное владение SQL и умение самостоятельно строить продуктовую аналитику без привлечения отдельного аналитика.
– Владение Python на уровне продуктового кода (pandas, scikit-learn).
– Опыт работы с embedding-моделями (построение и применение в поиске / RAG).
*✍🏼*Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- SQL
- Machine Learning
- Data Science
- Pandas
- Scikit-learn
- Embeddings
- RAG
Возможные вопросы на собеседовании
Проверка навыков работы с современными методами поиска и извлечения информации.
Расскажите о вашем опыте работы с embedding-моделями: какие архитектуры использовали и как оценивали качество поиска?
Оценка способности кандидата поддерживать жизненный цикл модели.
Как вы организуете мониторинг дрейфа данных и моделей в продакшене? Приведите примеры из практики.
Проверка навыков написания чистого и эффективного кода.
Что для вас означает «Python на уровне продуктового кода»? Какие практики тестирования и код-ревью вы применяете?
Оценка аналитических способностей без поддержки выделенного аналитика.
Опишите случай, когда вам пришлось самостоятельно строить продуктовую аналитику для оценки эффективности ML-модели. Какие метрики вы выбирали?
Проверка владения инструментарием.
С какими ограничениями pandas вы сталкивались при обработке больших данных и как их обходили?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
