ML Engineer

О вакансии

Ищем ML-инженера, который умеет не просто обучать модели, а доводить их до production: от данных и feature engineering до деплоя, мониторинга и улучшения качества в реальных системах.

Что будет в работе

Разработка и развитие ML-моделей: классические ML (классификация, регрессия, ранжирование), deep learning, NLP.

Проектирование и реализация end-to-end ML-пайплайнов: от данных и feature engineering до обучения, валидации и деплоя.

Работа с данными: ETL/ELT, подготовка датасетов, feature store, работа с большими объёмами данных.

Деплой моделей в production: Docker, Kubernetes, REST/gRPC API, batch/online inference.

Настройка MLOps: MLflow/W&B, версионирование моделей и данных, CI/CD/CT, автоматизация переобучения.

Мониторинг моделей в production: метрики качества, latency, throughput, data/model drift, алертинг.

Участие в архитектурных решениях: выбор подходов, оценка trade-off’ов, влияние на стабильность и масштабируемость системы.

Взаимодействие с data scientists, инженерами, аналитиками и бизнес-стейкхолдерами.

Что важно

Коммерческий опыт в ML/ML Engineering от 3 лет, уровень Middle+ / Senior.

Уверенное владение Python:pandas, NumPy, scikit-learn, PyTorch или TensorFlow.

Опыт построения и деплоя ML-моделей в production (не только Jupyter/прототипы).

Понимание классического ML: supervised learning, feature engineering, валидация, метрики качества.

Опыт работы с данными: SQL, ETL/ELT, Spark/Databricks (желательно), работа с большими датасетами.

Опыт работы с Docker, базовое понимание Kubernetes, CI/CD (GitLab CI, GitHub Actions).

Опыт настройки MLOps: MLflow/W&B, версионирование моделей/данных, автоматизация пайплайнов (Airflow, Kubeflow, Databricks Workflows).

Понимание мониторинга моделей в production: метрики, drift detection, алертинг, retraining.

Умение работать автономно, брать задачу целиком и доводить до результата.

Умение переводить бизнес-требования в технические решения и аргументировать свой выбор.

Будет плюсом

Опыт работы с LLM/GenAI: RAG, embeddings, vector databases (FAISS, Milvus, pgvector), prompt engineering, fine-tuning (LoRA)

Практика LLMOps: MLflow, Langfuse, LangSmith, Weights & Biases, evaluation harnesses (Ragas, DeepEval)

Опыт работы с agentic systems: LangGraph, CrewAI, multi-agent workflows

Опыт работы с облачными ML-платформами: AWS SageMaker, Azure ML, Vertex AI

Опыт работы с feature stores (Feast, Tecton), model registries, A/B testing, canary deployments

Знание паттернов MLOps: CI/CD/CT, drift detection, rollback, monitoring (Prometheus, Grafana, Evidently, Arize)

Английский язык для работы с зарубежной документацией, командами и стейкхолдерами.

Английский

Для проектов без английского язык не требуется.

Для европейских и американских проектов нужен английский от B2+.

Процесс

Короткое общение с рекрутером.

Техническое интервью / TechCertify-скрининг.

Передача на подходящие проекты клиентам.

Если вам близок инженерный подход к ML, нравится не просто «обучать модели», а доводить их до production и влиять на реальные продукты - будем рады пообщаться.