Ищется ML разработчик Middle / Middle+.

Локация: РФ

Обязательные требования:

  • Не менее 3 лет в роли ML Engineer либо на смежной позиции (например, Data Scientist с выраженным инженерным уклоном).
  • Продвинутый уровень программирования на Python: написание чистого и модульного кода, работа с типизацией и асинхронным программированием.
  • Уверенное владение библиотеками scikit‑learn, pandas, NumPy.
  • Практический опыт работы с одним из фреймворков: PyTorch, TensorFlow или JAX.
  • Опыт написания сложных SQL‑запросов, включая оконные функции.
  • Знакомство с инструментами обработки больших данных: Spark (PySpark) или Dask.
  • Навыки оптимизации запросов.
  • Базовые навыки администрирования Docker и Kubernetes.
  • Работа с системами контроля версий (Git, DVC для управления данными).
  • Настройка CI/CD‑пайплайнов (GitLab CI, GitHub Actions, Jenkins).
  • Мониторинг моделей и инфраструктуры (Prometheus + Grafana, Evidently AI, MLflow).
  • Облачные платформы: опыт работы хотя бы с одной из: AWS (SageMaker, EKS), GCP (Vertex AI), Azure ML, либо опыт развёртывания on‑premise решений (Kubeflow, Airflow).
  • Деплой моделей: практический опыт вывода моделей в production с использованием FastAPI, Flask, Triton Inference Server, TensorFlow Serving или аналогичных инструментов.

Дополнительные требования:

  • Опыт работы с feature store: Feast, Tecton, Hopsworks.
  • Навыки распределённого обучения: Horovod, Ray, PyTorch Distributed.

Задачи на проекте:

  • Разработка и оптимизация моделей машинного обучения для решения бизнес‑задач (прогнозирование, классификация, рекомендательные системы, обработка естественного языка / компьютерное зрение — в зависимости от проекта).
  • Проектирование и внедрение пайплайнов обработки данных (ETL/ELT) для обучения и инференса моделей.
  • Настройка и поддержка CI/CD‑пайплайнов для ML‑моделей (MLOps), включая версионирование данных и моделей, автоматическое переобучение и мониторинг дрифта.
  • Интеграция моделей в продуктовую среду посредством REST API, брокеров сообщений или batch‑процессов.
  • Проведение A/B‑тестирования моделей, анализ их качества в реальном времени и формирование предложений по улучшению.
  • Участие в выборе архитектуры и технологического стека для новых AI‑решений.
  • Документирование разработанных решений и обмен экспертизой внутри команды.

Описание проекта и команды:
Управляющая компания.