ML Engineer

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…