Senior ML Backend/MLOps Engineer (Лояльность)

Ориентир по рынку≈ 192 000 – 277 000 ₽наша приблизительная оценка по 61 вакансии этой роли и грейда, у работодателя вилка не указана

≈ 2,4 тыс.–3,4 тыс. $

ОфисMiddleПолная занятостьопубликовано 5 ч назад

≈ 192 000 – 277 000 ₽наша приблизительная оценка

Описание

Подготовить отклик

История

Стоит ли откликаться

Стоит откликнуться, но спросите про деньги

Вилку работодатель не назвал, но ориентир по рынку есть: он в строке «Деньги».

2 из 4 в норме

Наша компания

Мы - Управление развития искусственного интеллекта блока "Развитие клиентского опыта B2C". В нашей зоне ответственности ML-решения, результаты работы которых ежедневно влияют на поведение десятков миллионов клиентов. Развитие клиентского опыта – динамический и активно развивающийся процесс. Совместно с бизнесом мы проводим десятки различных экспериментов ежемесячно, и лучшие из них оформляем в полноценные ML продукты. Совокупные финансовые эффекты от наших продуктов > 1 млрд. руб. в год.

Чем предстоит заниматься

Проектировать и развивать end-to-end пайплайны для ML-решений в рамках программы Лояльности: от поставки данных и обучения до A/B-тестирования и вывода моделей в production

Декомпозировать и рефакторить существующие решения (в том числе полу-ручные MVP) в высоконагруженные, отказоустойчивые микросервисы на Python

Тестировать и оптимизировать PySpark ETL/ELT-пайплайны: профилировать узкие места, настраивать джобы, работать с партиционированием и форматом хранения данных для обеспечения производительности на больших объёмах

Разрабатывать внутренние Python-библиотеки и стандарты разработки для переиспользования кода командами Data Science

Наши требования

Опыт от 3 лет в разработке на Python, из них от 2–3 лет в роли MLOps Engineer, Data Engineer или Backend-разработчика в ML-платформах

Уверенная работа с экосистемой Big Data: опыт работы, тестирования и оптимизации PySpark-пайплайнов, Apache Airflow (или аналоги), Kafka, Docker/Kubernetes (K8s), S3/HDFS

Опыт проектирования архитектуры ML-решений: понимание микросервисов, асинхронности, паттернов проектирования

Понимание полного цикла жизни ML-модели: от подготовки данных и feature engineering до мониторинга в проде (MLflow, Prometheus/Grafana или аналоги)

Опыт автоматизации CI/CD для полного цикла ML (обучение, валидация, развёртывание моделей) с использованием GitLab CI или Jenkins

Понимание PySpark на уровне администратора/архитектора: тонкая настройка кластеров, управление ресурсами (динамическое распределение Dynamic Allocation), работа с executors, partitions, управление памятью (spark.memory.fraction, spark.memory.storageFraction), тюнинг shuffle

Опыт работы с Feature Store, MLflow, ClickHouse