Мы – аккредитованная IT-компания, в которой работает более 200 человек, и мы в поисках ML инженера в свою команду, чтобы вместе драйвить компанию, рынок и мир!

Наш стек:

Микросервисная архитектура. Общая разработка на Go, PHP;
ML-разработка ведется на Python и уже представлена несколькими сервисами;
DevOps и SRE практики;
Self Managed Kubernetes on Bare Metal, MetalLB + Ingress Nginx, Helm;
Kafka, Redis, MySQL, ClickHouse;
ELK stack, Prometheus, Grafana;
Github, Argo CD, Ansible, GitOPS, IaC.

Зоны ответственности:

Разработка и оптимизация ML-моделей для работы с различными видами данных, включая изображения и тексты;
Улучшение и поддержка существующих ML-сервисов;
Разработка и реализация тестовых сценариев для оценки производительности и качества ML-моделей;
Настройка сбора данных и визуализации метрик для ML-сервисов;
Выполнение код-ревью.

Нам важно увидеть:

Знание математического анализа, линейной алгебры и статистики применительно к data science;
Опыт разработки на Python не менее 2 лет;
Уверенное владение SQL, включая написание сложных запросов;
Понимание основных этапов работы с данными и разработки ML-модели;
Знание сильных и слабых сторон классических алгоритмов ML для решения различных задач обучения с учителем и без учителя;
Опыт полного цикла разработки ML-продуктов — от EDA в Юпитер-ноутбуках до вывода ML-сервисов в прод;
Понимание устройства микросервисной архитектуры;
Опыт создания приложений на основе REST API;
Опыт реализации очереди (например, с помощью Kafka) для обработки запросов ML-моделью в асинхронном потоковом режиме;
Опыт работы с различными источниками сырых данных в рамках ML-пайплайна (примеры: PostgreSQL, ClickHouse, MongoDB, Redis, s3);
Отличное знание git;
Уверенное владение Docker.

Опыт в Deep Learning:

Понимание принципов работы и опыт реализации нейронных сетей для различных CV-задач: классификация, обнаружение объектов, сегментация;
Либо знание различных методов предобработки текстовых данных и опыт применения классических ML-алгоритмов и нейронных сетей (включая трансформеры) для различных NLP-задач.

Будет большим плюсом:

Понимание принципов практики CI/CD;
Опыт деплоя ML-сервисов с использованием Kubernetes;
Опыт настройки мониторинга с использованием Prometheus и Grafana (или аналогичных инструментов);
Участие в соревнованиях по data science.