Мы ищем Lead ML Engineer, который возглавит новый поток ML, ориентированный на быстрое внедрение практических решений машинного обучения в разных продуктах и бизнес‑доменных областях.
Поток будет работать с широким спектром задач ML. Некоторые инициативы могут быть относительно небольшими и реализованы в течение нескольких недель, в то время как другие докажут свою ценность и вырастут в крупные выделенные проекты.
Эта роль сочетает практическую ML‑инженерию с полным владением технической доставкой от начала до конца. Вы будете получать проблемные задачи продукта и ожидаемые результаты от Product или внутренних заинтересованных сторон, уточнять технические требования и ограничения, определять подход к реализации, координировать выполнение в рамках потока и доводить решения до готовности к запуску в продакшн.
Это роль с высокой практической вовлечённостью. В потоке не будет выделенного инженера‑программиста для каждой инициативы, поэтому мы ожидаем, что Data Scientists и ML Engineers будут комфортно работать за пределами экспериментов и напрямую вносить вклад в продакшн‑код.
Роль не привязана к единой области ML. Мы ценим прочные фундаментальные знания ML, инженерные навыки, прагматизм и способность быстро разбираться в новых проблемных областях больше, чем глубокую специализацию в конкретном классе моделей.
Обязанности работы
Владение технической доставкой
- Превращать проблемные задачи продукта и бизнеса в конкретные планы реализации ML.
- Уточнять требования, ограничения, доступные данные, интеграции и критерии успеха совместно с Product и соответствующими заинтересованными сторонами.
- Определять технический объём, вехи, зависимости, риски и оценки сроков доставки.
- Выбирать подходящие подходы ML и определять самый быстрый надёжный способ их валидации и реализации.
- Управлять технической доставкой через эксперименты, реализацию, интеграцию, развертывание и подготовку к запуску.
- Поддерживать процесс доставки в графике, проактивно выявлять блокеры и координировать зависимости с другими командами.
- Предоставлять Product чёткие технические варианты, компромиссы, оценки, риски и результаты экспериментов, необходимые для принятия продуктовых решений.
- Поддерживать выпуск в продакшн и итерации на основе наблюдаемых результатов.
Практическая ML и инженерия
- Проектировать, обучать, оценивать и развертывать модели ML в разных доменах и типах задач.
- Писать продакшн‑качественный Python‑код и напрямую участвовать в реализации.
- Создавать API, пакетные задания, конвейеры обработки данных и ML‑сервисы, необходимые для доставки решений, где это уместно.
- Работать с классическим ML, глубоким обучением и подходами на основе foundation‑model в зависимости от задачи.
- Обрабатывать и трансформировать большие производственные наборы данных с помощью Python и SQL.
- Интегрировать модели в существующие производственные системы.
- Реализовывать соответствующее тестирование, мониторинг, логирование и наблюдаемость доставленных решений ML.
- Работать в рамках общей инфраструктуры ML, архитектуры и инженерных практик, используемых в компании.
- Сотрудничать со специалистами Data Science, Backend, Data Engineering и MLOps, когда требуется более глубокая экспертиза домена или изменения инфраструктуры.
Выполнение потока
- Разбивать инициативы на конкретные технические задачи и координировать их выполнение в рамках потока.
- Координировать работу Data Scientists и ML Engineers, участвующих в инициативах потока.
- Рецензировать технические подходы, эксперименты и реализации.
- Держать команду сфокусированной на согласованном объёме, приоритетах и сроках доставки.
- Выявлять технические риски и зависимости на ранних этапах и доводить их до решения.
- Эскалировать вопросы архитектуры, инфраструктуры или методологии, когда требуется более широкое согласование.
- Помогать готовить успешные инициативы к масштабированию или переходу в долгосрочное владение, если они выходят за рамки потока.
Кросс‑функциональное сотрудничество
- Тесно работать с Product на протяжении всего жизненного цикла доставки.
- Самостоятельно собирать технические детали и ограничения, необходимые для выполнения запроса продукта.
- Чётко сообщать оценки, зависимости, технические компромиссы и статус доставки.
- Работать напрямую с Engineering и другими внутренними командами для снятия блокировок реализации.
- Оспаривать технически неясные, противоречивые или нереализуемые требования и предлагать практические альтернативы.