Travelpayouts: Product Team Lead / Principal ML Engineer ML

Team Lead / Principal ML Engineer

Travelpayouts: Product

Удалённо

Что нужно делать

Первые 90 дней

Вот что реально стоит в очереди:

• Intent Prediction: у нас есть гипотеза, что мы можем предсказывать намерение пользователя на основе поведенческих сигналов — и использовать это для улучшения монетизации. Модели в экспериментах есть, в продакшене — нет. Нужно довести до прода.
• Классификация контента: модель работает, но переобучается вручную. Нужно автоматизировать цикл: данные → обучение → валидация → деплой.
• LLM Gateway: несколько продуктовых потоков хотят использовать LLM-возможности, но каждый строит своё. Нужно решить, нужен ли единый внутренний слой, и если да — спроектировать его.

Кодить и строить:

• Писать production-ready код, дообучать трансформеры, собирать eval-сеты
• Строить MLOps-инфраструктуру: пайплайны переобучения, feature store, мониторинг качества моделей
• Участвовать в Tech Design Review и определять архитектурные решения — отвечать за стабильность, отказоустойчивость и capacity ML-сервисов

Соединять ML и продукт:

• Переводить метрики моделей (F1, ROC-AUC) в язык бизнеса: конверсия, деньги, Time-to-Market
• Аргументированно защищать технические решения перед CPO, мыслить финансовыми последствиями выбора архитектуры
• Подключаться к Discovery на ранних стадиях — предлагать MVP, давать честные оценки трудоёмкости
• Объяснять, почему eval-сет важнее новой фичи — и уметь это доказать цифрами

Лидировать команду (с 4-го месяца):

• Развивать инженеров: T-shape компетенции, code review, разбор архитектурных решений, личный инженерный пример
• Участвовать в найме следующих членов команды

Чего ждём от тебя

Без этого не получится:

• 5+ лет в ML/DS — ты выкатывал модели в прод и знаешь, что это значит на практике
• Уверенный Python: ООП, типизация, тесты
• Классический ML: бустинги, валидация, понимание где нейросеть избыточна, а где достаточно градиентного бустинга
• Опыт с текстовыми нейросетевыми моделями: BERT-подобные трансформеры, LLM API, промпт-инжиниринг, eval-сеты
• Практический опыт MLOps: пайплайны данных, оркестрация (Airflow, Kubeflow или аналоги), трекинг экспериментов
• Инфраструктурный бэкграунд: Docker, CI/CD, Kubernetes, логирование и мониторинг — ты понимаешь, как устроены высоконагруженные сервисы, а не только модели внутри них
• Умение мыслить P&L: переводить метрики моделей (F1, ROC-AUC) в конверсии и деньги, защищать технические решения перед бизнесом финансовыми аргументами
• У тебя уже есть опыт менторства или лидерства — и тебе это нравится

Серьёзный плюс:

• Понимание Go или опыт с Go-сервисами: наш бэкенд на Go, и без этого контекста часть архитектурных решений будет непрозрачной
• ClickHouse, Kafka, PostgreSQL
• Опыт в highload: проектирование систем под миллионы запросов
• Опыт миграции или выпила сервисов из монолита — понимаешь цену архитектурных решений на масштабе

Как мы работаем

• в любой точке мира: не привязываемся к локации, платим в долларах, любим путешествовать;
• без бюрократии: удобные процессы здорового человека, горизонтальные и открытые коммуникации, быстрое обсуждение идей и принятие решений;
• компенсируем: ДМС, психотерапию или иностранные языки, занятия спортом и больничный.