ML Engineer / Инженер по машинному обучению (рекомендательные системы)

Мы IT-компания с многолетним опытом на рынке, штатом до 1000 человек, ищем опытного ML Engineer, который будет отвечать за разработку, внедрение и оптимизацию ML-моделей, в особенности для рекомендательных систем с онлайн-инференсом. Ваша работа напрямую повлияет на персонализацию пользовательского опыта и рост бизнес-показателей. Основные задачи: разработка высоконагруженных систем машинного обучения, акцент на рекомендательные сервисы в режиме реального времени; участие в проектировании архитектуры ML platform, определение технических требований и подходов; разработка и оптимизация алгоритмов рекомендаций (коллаборативная фильтрация, контентно-ориентированные подходы, гибридные модели); создание решений для персонализации товаров, поиска похожих товаров и других рекомендательных функций; построение модели для анализа изображений товаров (классификация, поиск по визуальному сходству); внедрение системы прогнозирования ключевых операционных показателей. Ожидания от кандидата: 4+ года опыта разработки ML-решений in production (не research, не pet projects); опыт проектирования и создания рекомендательных систем, работающих в режиме реального времени с измеримым business impact; хорошее понимание ML-метрик и A/B тестирования (дизайн, запуск, анализ); высокая автономность: проектирование системы от идеи до production; уверенное владение Python (production-grade код); навыки реального обучения моделей, не только inference (PyTorch или TensorFlow); умение дебажить ООМ, писать эффективные jobs (Apache Spark (PySpark)); навыки работы со сложными аналитическими запросами в SQL; опыт с Linux, Git, Docker. Важно: понимание разницы между ML model и lookup table; знание, когда нужен ML, а когда достаточно правил; умение объяснить trade-offs: latency vs accuracy, complexity vs maintainability; способность валидировать результаты (не фейковые метрики). Желательно: знание RecSys алгоритмов на практике: collaborative filtering, matrix factorization, two-tower, graph-based; опыт с Vector databases: Qdrant, Milvus, Pinecone (реальные проекты); навыки с Feature stores: Feast, Tecton; MLOps: MLflow, experiment tracking, model registry; опыт с Kubernetes, cloud (AWS/Yandex Cloud); е-commerce domain knowledge. Условия и компенсации готовы обсуждать с кандидатами на интервью. Заранее благодарим за отклик!