ML Engineer
О компании:
Мы — EvApps, IT-компания, создающая программные решения любой сложности: корпоративные порталы, облачные сервисы, мобильные приложения, информационные системы для бизнеса и государственных структур.Работаем с российскими и зарубежными заказчиками, с 2019 года развиваем IT-аутстаффинг.Награждены золотом Tagline Awards (2022) и занимаем лидирующие позиции в Рейтинге Рунета
Что предстоит делать:
– Погружаться в продуктовые задачи в формате аутстафф: интеграция в команду клиента, участие в планировании, обсуждениях, проработке требований и архитектурных решений
– Анализировать бизнес-требования и формулировать ML-подход.
– Проектировать архитектуру ML-решений.
– Разрабатывать, обучать и оптимизировать модели (classic ML, DL).
– Проводить feature engineering, подбор метрик, валидации, A/B-эксперименты.
– Создавать ML-сервисы и микросервисы, интегрировать модели в продакшн.
– Настраивать мониторинг моделей, проводить итеративное улучшение.
– Работать с данными: подготовка, очистка, преобразование, структурирование.
– Взаимодействовать с командами разработки, аналитики, DevOps.
– Погружаться в современные LLM-инструменты и применять их в продуктах (по необходимости).
Что нам важно:
Опыт и образование:
–
Опыт работы ML-инженером/Data Scientist от 3 лет.
– Подтвержденный опыт разработки и внедрения ML-моделей в продакшн (минимум 3-5 проектов, минимум 1 проект - с нуля до продакшен + мониторинг + совершенствование).
– Законченное высшее образование - IT, техническое или математическое.
Технические навыки:
–
Уверенное знание Python, умение писать чистый, поддерживаемый продакшн-код, в первую очередь- для ML-задач.
– Опыт создания и сопровождения ML-сервисов на современных фреймворках: FastAPI, Flask.
– Глубокое понимание алгоритмов машинного обучения (деревья решений, линейные модели, ансамбли, нейросети).
– Практический опыт решения задач классического ML: классификация, регрессия, кластеризация.
– Опыт работы с библиотеками: pandas, numpy, scikit-learn, plotly/matplotlib/seaborn, scipy.
– Опыт с градиентным бустингом: XGBoost, LightGBM, CatBoost.
– Опыт работы с DL-фреймворков: PyTorch, TensorFlow, Keras.
– Понимание feature engineering, метрик качества моделей и методов валидации.
– Знание SQL для работы с данными.
MLOps и разработка:
–
Опыт работы с Git в команде.
– Понимание микросервисной архитектуры и контейнеризации, базовые навыки Docker.
– Понимание работы REST/gRPC API.
– Навыки работы в Linux (командная строка, bash)
– Опыт работы с базами данных: PostgreSQL, MySQL.
Профессиональные качества:
–
Способность самостоятельно решать задачи с минимальным контролем
– Понимание бизнес-контекста и умение переводить бизнес-задачи в ML-формулировку.
– Системное мышление при проектировании решений.
– Портфолио с завершенными проектами.
– Готовность активно погружаться в быстро развивающийся стек LLM-технологий и применять их на проектах.
Будет плюсом:
Широта экспертизы
– Опыт работы в разных доменах: Computer Vision, NLP, Time Series, финтех, e-commerce и других.
– Опыт работы с разнообразными библиотеками и инструментами, решающими одни и те же задачи, понимание различий и плюсов/минусов.
– Опыт работы с неструктурированными, большими данными, разными форматами данных.
Работа с LLM и продвинутыми подходами
– Навыки работы с большими языковыми моделями (Hugging Face, vLLM).
– Знание архитектурных паттернов для LLM.
– Опыт построения и оптимизации RAG-систем.
– Умение строить и донастраивать сложные взаимодействия с LLM: prompt engineering, prompt chaining, function calling и contextual memory.
– Навыки работы с векторными базами данных (подбор, оптимизация запросов, управление индексами).
MLOps и инфраструктура
– Владение инструментами CI/CD и принципами MLOps для автоматизации. развертывания моделей: GitLab, GitHub.
– Tracking экспериментов: MLflow, Weights & Biases.
– Оркестрация пайплайнов: Airflow, Kubeflow.
– Опыт работы с аналитическими БД: ClickHouse, Greenplum.
– Опыт оптимизации моделей: ONNX, TensorRT, quantization.
Что мы предлагаем
– Работа в продуктивном аутстафф-формате: участие в реальных продуктовых командах заказчиков
– Оплачиваем тестовое задание при трудоустройстве - если тест отрабатывается на реальном кейсе проекта, мы компенсируем время кандидата после выхода в штат.
– Работа в устойчивой IT-компании и возможность профессионального роста.
– Участие во внутренних мероприятиях, корпоративной культуре и развитии компании.
– Формат: офис Тула или удалёнка с другого города
– Оформление по ТК РФ
– IT-ипотека по сниженной ставке, отсрочка от службы в армии
– График: 5/2, с 9:00 до 18:00, плавающий обед;
– Компенсации и бонусы:
– 50% оплаты занятий английским;
– 50% оплаты спорта;
– софинансирование профессионального обучения;
– оплата парковки для офисных сотрудников.
Как откликнуться
Отправьте в сопроводительном письме ссылки на портфолио / GitHub / pet-projects - нам важно видеть реальные кейсы и результаты.
Если вы хотите работать с ML-архитектурой, сложными задачами и продакшн-решениями - будем рады познакомиться!