Инженер по машинному обучению — Комус

Комус – ведущий производитель и комплексный поставщик товаров и услуг для бизнеса.
Komus.com входит в ТОП-30 крупнейших интернет-магазинов рунета.
Мы реализуем амбициозную программу цифровой трансформации, и в нашей команде открыта вакансия инженер по машинному обучению

ПРЕДЛАГАЕМ

• Конкурентный доход: оклад (обсуждаем индивидуально), система премирования и проектные бонусы

• Возможность оформления в ИТ-аккредитованную компанию

• Гибридный формат работы (гибкость и индивидуальный подход), график 5/2 с 9.00 до 18.00.

• Удобную локацию – новый современный офис БЦ «Интеграл» в пешей доступности от с. м. Авиамоторная

• Развитую офисную инфраструктуру: зоны с бесплатными напитками и снеками, корпоративный бесплатный фитнес-центр и игровые пространства

• Корпоративную программу лояльности и скидок (товары и услуги, развлечения, рестораны, спорт, отдых и многое другое)

• ДМС и абонементы в фитнес-клубы по специальным условиям

• Дополнительное премирование в рамках реферальной программы «Все в Комус»

• Корпоративное обучение и поддержка опытного наставника

• Драйвовые мероприятия и подарки к праздникам для сотрудников и их семей

• Возможности для развития и карьерного роста.

ЧЕМ ПРЕДСТОИТ ЗАНИМАТЬСЯ

• Вести полный цикл разработки решений машинного обучения: участвовать во всех этапах задач анализа данных и машинного обучения – от изучения подходов и выдвижения предположений до внедрения в изделие, управления порядком работы и наблюдения за моделями

• Разрабатывать и встраивать модели: писать рабочий код для сбора признаков, обучения и вывода предсказаний. Встраивать модели в среду изделия с помощью программных интерфейсов передачи данных, посредников сообщений или пакетной обработки

• Разрабатывать и улучшать системы упорядочивания: проектировать, создавать и внедрять модели машинного обучения для упорядочивания (обучение ранжированию) с целью повышения уместности поисковой выдачи. Строить смешанные системы, сочетающие привычный текстовый поиск с поиском по числовым представлениям и по смыслу

• Понимать запрос пользователя: разрабатывать модели обработки естественного языка и машинного обучения для понимания намерений пользователя, исправления запросов, их расширения или переформулировки для улучшения результатов поиска

• Оценивать качество поиска: внедрять и разбирать как показатели качества, измеряемые без участия пользователей, так и опыты с участием пользователей (сравнительные испытания) для измерения влияния изменений на поисковую выдачу и деловые показатели

ДЛЯ НАС ВАЖНЫ

• Опыт работы: от 2 лет в роли инженера по машинному обучению или специалиста по анализу данных с выраженным инженерным уклоном

• Языки программирования и базы данных: продвинутое владение Python (написание чистого, раздельного на части кода, работа с указанием типов) и SQL (включая оконные функции)

• Библиотеки машинного обучения и анализа данных: уверенное владение стандартным набором: NumPy, pandas/polars, scikit-learn, XGBoost/LightGBM/CatBoost, а также средами для глубинного обучения (PyTorch / TensorFlow)

• Классические способы машинного обучения: глубокое знание принципов работы классических способов машинного обучения (линейная и логистическая регрессия, деревья решений, случайный лес, градиентное усиление), теории вероятностей и математической статистики

• Поиск по числовым представлениям: опыт работы с понятиями и инструментами поиска по числовым представлениям: порождение вложенных представлений, способы приближённого поиска ближайших соседей, работа с базами данных числовых представлений (например, Pinecone, Weaviate, Qdrant, Milvus, FAISS)

• Инженерия и сопровождение моделей: опыт работы с изоляцией сред (Docker) и управлением порядком работы (Kubernetes)

• Опыт настройки наблюдения (Prometheus + Grafana) и опытов (MLflow)

• Опыт работы с инструментами обработки больших данных, в частности PySpark

• Современная обработка естественного языка и большие языковые модели: опыт применения больших языковых моделей и построений на основе преобразователей (например, BERT) для задач поисковой уместности, включая упорядочивание, поиск по смыслу и последовательности обработки с дополнением из внешних источников