Описание
Мы ищем Principal Machine Learning Engineer (SageMaker, MLOps, Model Governance & Explainability), который возьмёт на себя техническое лидерство на всех этапах жизненного цикла ML-систем, обеспечивающих работу новой платформы для мэтчинга. Роль отвечает за определение ML-архитектуры, установление инженерных стандартов, повышение зрелости MLOps и обеспечение того, чтобы модели были масштабируемыми, безопасными, объяснимыми и соответствовали корпоративным стандартам governance.
Задачи
•Определить сквозную ML-архитектуру платформы мэтчинга, включая пайплайны данных, workflow обучения моделей, инференс-раннтаймы и экосистемы телеметрии.
•Внедрять лучшие практики MLOps, инструментарий платформы и возможности AWS SageMaker в области обучения, обработки, реестра, мониторинга и деплоя.
•Сотрудничать с командами платформы, безопасности и инженерии данных для реализации масштабируемой feature-архитектуры на основе data lakehouse и корпоративного ML governance.
•Продвигать инженерные стандарты качества моделей, документации, observability и устойчивости платформы.
•Проектировать высокомасштабируемые, готовые к production feature-пайплайны в средах Lakehouse.
•Определять техническое направление для стратегий fallback и устойчивости (например, fallback-пайплайны).
•Устанавливать и обеспечивать соблюдение guardrails качества данных, схем валидации и фреймворков мониторинга.
•Продвигать внедрение и стандарты для корпоративных feature store.
•Руководить разработкой моделей ранжирования, скоринга и similarity, адаптированных под требования платформы мэтчинга.
•Определять калибровку моделей, логику скоринга, пороги уверенности и стратегии оптимизации.
•Наставлять команды по продвинутым ML-техникам с использованием фреймворков PyTorch, TensorFlow и XGBoost.
•Рецензировать и утверждать технические проекты сложных workflow моделирования.
•Устанавливать стандарты объяснимости по всему ML-стеку с использованием SHAP или аналогичных фреймворков.
•Определять паттерны генерации regulator-ready reason codes, соответствующих требованиям compliance.
•Обеспечивать точность, устойчивость и прослеживаемость артефактов объяснимости между версиями моделей.
•Проектировать автоматизированные пайплайны обучения, деплоя и переобучения с использованием AWS SageMaker.
•Устанавливать стандарты использования model registry, автоматических согласований и rollback-оркестрации.
•Повышать зрелость infrastructure-as-code и CI/CD для ML-систем в нескольких средах.
•Руководить разработкой корпоративных паттернов обновления весов и lineage-aware стратегий деплоя.
•Проектировать low-latency, high-throughput inference-сервисы, соответствующие строгим SLA платформы мэтчинга.
•Руководить проектированием безопасных cross-account IAM-паттернов для потребления моделей.
•Отвечать за сквозной дизайн телеметрии, включая метрики скоринга, задержки, анализ ошибок и SLO.
•Сотрудничать с командами платформы для оптимизации стоимости, масштаба и надёжности inference-эндпоинтов.
•Определять стандарты observability для дрейфа фичей, concept drift, деградации производительности и целостности данных.
•Руководить созданием дашбордов, бенчмарков и автоматических алертов во всей ML-экосистеме.
Требования
•Подтверждённый опыт проектирования и доставки production ML-систем в масштабе в корпоративных средах.
•Глубокая экспертиза в AWS SageMaker (training, processing, pipelines, endpoints, registry) и смежных AWS-сервисах.
•Экспертный уровень Python и ML-фреймворков (например, PyTorch, TensorFlow, XGBoost).
•Сильное лидерство в автоматизации MLOps, CI/CD для ML и управлении жизненным циклом моделей.
•Продвинутый опыт проектирования систем объяснимости, reason codes и артефактов governance.
•Экспертиза в архитектурах low-latency inference и real-time обслуживании моделей.
•Сильные основы в drift detection, телеметрийных пайплайнах, паттернах observability и QA моделей.
•Опыт формирования практик ML-безопасности, включая cross-account IAM, минимизацию данных и PII-safe дизайн.
•Способность влиять на архитектуру, наставлять старших инженеров и задавать долгосрочное техническое направление.
Будет плюсом
•Опыт создания или руководства внедрением feature store.
-背ackground в ранжировании, релевантности поиска, entity matching или similarity моделировании.
•Опыт проектирования или управления multi-account AWS ML платформами.
•Знание distributed training, GPU/accelerator оптимизации и стратегий масштабирования.
•Бакалавриат в STEM-дисциплине (математика, физика, инженерия, computer science или смежные направления).
•Магистратура, PhD или эквивалентный опыт в STEM желательны, но не обязательны.
Условия
LSEG предлагает ряд индивидуально подобранных льгот и поддержки, включая медицинское страхование, планирование пенсии, оплачиваемые дни волонтёрства и программы wellbeing.
