О компании
Mayflower — технологическая компания, создающая высоконагруженные продукты, которыми пользуются миллионы людей по всему миру. Работая в масштабе одного из 50 крупнейших сайтов мира, компания решает сложные инженерные задачи и создаёт решения, обеспечивающие развлекательный контент в реальном времени для глобальной аудитории.
Компания ищет ведущего инженера по машинному обучению (Lead ML Engineer), который возьмёт на себя ответственность за новый поток ML, ориентированный на быструю доставку прикладных решений машинного обучения в различных продуктовых и бизнес-доменах.
Поток будет работать с широким спектром задач машинного обучения. Некоторые инициативы могут быть относительно небольшими и реализованы в течение нескольких недель, в то время как другие докажут свою ценность и вырастут в крупные специализированные проекты.
Эта роль сочетает в себе практическую работу с ML и полную техническую ответственность за доставку решений. Вы будете получать продуктовые задачи и ожидаемые результаты от продукта или внутренних заинтересованных сторон, уточнять технические требования и ограничения, определять подход к реализации, координировать выполнение в рамках потока и доводить решения до готовности к производству и запуску.
Это очень практическая роль. В потоке не будет выделенного инженера-программиста для каждой инициативы, поэтому ожидается, что Data Scientists и ML Engineers будут комфортно работать не только с экспериментами, но и напрямую вносить вклад в производственный код.
Роль не привязана к одной области ML. Ценятся сильные фундаментальные знания ML, инженерные навыки, прагматизм и способность быстро разбираться в новых проблемных областях больше, чем глубокая специализация в одном конкретном классе моделей.
Обязанности
Техническая ответственность за доставку
•Преобразовывать продуктовые и бизнес-задачи в конкретные планы реализации ML.
•Уточнять требования, ограничения, доступные данные, интеграции и критерии успеха совместно с продуктом и соответствующими заинтересованными сторонами.
•Определять технический объём работ, ключевые этапы, зависимости, риски и оценки сроков доставки.
•Выбирать подходящие методы ML и определять самый быстрый и надёжный способ их проверки и реализации.
•Вести техническую доставку через эксперименты, реализацию, интеграцию, развертывание и готовность к запуску.
•Поддерживать ход выполнения, проактивно выявлять блокирующие факторы и координировать зависимости с другими командами.
•Предоставлять продукту чёткие технические варианты, компромиссы, оценки, риски и результаты экспериментов, необходимые для принятия продуктовых решений.
•Поддерживать развертывание в производстве и итерации на основе наблюдаемых результатов.
Практическая работа с ML и инженерией
•Проектировать, обучать, оценивать и развёртывать модели ML в различных доменах и типах задач.
•Писать производственный код на Python и напрямую участвовать в реализации.
•Создавать API, пакетные задания, конвейеры обработки данных и ML-сервисы, необходимые для доставки решений, где это уместно.
•Работать с классическими методами ML, глубоким обучением и подходами на основе фундаментальных моделей в зависимости от задачи.
•Обрабатывать и трансформировать большие производственные наборы данных с помощью Python и SQL.
•Интегрировать модели в существующие производственные системы.
•Реализовывать соответствующее тестирование, мониторинг, логирование и наблюдаемость для доставленных ML-решений.
•Работать в рамках общей ML-инфраструктуры, архитектуры и инженерных практик, используемых в компании.
•Сотрудничать со специалистами по Data Science, Backend, Data Engineering и MLOps при необходимости более глубокой экспертизы или изменений инфраструктуры.
Исполнение в рамках потока
•Делить инициативы на конкретные технические задачи и координировать их выполнение в рамках потока.
•Координировать работу Data Scientists и ML Engineers, участвующих в инициативах потока.
•Проводить ревью технических подходов, экспериментов и реализации.
•Поддерживать фокус команды на согласованном объёме, приоритетах и сроках доставки.
•Раннее выявление технических рисков и зависимостей и ведение их к разрешению.
•Эскалация архитектурных, инфраструктурных или методологических вопросов при необходимости более широкого согласования.
•Помощь в подготовке успешных инициатив к масштабированию или переходу в долгосрочное владение, если они выходят за рамки потока.
Кросс-функциональное сотрудничество
•Тесное взаимодействие с продуктом на протяжении всего жизненного цикла доставки.
•Самостоятельный сбор технических деталей и ограничений, необходимых для выполнения продуктового запроса.
•Чёткое донесение оценок, зависимостей, технических компромиссов и статуса доставки.
•Прямое взаимодействие с инженерными и другими внутренними командами для устранения препятствий в реализации.
•Оспаривание технически неясных, противоречивых или невыполнимых требований и предложение практических альтернатив.
Вы будете успешны здесь, если у вас есть
•Опыт коммерческой работы в области машинного обучения, Data Science или ML-инжиниринга не менее 5 лет.
•Сильные практические навыки программирования на Python и инженерии программного обеспечения.
•Опыт ведения ML-решений от продуктового требования через эксперименты, реализацию, интеграцию и производство.
•Глубокое понимание методов машинного обучения, статистики, экспериментов и оценки моделей.
•Опыт написания поддерживаемого производственного кода, а не только работы в ноутбуках.
•Опыт создания API, сервисов, пакетной обработки или конвейеров данных.
•Сильные навыки SQL и опыт работы с большими производственными наборами данных.
•Практический опыт работы с Docker и производственными средами развертывания.
•Умение превращать частично определённые задачи в конкретные технические планы.
•Умение оценивать работу, выявлять зависимости и риски, а также вести техническое исполнение в соответствии с графиком.
•Опыт владения технической доставкой, включающей нескольких участников, и координации работы с учётом зависимостей.
•Опыт проведения ревью кода и технических подходов.
•Способность эффективно работать в рамках установленных инженерных и ML-практик, при этом самостоятельно отвечая за доставку в рамках потока.
•Сильные коммуникативные навыки и умение работать напрямую с продуктом и техническими заинтересованными сторонами.
•Умение балансировать между скоростью и качеством инженерии: быстро проверять идеи при высокой неопределённости и строить надёжные решения при переходе к производству.
Желательно
•Опыт работы в роли технического лидера, руководителя потока или технического владельца ML-инициатив.
•Опыт работы с Kubernetes и CI/CD.
•Опыт работы с Kafka или другими стриминговыми платформами.
•Опыт работы с Airflow, MLflow, трекингом экспериментов, мониторингом моделей или аналогичными инструментами.
•Опыт создания ML-сервисов в реальном времени или для высоких нагрузок.
•Опыт работы с FastAPI или аналогичными Python-фреймворками для сервисов.
•Опыт в нескольких ML-доменах, таких как рекомендательные системы, ранжирование, NLP/LLM, компьютерное зрение, обнаружение аномалий, прогнозирование или классификация.
•Опыт работы с выводом LLM, дообучением или другими системами генеративного ИИ.
•Опыт работы в командах, где Data Scientists и ML Engineers самостоятельно отвечают за значительную часть производственной реализации.
