Обязанности:
- Разработка пайплайнов для обучения и валидации ML-моделей
- Оптимизация моделей для работы в продакшене (уменьшение размера, ускорение инференса)
- Настройка инфраструктуры для обучения моделей на больших данных (GPU-кластеры)
- Интеграция моделей с бэкенд-системами через API
- Мониторинг качества моделей в продакшене и организация переобучения (retraining)
- Участие в выборе архитектуры моделей и фреймворков (PyTorch, TensorFlow, JAX)
- Написание документации и поддержка пайплайнов в актуальном состоянии
Требования:
- Образование: высшее (Computer Science, математика, физика, инженерия)
- Опыт: работы ML-инженером от 3 лет
- Знание Python (продвинутый уровень) и фреймворков (PyTorch, TensorFlow)
- Опыт работы с облачными платформами (AWS, GCP, Azure) и GPU-инстансами
- Навыки работы с Docker, Kubernetes, CI/CD для ML-пайплайнов (MLflow, Weights & Biases)
- Понимание основных алгоритмов ML (градиентный бустинг, нейросети, трансформеры)
- Английский: уровень не ниже Intermediate
- Личные качества: системное мышление, умение работать с неструктурированными данными, командная работа
В чём разница между ML Engineer и Data Scientist?
Data Scientist — это исследователь. Он строит модели, экспериментирует с данными и проверяет гипотезы. ML Engineer — это инженер. Он берёт модель и делает так, чтобы она работала в продакшене: оптимизирует, масштабирует, поддерживает.
Базовые — PyTorch и TensorFlow. Знание JAX — преимущество. Также важно владеть инструментами для управления экспериментами: MLflow, Weights & Biases.
MLOps — это CI/CD для машинного обучения. ML Engineer настраивает пайплайны: от сбора данных до деплоя модели и мониторинга её качества. Он делает так, чтобы модель «жила» и обновлялась автоматически.
Python, PyTorch/TensorFlow, Docker, Kubernetes, облачные платформы (AWS/GCP/Azure), MLflow или W&B, Git, CI/CD (GitHub Actions, GitLab CI), SQL, REST API.
