Senior MLOps Engineer (AdTech)

О позиции

Fluent — провайдер решений в области коммерческих медиа, который соединяет ведущие бренды с активными потребителями. Компания использует технологии машинного обучения и рекламные инвентарь для увеличения доходов партнеров и привлечения клиентов по всему миру. В команде работают специалисты с опытом в performance-маркетинге и разработке масштабируемых ML-систем.

Чем заниматься

• Разработка и поддержка инфраструктуры для моделирования и обслуживания ML-моделей на Databricks и AWS
• Настройка автоматизированных пайплайнов обучения, тестирования и развёртывания моделей
• Создание стандартов версионирования моделей, автоматического тестирования и контроля релизов
• Проектирование и масштабирование систем serving моделей с учётом требований к задержкам и надёжности
• Устранение сложных производственных проблем в рамках жизненного цикла ML
• Документирование рабочих процессов, код-ревью и менторство коллег
• Разработка дашбордов для отслеживания производительности моделей и затрат на инфраструктуру

Что ждут

• Опыт работы с Databricks и облачными ML-рабочими процессами на AWS
• Владение Python, SQL, PySpark и инструментами Data Engineering
• Опыт использования MLflow, Delta Live Tables и аналогичных инструментов управления ML
• Проверенный опыт архитектуры и эксплуатации low-latency релевантных моделей
• Навыки работы с CI/CD, автоматизированным тестированием и системами мониторинга
• Способность решать проблемы самостоятельно и взаимодействовать с ML-учёными и продуктовыми командами
• Опыт проведения code review и формирования инженерных стандартов

Будет плюсом

• Знание governance, security и compliance в облачных средах
• Опыт работы с model observability и explainability frameworks
• Опыт обработки данных в реальном времени или near-real-time пайплайнов
• Понимание метрик digital marketing или mar-tech

Условия

• Конкурентная зарплата с бонусной системой
• Полное медицинское, стоматологическое и зрительное страхование
• 401K с конкурентным match от работодателя
• Оплата транзита и парковки
• Бесплатные завтраки и обеды в офисе
• Возможности профессионального роста и развития
• Корпоративные мероприятия и тимбилдинги

Навыки

• Databricks
• AWS
• Python
• SQL
• PySpark
• MLflow
• Delta Live Tables
• CI/CD
• Model Serving
• Infrastructure Scaling
• Cloud Computing
• Data Engineering
• MLOps
• Monitoring Systems
• Automated Testing

Могут спросить на собеседовании

1. Как вы организуете работу с версиями моделей и контролировали их качество при деплое?
2. Приведите пример сложной проблемы в production-системе и как вы её решили
3. Как вы выбираете баланс между скоростью разработки и стабильностью системы?
4. Какие метрики важны для оценки эффективности ML-инфраструктуры?