Sr. Machine Learning Engineer, Growth Science

О позиции

Команда Content Shopping Mining ML в Pinterest строит системы машинного обучения, которые понимают контент, связанный с покупками, преобразуя неструктурированные страницы магазинов в высококачественные структурированные данные продуктов — цены, названия, наличие и изображения. Это улучшает качество контента, ранжирование, рекомендации и поиск на платформе. Вы получите доступ к огромному массиву данных от 535 миллионов пользователей и сможете создавать масштабные системы рекомендаций уровня, недоступного в других компаниях. Работа предполагает гибкий формат с возможностью удалённой работы через модель PinFlex.

Будет плюсом

• Степень M.S. или Ph.D. в области машинного обучения, компьютерных наук или связанной технической области
• Публикации в ведущих конференциях по машинному обучению
• Опыт использования Cursor, Copilot, Codex или аналогичных ИИ-ассистентов для разработки, отладки, тестирования и рефакторинга
• Знакомство с инструментами продуктивности на базе LLM для поиска документации, анализа экспериментов, SQL и исследования данных

Условия

• Работа над масштабируемыми рекомендательными системами для 535+ миллионов активных пользователей
• Доступ к уникальному набору данных и инфраструктуре машинного обучения
• Возможность публиковаться на престижных конференциях (пример KDD 2025)
• Гибкий формат работы через модель PinFlex
• Кросс-функциональное сотрудничество с сильными командами
• Технологическая культура, ориентированная на инновации и использование AI

Навыки

• Machine Learning
• Natural Language Processing
• Large Language Models
• Recommender Systems
• Web Scraping
• Data Engineering
• Python
• TensorFlow
• PyTorch
• Production ML
• Model Deployment
• SQL
• Distributed Systems

Могут спросить на собеседовании

1. Как бы вы спроектировали систему для массового извлечения структурированных атрибутов продукта из неструктурированных страниц интернет-магазинов?
2. Опишите подход к обучению и дообучению языковой модели для понимания контекста веб-страниц.
3. Как бы вы решали проблему качества данных при масштабировании системы сбора контента?
4. Приведите пример сложного ML-проекта, который вы завершили, и объясните ваше архитектурное решение.
5. Как вы балансируете между скоростью разработки и качеством модели при внедрении новых функций?