Staff Machine Learning Engineer, Ads Foundational Representations

О позиции

Команда Ads Foundational Representations (AFR) отвечает за создание представлений (embeddings) ключевых сущностей Reddit — объявлений, постов, пользователей, брендов — и встраивание их в рекламную воронку: от таргетинга и аукциона до генерации креативов и бизнес-аналитики. Команда работает на стыке мультимодальных моделей, LLM, графов знаний и поведенческого моделирования пользователей. Это ML-heavy роль с полным циклом ответственности: от проектирования до продакшн-деплоя.

Будет плюсом

• Опыт работы со стеком команды: Python, PyTorch, Airflow, BigQuery, Ray, Kubernetes, Kafka, GCP
• Знакомство с доменом рекламных систем, поиска или рекомендательных систем
• Опыт технического лидерства: менторинг junior-инженеров, ведение сложных проектов
• Практический опыт использования, дообучения или построения LLM

Условия

• Полностью удалённая работа из Великобритании или Нидерландов
• Гибкий отпуск и оплачиваемые волонтёрские дни
• Щедрый оплачиваемый отпуск по уходу за ребёнком
• Корпоративная пенсионная программа с matching от работодателя
• Частное медицинское и стоматологическое страхование
• Поддержка планирования семьи и gender-affirming care
• Mental health & coaching benefits
• Программы по замещению дохода (Income Replacement)
• Схема Bike to Work
• Доступ к глобальным программам льгот: workspace, профессиональное развитие, поддержка в уходе за близкими

Навыки

• Python
• PyTorch
• TensorFlow
• Machine Learning
• Deep Learning
• NLP
• Computer Vision
• Embeddings
• Large Language Models (LLM)
• Vision Language Models (VLM)
• Fine-tuning
• Prompt Engineering
• Two-Tower Architecture
• Recommender Systems
• Knowledge Graph
• Apache Airflow
• BigQuery
• Ray
• Kubernetes
• Apache Kafka
• Google Cloud Platform (GCP)
• A/B Testing
• MLOps
• Data Pipelines

Могут спросить на собеседовании

1. Расскажите о проекте, где вы строили двухбашенную (two-tower) или схожую архитектуру эмбеддингов. Какие компромиссы вы учитывали при выборе дизайна?
2. Как вы подходите к оценке качества эмбеддингов? Какие офлайн-метрики вы использовали и как связывали их с онлайн-результатами?
3. Опишите ваш опыт fine-tuning LLM или VLM для конкретной downstream-задачи. Как вы определяли стратегию дообучения и оценивали результат?
4. Как вы обеспечиваете надёжность и масштабируемость ML-пайплайнов в продакшне? Приведите конкретный пример инцидента и вашего решения.
5. Расскажите о случае, когда метрика выглядела хорошо, но модель вела себя неожиданно в продакшне. Как вы диагностировали и устранили расхождение?