Machine Learning Engineer, Growth Platform

О позиции

Команда Growth Platform строит системы машинного обучения, которые помогают бизнесам находить подходящие продукты Stripe. Рекомендации отображаются в Dashboard, email, процессе онбординга, документации и AI-агентах. Мы объединяем понимание каждого бизнеса с моделями, решающими, какую рекомендацию показать, когда её показать и как учиться на результатах. Работа охватывает рекомендательные и ранжирующие модели, контекстуальные бандиты, агентские рекомендации и системы данных для их оценки. Успех означает помощь бизнесам в совершении полезных действий и принятии продуктов для роста, сохраняя релевантность рекомендаций.

Будет плюсом

• Опыт работы с recommendation systems, ranking, personalization или marketplace и advertising optimization
• Опыт работы с contextual bandits, policy learning, causal inference или off-policy evaluation
• Опыт создания и оценки LLM приложений, включая structured extraction, embeddings или рекомендации
• Опыт создания повторяемо используемых ML возможностей для нескольких продуктов
• Опыт в product growth, lifecycle messaging или системах, балансирующих короткосрочную вовлечённость с долгосрочными результатами

Условия

• Возможность работать над важной задачей влияния на мировую экономику
• Работа с передовыми ML-технологиями в крупном финтех-лидере
• Широкие возможности для профессионального развития и влияния на продукт
• Конкурентная компенсация и пакет льгот
• Возможность работать с международными командами в продуктивной среде

Навыки

• Python
• PyTorch
• TensorFlow
• XGBoost
• scikit-learn
• SQL
• Apache Spark
• PySpark
• Machine Learning Engineering
• Recommendation Systems
• Contextual Bandits
• LLM Applications
• Feature Engineering
• Model Deployment
• A/B Testing
• Data Pipelines
• Model Monitoring

Могут спросить на собеседовании

1. Расскажите о наиболее сложной ML-модели, которую вы развернули в production. Какие вызовы возникли?
2. Как вы отличаете улучшение метрики модели на оффлайн-оценке от реального бизнес-влияния?
3. Опишите подход к работе с data leakage при разработке feature pipelines.
4. Как бы вы спроектировали эксперимент для оценки новой стратегии рекомендаций?
5. Какие tradeoffs вы рассматриваете при балансировании model quality, latency и cost в production системе?