Staff Machine Learning Engineer, Home Surfaces

О позиции

Команда Personalization отвечает за то, чтобы каждому слушателю было легко решить, что послушать дальше — от Blend до Discover Weekly. Команда Surfaces Moments создаёт опыт, основанный на моментальных взаимодействиях, помогая пользователям быстро находить контент, который для них наиболее важен. Эта роль находится на пересечении рекомендательных систем, больших языковых моделей и производственной инфраструктуры машинного обучения.

Чем заниматься

• Разрабатывать и улучшать модели машинного обучения для Home feed, включая функцию Shortcuts, проектировать и запускать персонализированные рекомендации для миллионов слушателей, создавать системы рекомендаций для новых AI-интерфейсов, обучать и тонко настраивать большие языковые модели с использованием SFT, distillation и параметрически эффективных подходов, проводить A/B тесты и мониторинг качества рекомендаций, совершенствовать ML платформу и конвейеры данных, определять техническое направление в сложных задачах, менторить других инженеров машинного обучения

Что ждут

• 8+ лет опыта создания и развертывания ML-систем в продакшене, глубокая экспертиза в рекомендательных системах и ранжировании, сильное владение Python и опыт с PyTorch, опыт работы с обучением и оптимизацией больших языковых моделей (SFT, distillation, LoRA), знание распределённых систем инференса и проблем латентности, опыт работы с распределёнными вычислениями (Ray, FSDP, HSDP), умение строить data pipelines (Flyte, Airflow, BigQuery), способность эффективно общаться с техническими и нетехническими аудиториями, опыт проведения онлайн-экспериментов и A/B тестирования

Будет плюсом

• Опыт в персонализации контента на глобальном уровне, знания в области агентов и AI-powered пользовательских интерфейсов, опыт масштабирования ML-инфраструктуры в высоконагруженных системах, понимание психологии поведения пользователей

Условия

• Конкурентоспособная компенсация (US base range $227,495–$324,993 плюс equity), медицинская страховка, оплачиваемый отпуск по уходу за ребёнком (6 месяцев), план 401(k), ежемесячная оплата питания, 23 дня оплачиваемого отпуска, 13 гибких праздников, оплачиваемый больничный, гибкость в выборе места работы (Северная Америка, Eastern Standard Time)

Навыки

• Python
• PyTorch
• Machine Learning
• Deep Learning
• Recommendation Systems
• Large Language Models
• Supervised Fine-Tuning
• Knowledge Distillation
• LoRA
• Ray
• FSDP
• Distributed Training
• A/B Testing
• Model Evaluation
• Data Pipelines
• Airflow
• Flyte
• BigQuery
• AWS
• Inference Optimization

Могут спросить на собеседовании

1. Расскажите о вашем опыте внедрения рекомендательных систем в продакшн для аудитории в миллионы пользователей.
2. Какие подходы к fine-tuning больших языковых моделей вы применяли? Как выбирали между SFT, LoRA и другими методами?
3. Как вы балансировали качество модели, латентность инференса и стоимость при разработке рекомендаций?
4. Приведите пример сложной архитектурной задачи, где вы определили техническое направление.
5. Как вы организуете менторство инженеров и повышаете планку команды?