Senior Software Engineer II - Ads Quality

О позиции

Команда Ads Quality отвечает за разработку передовых предиктивных моделей и рекламных алгоритмов для одной из крупнейших онлайн-торговых платформ в США. Ваша задача — спроектировать и масштабировать инфраструктуру для training и serving машинно-обучаемых моделей в продакшене, включая работу с foundation-моделями и LLM. Вы будете определять техническое направление работы над системами обработки features в реальном времени, участвовать в проектировании распределённых систем и наставлять инженеров команды. Инстакарт стремится обеспечить релевантность, справедливость и производительность всей экосистемы рекламы через сложные ML-системы, обрабатывающие терабайты данных.

Будет плюсом

• 5+ лет промышленного опыта tech leading команды для построения ML-инфраструктуры
• Опыт решения сложных challenges model training и serving efficiency, оптимизация training pipelines
• Hands-on опыт с real-time/online feature processing и serving — streaming systems (Kafka, Flink), online feature stores, low-latency retrieval
• Опыт с sequential modeling, transformer architecture, generative retrieval, large scale recommendation systems
• Опыт serving large sequential или foundation models в low-latency, high-QPS production settings
• Опыт в digital advertising platforms
• Знакомство с LLM integrations, prompt engineering и productivity tooling

Условия

• Конкурентоспособная зарплата от $192,000 до $242,500 USD в год (зависит от локации)
• Equity grants при найме и annual refresh grants
• Гибкий подход к месту работы — Flex First policy (home/office/coffee shop)
• Доступ к современным технологиям и большим данным
• Возможность работать над mission-critical проектами с реальным бизнес-impact
• Техническое менторство и развитие карьеры
• Бенифиты согласно policy компании

Навыки

• Python
• Go
• SQL
• Spark
• Pandas
• PyTorch
• TensorFlow
• XGBoost
• Kafka
• Flink
• Machine Learning Infrastructure
• MLOps
• Feature Stores
• Real-time Systems
• Large Language Models
• Transformers
• Distributed Systems
• Production ML Systems

Могут спросить на собеседовании

1. Как вы подходите к оптимизации latency в ML-serving системах при работе с большими моделями?
2. Опишите архитектуру, которую вы строили для real-time feature processing в высоконагруженной системе.
3. Какие trade-offs вы учитываете при выборе между batch и online training pipeline?
4. Расскажите о случае, когда вы столкнулись со стабильностью модели в production — какие были root causes и как их решили?
5. Как вы организуете work с cross-functional командами (data scientists, product managers, ML engineers)?