Middle+/Senior ML-инженер

Дата размещения вакансии: 04.05.2026

Работодатель: Ecom.tech

Уровень зарплаты:

з/п не указана

Город:

Москва
Овчинниковская набережная 18/1с1

Требуемый опыт работы:

От 3 до 6 лет

Про позицию:

Сейчас мы в поиске Machine learning engineer/python backend developer, который в составе ML команды будет участвовать в передовом для компании направлении по развитию Поиска маркетплейса и усилит всю практику MLE в компании. Сотрудник будет вовлечён в продуктивизацию классических NLP решений, решений реранжирования, векторного поиска и иных сервисов, часто используемых в системах поиска.

Задачи:

Участие в проектировании решений (system design'ах), помощью в выявлении системных и структурных ограничений.
Оборачивание решения от DataScience в полноценные сервисы, которые должны работать стабильно, эффективно и правильно на основе существующих фреймворков и подходов.
Интеграция с внешними инструментами и сервисами, подключение баз данных, рефакторинг качества кода.
Формирование и развитие шаблонов продуктивизации, существующих фреймворков и подходов.
Деплой своих сервисов: сборка образов, понимание инфраструктуры компании, сервисы в k8s.
Автоматизация рутинных задач обработки данных.
Интеграция и мониторинг данных: участие во внедрении данных в ML-пайплайны. Настройка базового мониторинга качества входящих и обработанных данных, алертинга о проблемах. Помощь в диагностике проблем данных/пайплайнов в продакшене.
Аккумулирование технической экспертизы на несколько продуктов, разработка общих решений.

Обязательные навыки:

Экспертный python, FastAPI.
Экспертное владение тестированием - мы используем pytest.
Экспертное знание баз данных - ACID, индексы, транзакции, deadlock, планировщик, No SQL.
Экспертное владение инфраструктурными инструментами - Git, Docker, Docker Compose, Kafka, K8S, Helm Charts, Argo CD, Ci/Cd, Prometheus, Grafana, S3, Airflow.
Понимание и умение использовать паттерны разработки.
Владение архитектурными принципами в разработке ПО.
Понимание цикла разработки типовой МЛ модели (какие инструменты и для чего используются).

Желательные навыки:

Знание векторных баз данных - FAISS, Qdrant, pgvector.
Airflow, Spark.
Triton Inference Server.
ElasticSearch/OpenSearch + LTR plugin.

Стек команды:

разработка: Python 3.12, FastAPI, PySpark, pytest, docker;
данные: PostgreSQL, Greenplum, Clickhouse, HDFS, faiss;
мониторинги и логи: VictoriaMetrics, VictoriaLogs, Grafana;
задачи: Jira, Confluence;
инфраструктура: Airflow, Kafka, Kubernetes, GitLab, Argo CD

Откликнуться