Чем предстоит заниматься
Первые 90 дней
- есть гипотеза, что Авиасейлс можем предсказывать намерение пользователя на основе поведенческих сигналов — и использовать это для улучшения монетизации. Модели в экспериментах есть, в продакшене — нет. Нужно довести до прода.
- модель работает, но переобучается вручную. Нужно автоматизировать цикл: данные → обучение → валидация → деплой.
- несколько продуктовых потоков хотят использовать LLM-возможности, но каждый строит своё. Нужно решить, нужен ли единый внутренний слой, и если да — спроектировать его.
- Писать production-ready код, дообучать трансформеры, собирать eval-сеты
- Строить MLOps-инфраструктуру: пайплайны переобучения, feature store, мониторинг качества моделей
- Участвовать в Tech Design Review и определять архитектурные решения — отвечать за стабильность, отказоустойчивость и capacity ML-сервисов
- Переводить метрики моделей (F1, ROC-AUC) в язык бизнеса: конверсия, деньги, Time-to-Market
- Аргументированно защищать технические решения перед CPO, мыслить финансовыми последствиями выбора архитектуры
- Подключаться к Discovery на ранних стадиях — предлагать MVP, давать честные оценки трудоёмкости
- Объяснять, почему eval-сет важнее новой фичи — и уметь это доказать цифрами
- Развивать инженеров: T-shape компетенции, code review, разбор архитектурных решений, личный инженерный пример
- Участвовать в найме следующих членов команды
Требования
- 5+ лет в ML/DS — ты выкатывал модели в прод и знаешь, что это значит на практике
- Уверенный Python: ООП, типизация, тесты
- Классический ML: бустинги, валидация, понимание где нейросеть избыточна, а где достаточно градиентного бустинга
- Опыт с текстовыми нейросетевыми моделями: BERT-подобные трансформеры, LLM API, промпт-инжиниринг, eval-сеты
- Практический опыт MLOps: пайплайны данных, оркестрация (Airflow, Kubeflow или аналоги), трекинг экспериментов
- Инфраструктурный бэкграунд: Docker, CI/CD, Kubernetes, логирование и мониторинг — ты понимаешь, как устроены высоконагруженные сервисы, а не только модели внутри них
- Умение мыслить P&L: переводить метрики моделей (F1, ROC-AUC) в конверсии и деньги, защищать технические решения перед бизнесом финансовыми аргументами
- У тебя уже есть опыт менторства или лидерства — и тебе это нравится
Будет плюсом:
- Понимание Go или опыт с Go-сервисами: наш бэкенд на Go, и без этого контекста часть архитектурных решений будет непрозрачной
- ClickHouse, Kafka, PostgreSQL
- Опыт в highload: проектирование систем под миллионы запросов
- Опыт миграции или выпила сервисов из монолита — понимаешь цену архитектурных решений на масштабе