Руководитель ML команды Возвраты, Маркетплейс

В рамках отдела “Возвраты маркетплейса”, который состоит из 60 чел, выделяется новая ML-команда. Команды отдела занимаются обработкой/модерацией возвратов покупателя, продавца, аннуляциями и обработкой звонков по подменным номерам.

Планируем наём команды ML специалистов размером 4 человека, включая руководителя. Ищем сотрудника, способного возглавить эту команду и выстроить новую для отдела область - разработку ML-моделей.

Основным направлением работы команды будет работа с текстовыми данными, фото-/видео-контентом, задачи classic ML (анализ табличных данных и временных рядов), также в бэклог могут приходить задачи по анализу звуковых записей. Команда будет заниматься полным циклом разработки ML-моделей (сбор и анализ данных, обучение и тестирование моделей, деплой и мониторинг в продакшене).

Большинство проектов команды нацелены на продакшн релизы, однако в ходе работы будут выделяться research задачи.

Вам предстоит:

• Формирование профиля команды, поиск кандидатов, проведение технических собеседований.
• Мотивация, оценка и развитие сотрудников команды.
• Управление проектным планом и рутинным техдолгом, приоритизация задач.
• Проработка архитектуры технических решений (в том числе и сервисной части проектов).
• Планирование разработки совместно с product менеджером.
• Оценка и декомпозиция проектов.
• Координация процесса разработки ML и backend составляющей проекта и их интеграция.
• Реализация кросс-доменных, кросс-командных задач.
• Работа над проектами "руками", проведение code-review.

Мы ожидаем:

• Опыт работы в ML и DS проектах от 4 лет.
• Управленческий опыт работы.
• Умение писать на Python.
• Умение работать с данными на PySpark, SQL или Pandas.
• Знание и понимание классических ML алгоритмов (линейная регрессия, деревья решений и градиентный бустинг).
• Знание Deep Learning фреймворков (PyTorch, Transformers, vLLM, OpenAI, OpenCV, LangChain).

Будет плюсом:

• Опыт работы с NVIDIA Triton Inference Server.
• Знание принципов оркестрации контейнеризированных приложений и практический опыт их применения в Kubernetes.