Название: Старший ML инженер – Команда Offline
Команда: ADN
Местоположение: Хельсинки
Тип занятости: Полный рабочий день
О VOODOO
Основанная в 2013 году, Voodoo — это технологическая компания, которая создает мобильные игры и приложения с миссией развлекать мир. Объединив 800 сотрудников, 7 миллиардов загрузок и более 200 миллионов активных пользователей, Voodoo занимает 3-е место среди мировых издателей мобильных игр по количеству загрузок, уступая только Google и Meta. В наш портфель входят хитовые игры, такие как Mob Control и Block Jam, а также популярные приложения, такие как BeReal и Wizz.
КОМАНДА
Команда Engineering & Data создает инновационные технологические продукты и платформы для поддержки впечатляющего роста их игровых и потребительских приложений, что позволяет Voodoo оставаться на переднем крае индустрии мобильных игр.
Voodoo Ad-Network — это автономная продуктовая группа из примерно 60 целеустремленных профессионалов с амбициозной миссией: создание первоклассных сервисов рекламной сети. Наша основная цель — использовать массивную экосистему данных Voodoo для оптимизации и масштабирования монетизации. Мы находимся в фазе быстрого роста, расширяясь в новые сферы, такие как открытие внешнего инвентаря, проникновение на рынок внешних рекламодателей и стимулирование монетизации социальных сетей после недавнего приобретения BeReal. Для поддержания этой невероятной траектории и многообещающих ранних результатов мы масштабируем нашу команду.
Команда Models является ключевым элементом эффективности таргетинга. Она использует машинное обучение и глубокое понимание бизнеса для прямого влияния на финансовые показатели продукта. Она состоит в основном из старших специалистов по анализу данных, инженеров по аналитике, инженеров данных и специалистов по данным/ML-инженеров, которые вместе итеративно работают над поиском и созданием следующей эффективной итерации.
Эта должность может быть как в Париже, так и в Хельсинки, с гибридным форматом работы.
РОЛЬ
Мы ищем старшего ML-инженера для присоединения к нашей команде Models. Вы присоединитесь к выделенной группе инженеров данных, специалистов по данным и ML-инженеров, ориентированных на создание и поддержку инфраструктуры для обучения ML-моделей, которая обеспечивает работу наших моделей таргетинга рекламы, начиная от предварительной обработки данных и заканчивая развертыванием моделей и мониторингом в производственной среде.
На этой должности вы будете руководить следующими направлениями:
- Архитектурное владение: Возьмите на себя комплексное владение высоковидимыми проектами от идеи до выпуска в производство. Это включает определение границ функций, оценку сроков, проектирование архитектуры и бенчмаркинг новых технологий.
- Инжиниринг конвейеров: Создавайте и поддерживайте качественные конвейеры данных и ML в соответствии с постоянно меняющимися потребностями бизнеса и машинного обучения. Оптимизируйте конвейеры обучения по производительности, эффективности использования памяти и стоимости (например, стратегии использования спотовых экземпляров, эффективная загрузка данных, повторное использование предварительно обработанных артефактов).
- Расширение возможностей специалистов по данным: Позвольте специалистам по данным быстрее итерировать, предоставляя повторно используемые, хорошо протестированные компоненты конвейеров (трансформаторы, загрузчики данных, утилиты обучения) и проверяя их вклад в общий код. Расширяйте возможности наборов данных: интегрируйте новые источники данных, масштабируйте окна признаков и увеличивайте объемы обучающих данных без нарушения ограничений конвейера.
- Разработка глубокого обучения: Вносите вклад в разработку глубокого обучения: оркестрация рабочих нагрузок GPU, пользовательские циклы обучения PyTorch и поддержка архитектуры моделей.
- Жизненный цикл ML и воспроизводимость: Обеспечивайте воспроизводимость и согласованность на протяжении всего жизненного цикла ML: версионированные конфигурации, отслеживание экспериментов и инструменты для обеспечения согласованности онлайн/оффлайн.
- Масштабируемость и надежность: Сотрудничайте с командами инфраструктуры по вопросам масштабируемости — пулы узлов, мониторинг ресурсов, миграции CI/CD. Участвуйте в еженедельном дежурстве для анализа и устранения оповещений из Airflow, dbt и связанных систем.
- Agile-сотрудничество: Процветайте в быстро меняющейся agile-среде с процессами быстрого принятия решений. Вы будете ежедневно сотрудничать с бэкенд-разработчиками, специалистами по данным, инженерами инфраструктуры и менеджерами продуктов.
- Наставничество и культура команды: Вы будете активно способствовать развитию нашей инженерной культуры, делиться знаниями и обеспечивать, чтобы каждый член команды чувствовал себя комфортно, получал поддержку и имел возможность для роста в своей роли.
ПРОФИЛЬ
Мы ищем старшего ML-инженера, который глубоко понимает как жизненный цикл обучения ML, так и специфические проблемы внедрения моделей машинного обучения в производственную среду в масштабе.
- Минимум 5 лет опыта работы в качестве ML-инженера или на аналогичной должности
- Комплексное владение ML: Постановка задачи, базовые показатели, экспериментирование, развертывание и итерации
- Владение Python: Обширные знания кода конвейеров ML: предварительная обработка, рабочие процессы обучения/оценки, утилиты для экспериментов и воспроизводимые конфигурации
- Механизмы обучения: Опыт реализации необходимых механизмов обучения (пользовательские шаги/метрики, шаблоны загрузки данных, предварительная обработка с учетом производительности), а не только прототипирование на уровне ноутбука
- ML-фреймворки: Практический опыт обучения и оценки моделей с использованием scikit-learn, LightGBM, PyTorch для глубокого обучения
- Оптимизация производительности: Опыт оптимизации использования памяти при предварительной обработке данных и обучении моделей
- Управление экспериментами: Настройка гиперпараметров, отслеживание экспериментов и воспроизводимое обучение (конфигурации, сиды, версионирование)
- Облачные технологии и инфраструктура: Опыт работы с Amazon Web Services. Знание вопросов масштабируемости, надежности и безопасности
- Понимание ML в производстве: Понимание проблем, связанных с запуском ML-моделей в производственной среде (знание таких тем, как store признаков, смещение обучения/предоставления, и т. д.)
- Модельное обслуживание: Опыт работы с инфраструктурой модельного обслуживания (быстрое или пакетное получение результатов, оптимизация задержки/пропускной способности) является плюсом
- Отличные коммуникативные навыки на английском языке
НАШ СТЕК
Python · Scikit-learn · LightGBM · PyTorch · DBT · Spark · MLflow · Prometheus · Terraform · Airflow · Kubernetes · Amazon Web Services
ПРЕИМУЩЕСТВА
- Отличные льготы, которые будут зависеть от страны вашего проживания
