Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
Xebia
Болгария10 часов назад
Грейд
Senior
Опыт работы
6-8 лет
Уровень английского
B2, выше среднего
Письмо на почту или сообщение рекрутеру в Telegram
Xebia — глобальный партнер в области цифровой трансформации и инжиниринга, ориентированный на искусственный интеллект. Обладая более чем 25-летним опытом и командой из 5 000 специалистов в 16 странах, мы помогаем организациям разрабатывать и создавать масштабируемые продукты, платформы и решения на основе данных. Мы специализируемся на искусственном интеллекте, данных и облачных технологиях, интеллектуальной автоматизации и цифровых продуктах, сочетая глубокие технические знания с сильным акцентом на инженерное совершенство и культуру, ориентированную на людей. В регионе Центральной и Восточной Европы мы — команда из почти 1 000 экспертов, поставляющих современные приложения, платформы данных и ИИ-решения для таких клиентов, как Millennium, ING, Play, Edenred, Arabian Drilling, FedEx, Leroy Merlin, Truecaller, Volotea, Schmitz Cargobull и многих других. Мы работаем с ведущими технологиями, включая AWS, Azure, GCP, Databricks и Snowflake, и сочетаем сильную инженерную культуру с консультационным подходом и постоянным фокусом на рост и обмен знаниями.
проектировать, разрабатывать, обучать, валидировать и оценивать модели машинного обучения с использованием Python, выполнять разведочный анализ данных и инжиниринг признаков, выбирать и применять соответствующие методы машинного обучения для случаев прогнозирования, классификации и оптимизации, создавать и поддерживать среды выполнения на базе Python для обучения моделей, инференса и инжиниринга признаков, оркестрировать конвейеры инференса моделей и постобработки с использованием Argo Workflows на Kubernetes, разрабатывать повторяемые и автоматизированные рабочие процессы для экспериментов с ML и производственного инференса, использовать Vertex AI для поддержки масштабируемого обучения моделей, настройки гиперпараметров и валидации, обеспечивать воспроизводимость и согласованность запусков обучения моделей, оптимизировать конвейеры инференса по производительности, надежности и масштабируемости, эксплуатировать и отслеживать конвейеры ML в производственной среде, управлять артефактами обученных моделей в Google Cloud Storage (GCS), поддерживать метаданные моделей, версионирование, происхождение, откат и аудируемость с использованием Argo или пользовательских реестров моделей, определять метрики оценки моделей и критерии валидации, поддерживать пост-деплойный мониторинг моделей, обнаружение дрейфа и стратегии переобучения, следовать лучшим практикам в области документации, тестирования и ответственного ИИ, участвовать в дежурствах по инфраструктуре инференса.
6–8 лет соответствующего профессионального опыта, уверенные практические навыки работы с Python для приложений в области науки о данных и машинного обучения, практический опыт работы с фреймворками машинного обучения, такими как PyTorch, scikit-learn или CatBoost, глубокое понимание инжиниринга признаков, оценки моделей и методов валидации моделей, опыт разработки и обучения моделей машинного обучения, подтвержденный опыт вывода ML-моделей от этапа экспериментов до производственного инференса, понимание управления жизненным циклом ML и принципов MLOps, знакомство с Kubernetes и ML-рабочими процессами на базе Kubernetes, знакомство с Argo Workflows, опыт работы с производственными ML-конвейерами и средами инференса, сильные аналитические навыки и навыки решения проблем, способность преобразовывать бизнес-задачи в решения по науке о данных, четкие коммуникативные навыки и способность объяснять модели и результаты различным заинтересованным сторонам, готовность участвовать в дежурствах по инфраструктуре инференса, Требуется проживание в стране ЕС и разрешение на работу.
опыт работы с Google Cloud Platform (GCP), практический опыт работы с Vertex AI для обучения моделей, настройки гиперпараметров и валидации, опыт управления ML-артефактами в Google Cloud Storage (GCS), опыт работы с системами инференса в реальном времени или пакетной обработки, знакомство с практиками CI/CD для ML-конвейеров, знакомство с мониторингом моделей и обнаружением дрейфа, знакомство со стратегиями автоматического или операционного переобучения, опыт работы с реестрами моделей, версионированием моделей, происхождением, откатом и аудируемостью.
Xebia is a global AI-first, digital transformation, and engineering partner. With over 25 years of experience and a team of 5,000 professionals across 16 countries, we help organizations design and build scalable products, platforms, and data-driven solutions.
We specialize in Artificial Intelligence, Data and Cloud, Intelligent Automation, and Digital Products, combining deep technical expertise with a strong focus on engineering excellence and a people-first culture.
In the CEE region, we’re a team of nearly 1,000 experts delivering modern applications, data platforms, and AI solutions for clients such as Millennium, ING, Play, Edenred, Arabian Drilling, FedEx, Leroy Merlin, Truecaller, Volotea, Schmitz Cargobull, and many, many more. We work with leading technologies including AWS, Azure, GCP, Databricks, and Snowflake, and combine strong engineering culture with a consulting mindset and a continuous focus on growth and knowledge sharing.
You will be:
designing, developing, training, validating, and evaluating machine learning models using Python,
performing exploratory data analysis and feature engineering,
selecting and applying appropriate machine learning techniques for prediction, classification, and optimization use cases,
building and maintaining Python-based runtimes for model training, inference, and feature engineering,
orchestrating model inference and post-processing pipelines using Argo Workflows on Kubernetes,
developing repeatable and automated workflows for ML experimentation and production inference,
using Vertex AI to support scalable model training, hyperparameter tuning, and validation,
ensuring reproducibility and consistency of model training runs,
optimizing inference pipelines for performance, reliability, and scalability,
operating and monitoring ML pipelines in production environments,
managing trained model artifacts in Google Cloud Storage (GCS),
supporting model metadata, versioning, lineage, rollback, and auditability using Argo or custom model registries,
defining model evaluation metrics and validation criteria,
supporting post-deployment model monitoring, drift detection, and retraining strategies,
following best practices in documentation, testing, and responsible AI,
participating in an on-call rotation related to inference infrastructure.
Your profile:
6–8 years of relevant professional experience,
strong hands-on Python skills for data science and machine learning applications,
practical experience with machine learning frameworks such as PyTorch, scikit-learn, or CatBoost,
strong understanding of feature engineering, model evaluation, and model validation techniques,
experience developing and training machine learning models,
proven experience taking ML models from experimentation through to production inference,
understanding of ML lifecycle management and MLOps principles,
familiarity with Kubernetes and Kubernetes-based ML workflows,
familiarity with Argo Workflows,
experience working with production ML pipelines and inference environments,
strong analytical and problem-solving skills,
ability to translate business problems into data science solutions,
clear communication skills and the ability to explain models and results to diverse stakeholders,
willingness to participate in an on-call rotation for inference infrastructure,
Work from the European Union region and a work permit are required.
Nice to have:
experience with Google Cloud Platform (GCP),
hands-on experience with Vertex AI for model training, hyperparameter tuning, and validation,
experience managing ML artifacts in Google Cloud Storage (GCS),
experience with real-time or batch inference systems,
exposure to CI/CD practices for machine learning pipelines,
familiarity with model monitoring and drift detection,
familiarity with automated or operational retraining strategies,
experience with model registries, model versioning, lineage, rollback, and auditability.
Recruitment Process:
CV review – HR call – Interview – Client Interview – Decision
Сравним навыки, грейд, формат работы и зарплату
Чаще всего от 4 360 до 6 460