Machine Learning Engineer

VK Реклама — платформа, которая объединяет все крупнейшие в России и СНГ социальные сети и сервисы с общим охватом более 140 млн человек. Благодаря VK Рекламе у рекламодателей есть единая точка доступа к аудитории рунета и колоссальному объёму мобильного трафика высокого качества.

Наша команда занимается инженерным развитие antifraud-платформы и ML-пайплайнов в VK Реклама.

Задачи

• Разработка и развитие ETL-пайплайнов для antifraud-сценариев: сбор, агрегация и обогащение событий из онлайновых и офлайновых источников, обеспечение качества данных и воспроизводимости фич
• Построение и поддержка MLOps-контуров: автоматизация обучения, валидации, версионирования и деплоя моделей, мониторинг качества моделей и данных в продакшене
• Интеграция ML-моделей в высоконагруженные сервисы VK Рекламы: участие в проектировании online-инференса, работа с ограничениями по latency, отказоустойчивости и масштабированию
• Инженерная поддержка antifraud-моделей: развитие фичей на основе пользовательских, поведенческих данных, адаптация моделей под новые типы фрода и изменения бизнес-логики Совместная работа с продуктом и аналитиками: интерпретация результатов моделей, анализ влияния antifraud-решений на бизнес-метрики и пользовательский опыт

Требования

• Уверенное знание Python и опыт разработки продакшен кода: скрипты, библиотеки, сервисы, взаимодействие с ML-моделями и data-пайплайнами
• Навыки работы с данными: построение ETL-процессов, подготовка и валидация фич, работа с большими датасетами.
• Глубокое понимание классических ML-подходов, применимых в antifraud: линейные модели, деревья решений, ансамбли и бустинги, понимание их продакшен-ограничений.
• Опыт работы с backend-инфраструктурой: Docker, системы контроля версий, юнит-тестирование, понимание CI/CD.
• Опыт работы с распределёнными системами хранения и обработки данных: Hadoop, Spark, YT или аналогами.
• Понимание современных архитектур нейросетей: трансформеры, BERT, E5, ViT, CLIP
• Знание принципов работы высоконагруженных систем и готовность работать с потоками данных и большими объёмами событий

Будет плюсом

• Практический опыт настройки и эксплуатации MLOps-инструментов: Airflow, Kubeflow, MLFlow, Triton или TorchServe Опыт построения стриминговых пайплайнов и работы с очередями сообщений (Kafka)
• Практика деплоя ML-сервисов и data-пайплайнов в Kubernetes. Опыт работы с antifraud-, anomaly detection- или risk-scoring-системами, либо понимание их архитектурных паттернов