Возможность расти и развиваться в корпоративной среде, где придерживаются ценностей;
Оформление трудовых отношений в соответствии с действующим законодательством;
27 календарных дней оплачиваемого отпуска в год;
Активная и вовлеченная корпоративная культура;
Служебная сотовая связь.
Вакансия №520386
Последнее обновление 6 мая 2026
Interexy
Interexy (2017) — кастомная разработка ПО и IT-консалтинг. Команда 108–999 чел. Услуги: full-cycle (mobile/web, блокчейн, AI, AR/VR, UI/UX, QA). 150+ проектов. Клиенты: SAP, PwC, Pampers, GE.
от 50 000 до 60 000 руб.
Москва
Северный АО
Арбатская
Полный рабочий день
На дому
На дому
Условия:
Обязанности:
Проектирование и разработка алгоритмов рекомендаций для музыкального контента.
Построение ML-моделей и feature engineering.
Интеграция ML-моделей в Python backend и продуктовые сервисы.
Оптимизация качества рекомендаций и latency системы.
Анализ пользовательского поведения и музыкальных предпочтений.
Разработка и поддержка ML-пайплайнов (обучение, тестирование, деплой).
Проведение экспериментов и A/B тестов.
Участие в архитектурных решениях рекомендательного движка.
Документирование решений и взаимодействие с backend-командой.
Построение ML-моделей и feature engineering.
Интеграция ML-моделей в Python backend и продуктовые сервисы.
Оптимизация качества рекомендаций и latency системы.
Анализ пользовательского поведения и музыкальных предпочтений.
Разработка и поддержка ML-пайплайнов (обучение, тестирование, деплой).
Проведение экспериментов и A/B тестов.
Участие в архитектурных решениях рекомендательного движка.
Документирование решений и взаимодействие с backend-командой.
Вакансия доступна для соискателей с инвалидностью Требования:
| Образование: | не имеет значения |
Мы ожидаем от вас:
Опыт разработки ML-решений от 2 лет.
Глубокие знания в области:
линейной алгебры,
теории вероятностей,
математической статистики.
Уверенное владение Python:
NumPy, Pandas, SciPy, scikit-learn.
Понимание и практический опыт применения алгоритмов ML:
collaborative filtering,
content-based filtering,
embeddings,
gradient boosting, neural networks.
Уверенное знание SQL.
Опыт работы с backend на Python (FastAPI).
Понимание принципов построения высоконагруженных систем и микросервисной архитектуры.
Опыт построения рекомендательных систем (Recommender Systems).
Опыт работы с big data инструментами:
Spark, Kafka, Airflow, ClickHouse, Elasticsearch.
Опыт работы с deep learning (PyTorch / TensorFlow).
Опыт A/B тестирования и оценки качества моделей (precision, recall, NDCG, MAP).
Опыт работы с Docker, Kubernetes.
Понимание MLOps (ML pipelines, model deployment, monitoring).
Опыт разработки ML-решений от 2 лет.
Глубокие знания в области:
линейной алгебры,
теории вероятностей,
математической статистики.
Уверенное владение Python:
NumPy, Pandas, SciPy, scikit-learn.
Понимание и практический опыт применения алгоритмов ML:
collaborative filtering,
content-based filtering,
embeddings,
gradient boosting, neural networks.
Уверенное знание SQL.
Опыт работы с backend на Python (FastAPI).
Понимание принципов построения высоконагруженных систем и микросервисной архитектуры.
Опыт построения рекомендательных систем (Recommender Systems).
Опыт работы с big data инструментами:
Spark, Kafka, Airflow, ClickHouse, Elasticsearch.
Опыт работы с deep learning (PyTorch / TensorFlow).
Опыт A/B тестирования и оценки качества моделей (precision, recall, NDCG, MAP).
Опыт работы с Docker, Kubernetes.
Понимание MLOps (ML pipelines, model deployment, monitoring).
Пожаловаться на вакансию