Инженер по машинному обучению (ML) · Ванкувер, Канада · НА САЙТЕ (гибрид) · Beatdapp на полную занятость — ~50 человек
Об этой роли
Битдапп | Инженер по машинному обучению (ML) | Ванкувер, Канада | НА МЕСТЕ (гибрид) | Beatdapp, работающий полный рабочий день, — это стартап из примерно 50 человек, предоставляющий технологии обеспечения целостности аудио и потоковой передачи на медиа-платформы. Мы обрабатываем данные в масштабе TB/PB, чтобы защитить экосистему роялти, генерировать достоверные рекомендации и обнаруживать контент, созданный искусственным интеллектом. Мы ищем опытного инженера ML (+3 года) для работы над нашими системами вывода и платформой данных. На этой должности вы будете заниматься проектированием машинного обучения, проектированием облачной платформы/инфраструктуры и созданием систем вывода моделей машинного обучения. ты пойдешь
О ролях данных/ML
Роли данных и машинного обучения разделены на три лагеря: аналитики (SQL, информационные панели, бизнес-вопросы), инженеры (конвейеры, инфраструктура) и ученые (моделирование, экспериментирование). В названии должности не всегда указано, какая именно — внимательно читайте описание.
Типичные навыки: SQL, Python, pandas, базовая статистика; Роли ML добавляют scikit-learn/PyTorch/TensorFlow; инженерные роли добавить Airflow/dbt/Spark
Статистика по зарплатам (США, ориентировочно)
Типичный диапазон ролей data/ml в США: 85 000–240 000 долларов в год, которые сильно различаются в зависимости от стажа, уровня компании и города.
Только оценки. Чтобы узнать цифры для конкретной компании, посетите сайты level.fyi (tech), Glassdoor или спросите на собеседовании.
Как подготовиться к собеседованию
Данные интервью разделены: аналитики получить вопросы по SQL + практическим примерам, инженеры получить проектирование конвейера + кодирование, ученые получить статистику + моделирование машинного обучения + иногда набор данных на дому. Внимательно прочитайте JD и приготовьтесь к реальному варианту — не тратьте время на PyTorch в роли аналитика.
Общие вопросы для всех трех: «Как бы вы оценили успех [функции продукта]?», «Расскажите мне о проекте, данные которого рассказали вам нечто удивительное»и Оконные функции SQL (LAG, ROW_NUMBER, PARTITION BY — практикуйте это специально). Что касается ролей ML, ожидайте вопросов о переоснащении, компромиссе между отклонениями и о том, как вы будете отлаживать модель, которая хорошо работает при обучении и плохо работает в производстве.
К чему обычно приводит эта роль
Карьерный путь в области данных/МО стал более запутанным по мере развития дисциплины. Самая яркая прогрессия: Младший аналитик → Старший аналитик → Менеджер по аналитике со стороны аналитика, Младший инженер по обработке данных → Старший → Персонал с инженерной стороны и Младший DS → Старший DS → Главный DS/ML Lead на модельной стороне. Пиковые зарплаты самые высокие у инженеров машинного обучения и ученых-исследователей в крупных технологических компаниях.
Междисциплинарные переходы являются обычным явлением: аналитики, изучающие инженерное дело, часто превосходят инженеров, которые не изучали бизнес-контекст. Будьте ближе к бизнесу: самые ценные данные — это те, которые руководители привносят в обсуждения стратегии, а не только те, кто создает информационные панели.
Красные флаги, на которые стоит обратить внимание
- Роль «специалист по данным», которая на самом деле является аналитиком SQL. Внимательно прочитайте обязанности — если это все информационные панели и специальные запросы, то это роль аналитика с научным званием.
- Никакого упоминания о сотрудничестве заинтересованных сторон. Работа с данными изолированно — это обычно работа с данными, которую игнорируют. Роль должна быть встроена в бизнес-команду.
- «ИИ/МО» указано везде, но без конкретики. Если они не могут назвать реальные проблемы, которые хотят решить с помощью машинного обучения, значит, компания покупает модные словечки.
- Просите «10+ лет Python» или невозможные комбинации. Либо JD был написан HR без участия команды данных, либо у компании нереалистичные ожидания.
Часто задаваемые вопросы
Как мне подать заявку на эту роль?
Нажмите кнопку «Подать заявку на Hn-Who-Hiring» вверху этой страницы. Вы будете перенаправлены на исходную публикацию, где работодатель принимает заявления. Wikishopline не собирает резюме и не обрабатывает заявки.
Этот список актуален?
Wikishopline ежедневно собирает вакансии из партнерских источников (hn-who-hiring). Сообщения старше ~14 дней удаляются, но всегда проверяйте, что вакансия все еще открыта на сайте работодателя, прежде чем тратить время на сопроводительное письмо.
Взимает ли Wikishopline плату с работодателей или соискателей?
Нет. Объединенные рабочие места бесплатны для обеих сторон. Wikishopline также принимает платные публикации за 5 долларов за 30 дней в /jobs/submit для работодателей, которым нужна прямая видимость, но объявление, которое вы просматриваете, было получено от партнера.
Что обычно включает в себя роль data/ml?
Роли данных и машинного обучения разделены на три лагеря: аналитики (SQL, информационные панели, бизнес-вопросы), инженеры (конвейеры, инфраструктура) и ученые (моделирование, экспериментирование). В названии должности не всегда указано, какая именно — внимательно читайте описание.
Каков типичный диапазон зарплат для должностей, связанных с данными и машинным обучением, в США?
Примерно 85 000–240 000 долларов США в год, в зависимости от стажа, местоположения и уровня компании. Это широкий диапазон специально — сверяйте с уровнями.fyi или Glassdoor для конкретной компании.
