Вакансии

Location: Москва Workplace: гибкий Мы — команда VK Видео Live. Занимаемся продуктовой разработкой приложения VK Видео Live Android для смартфонов, планшетов и ТВ. Помимо этого, развиваем SDK для просмотра стримов и интегрируем его в другие продукты компании, например VK Видео или ВКонтакте. Наш стек: Минимальная версия Android — Android 8.0 (или Android SDK 26) Язык — Kotlin Архитектура — MVI, библиотека для архитектуры — MviKotlin Многопоточность / асинхронная работа — Kotlin Coroutines / Kotlin Flow Сеть — Retrofit / OkHttp / WebSockets (Centrifuge) DI — Dagger 2 / Hilt Загрузка картинок — Glide Навигация — Modo UI — Android Views / XML, постепенно используем Jetpack Compose Задачи Разработка новых фич для зрителей в мобильном приложении Разработка новых фич для стримеров в мобильном приложении Разработка и проектирование SDK единого стриминга Поддержка и развитие существующего UI на Android Views / XML Написание UI- и unit-тестов Проведение код-ревью Взаимодействие с командами бэкендеров, менеджеров, дизайнеров, аналитиков и тестировщиков Требования От трёх лет опыта коммерческой Android-разработки Знание Kotlin Знание Android SDK Опыт работы с Kotlin Coroutines и Flow Знание классического Android UI на базе Views и XML и опыт работы с существующим View-based кодом Будет плюсом Понимание однонаправленных архитектур (MVI) Знание Jetpack Compose Опыт разработки Android SDK / библиотек Опыт работы с WebSockets

Location: Москва Workplace: Офисный Мы развиваем одну из крупнейших платформ в рунете — по количеству пользователей, объёму данных, разнообразию форматов и времени взаимодействия. Социальные сервисы ВКонтакте — это ядро ежедневного пользовательского опыта: уведомления, истории и коммуникация внутри платформы. Мы ищем тимлида iOS в команду, которая занимается развитием и поддержкой мессенджера VK и приложения VK Звонки. Ты будешь участвовать в развитии iOS-инженеров, управлении командой, разработке новых фич, улучшении производительности и стабильности приложений, а также в создании качественного пользовательского опыта. Задачи Руководить командой iOS-разработки из 9+ человек Работать над созданием и развитием мессенджера ВКонтакте Отвечать за техническую проработку задач и архитектурное проектирование Планировать и вести технические проекты, улучшающие скорость разработки, продуктовые и технические метрики Обеспечивать реализацию продуктовых фич Распределять нагрузку в рамках своей группы Обеспечивать наём и развитие разработчиков Налаживать взаимодействия со смежными командами разработки и обеспечения качества Требования Умение разбираться в большом объёме незнакомого кода Знание языка Swift и умение придерживаться заданного код-стиля Опыт работы с UIKit: умение верстать в коде, знание основных классов View, понимание жизненного цикла списков — таблиц и коллекций Будет плюсом Понимание архитектуры MVVM или любой из MVx-архитектур Знание GCD и основ многопоточности Умение читать и понимать код на Objective-C Опыт работы с автотестами (XCTest, KIF, Appium и так далее) Понимание принципов CI/CD и пайплайнов Стремление привносить в разработку процессные и технические улучшения

Location: Санкт-Петербург Workplace: гибкий Мы работаем над самой масштабной платформой в рунете по количеству пользователей, объёму, форматам и времени потребления. Сообщества ВКонтакте — один из ключевых драйверов продукта. Их создают музыканты, магазины, блогеры и наверняка даже ваши знакомые. Сообщества позволяют авторам, публикующим контент и размещающим товары и услуги, находить свою аудиторию. Мы разрабатываем всё, что связано с сообществами: инструменты для их ведения, роста и монетизации, каталоги, витрины, админки и многое другое. Ищем руководителя группы, который будет вместе с нами развивать продукт для пользователей и авторов. Задачи Руководить группой из четырёх iOS-разработчиков Работать над созданием и поддержкой инструментов для размещения материалов, монетизации и администрирования сообществ Улучшать навигацию, каталог, оформление и бизнес-инструменты в сообществах Планировать и вести технические проекты, улучшающие скорость разработки, продуктовые и технические метрики Обеспечивать реализацию продуктовых фич Распределять нагрузку в рамках своей группы Обеспечивать наём и развитие разработчиков Требования Вы занимались iOS-разработкой от пяти лет Имеете большой опыт разработки клиент-серверных приложений Уверенно проектируете их архитектуру Хорошо знаете платформу iOS и стандартные фреймворки Отлично владеете Swift и Objective C Понимаете UIKit, умеете верстать кодом Работали с многомодульными проектами Умеете читать чужой код и находить информацию, разбросанную по разным источникам Стремитесь привносить в разработку процессные и технические улучшения Будет плюсом Имеете опыт руководства (линейное/функциональное, техническое лидерство, наём, встречи 1-1, построение планов развития) Ведёте или вели сообщество ВКонтакте (или в другой социальной сети)

Location: Москва Workplace: гибкий Мы — группа мультимодальных контентных моделей в отделе экспериментальных технологий AI VK. Мы разрабатываем технологии глубокого понимания контента и применяем их для развития рекомендательных систем ВКонтакте. Мы строим модели, которые извлекают содержательные представления из постов, клипов, длинных видео и музыкальных треков, объединяя информацию из текста, изображения, видеоряда, речи и звука. Эти представления используются для поиска похожего контента, построения признаков, классификации и улучшения качества рекомендаций в продуктах VK. Основные направления нашей работы — базовые embedding-модели для представления контента, мультимодальные модели и контентные классификаторы. Мы исследуем современные архитектуры, обучаем собственные модели на больших внутренних датасетах и доводим их до применения в продуктовых рекомендательных системах. Позиция находится на стыке ресёрча и инженерии: от чтения статей, построения датасетов и постановки экспериментов до масштабного обучения, оптимизации инференса и проверки моделей в A/B-тестах. Стек: PyTorch YT (YTsaurus), YQL NVIDIA Triton Inference Server, TensorRT, vLLM Распределённое обучение и multi-GPU inference Python, C++, Go Задачи Разрабатывать и обучать базовые embedding-модели для текста, изображений, видео, речи, звука и музыки Разрабатывать мультимодальные модели и контентные классификаторы Исследовать архитектуры и методы обучения представлений: metric learning, contrastive learning, self-supervised и supervised learning Строить датасеты и бенчмарки для оценки качества моделей и проводить масштабные экспериментальные исследования Адаптировать модели под задачи retrieval и рекомендательных систем Интегрировать модели в продуктовые механики рекомендаций постов, клипов, видео и музыки Оптимизировать и масштабировать обучение и инференс моделей Деплоить модели и сопровождать их в продакшене: проводить A/B-тесты, анализировать метрики и мониторить качество Постоянно разбирать свежие статьи и идеи из индустрии и академической среды, воспроизводить перспективные подходы и проверять их на наших задачах Настраивать пайплайны сбора и разметки данных, работать с асессорами и синтетическими данными: проектировать инструкции, контролировать качество и проводить калибровки Требования Опыт разработки, обучения и внедрения DL-моделей Уверенное знание теории машинного и глубокого обучения Хорошее понимание алгоритмов и структур данных, линейной алгебры, теории вероятностей и статистики Умение проектировать корректные эксперименты, выбирать метрики и интерпретировать результаты Навык написания чистого и поддерживаемого кода, понимание принципов проектирования ПО Владение современными практиками совместной разработки с кодовыми агентами: умение эффективно декомпозировать задачи для агентных инструментов, контролировать и ревьюить сгенерированный код Умение самостоятельно разбираться в новых предметных областях, быстро ставить эксперименты и проверять гипотезы Готовность работать как с исследовательской частью задачи, так и с её инженерной реализацией Открытость, ответственность, самостоятельность и проактивность Будет плюсом Опыт разработки поисковых или рекомендательных систем в индустриальном масштабе Опыт работы с embedding-моделями, metric learning, contrastive learning или representation learning Опыт работы с мультимодальными моделями, VLM, audio-language моделями, video encoders или foundation-моделями Опыт обучения моделей для аудио, музыки, речи, изображений или видео Опыт self-supervised learning и обучения на больших слабоструктурированных датасетах Опыт распределённого обучения на нескольких GPU или нескольких узлах Опыт оптимизации DL-моделей: профилирование, квантизация, дистилляция, уменьшение размерности представлений Опыт построения больших датасетов и систематических бенчмарков для ML-моделей Публикации на профильных ML-конференциях или сильный исследовательский бэкграунд

Location: Москва Workplace: гибкий Мы — команда, которая строит и развивает LLM-агентов для поддержки пользователей и внутренних бизнес-процессов. Делаем решения «под ключ»: от прототипов и экспериментов до промышленных сервисов с мониторингом качества, метриками и стабильной эксплуатацией. Работаем на стыке ML/LLM и backend-разработки: проектируем пайплайны, интегрируемся с продуктами и инфраструктурой, строим RAG-системы и агентные сценарии, измеряем качество (precision/recall/F1, macro-F1), ведём эксперименты и улучшаем модели на данных. Используем Python, LangGraph/LangChain-подходы, Langfuse для наблюдаемости, Git и внутренние платформы хранения/обработки данных (в том числе YTsaurus), а также очереди и хранилища (Kafka/Redis). Задачи Разрабатывать и развивать LLM-агентов: сценарии, инструменты (tools), оркестрацию, память, маршрутизацию, обработку ошибок и fallback-логики Проектировать и внедрять RAG: индексация, эмбеддинги, ретриверы, ранжирование, чанкинг, оценка качества поиска и ответа Интегрировать агентные решения в прод: сервисы, API, взаимодействие с Kafka/Redis и другими компонентами инфраструктуры Настраивать наблюдаемость и контроль качества: логирование/трейсинг, Langfuse, дашборды, алерты, анализ деградаций Проводить офлайн/онлайн-оценку качества: считать precision/recall/F1/F1-macro, строить датасеты, проводить A/B или квазиэксперименты, формулировать гипотезы улучшений Участвовать в улучшении пайплайнов данных и экспериментов: подготовка данных, разметка/валидация, хранение и воспроизводимость Писать поддерживаемый код: ревью, тесты, документация, CI/CD, участие в архитектурных решениях Требования Уверенный Python (проектирование модулей, типизация, тестирование, работа с API/сервисами) Практический опыт работы с LLM/agentic-подходами: промптинг, tool calling, цепочки/графы, управление контекстом, обработка галлюцинаций и ограничений моделей Понимание и опыт оценки качества: precision/recall/F1, macro-F1, построение датасетов и интерпретация метрик Опыт построения или внедрения RAG (retrieval, embeddings, индексация, ранжирование, чанкинг, оценка retrieval-качества) Опыт разработки и эксплуатации сервисов: REST/gRPC, асинхронность, логирование, мониторинг, работа с Git Понимание очередей/кэшей/хранилищ (Kafka, Redis или аналоги), опыт интеграций Будет плюсом Опыт с LangGraph / LangChain, Langfuse (трейсинг, промпт-менеджмент, датасеты, evaluation) Опыт с YTsaurus или другими распределёнными системами хранения/обработки данных Опыт low-code/конструкторов пайплайнов и быстрых прототипов, доведение их до production Знание подходов к ранжированию, rerank, hybrid search, query rewriting, guardrails/safety Опыт A/B-тестов, построения продуктовых метрик и причинно-следственного анализа Опыт работы с контейнеризацией и деплоем (Docker/K8s), CI/CD

Location: Москва Workplace: Офисный Мы — отдел экспериментальных технологий в AI VK, который решает широкий спектр ML- и DL-задач. Наша команда анализирует, как наши разработки можно переиспользовать и где применить, а затем масштабировать. Задачи Развивать компоненты AI-ассистента для VK Видео: понимание намерения, удержание контекста диалога, выбор стратегии и маршрутизация инструментов Улучшать генерацию кандидатов, semantic retrieval и reranking для поиска и персонализированных рекомендаций Работать с гибридным поиском: эмбеддинги, текстовые и структурные фильтры, поисковые API, рекомендательные модели и явные критерии пользователя Оптимизировать candidate budget и смешивание кандидатов из разных источников Обучать и дообучать модели для отдельных компонентов системы: LLM-like, reranker, query rewriting, relevance-модели Собирать и улучшать обучающие и тестовые датасеты: реальные и синтетические запросы, сложные негативные примеры, long-tail-сценарии и размеченные диалоги Создавать и поддерживать golden datasets, human-aligned evaluation и автоматические проверки качества; калибровать auto-eval по человеческой оценке Анализировать деградации, формулировать гипотезы и проверять их в воспроизводимых экспериментах Оценивать модели не только по общей метрике, но и по отдельным сценариям, категориям запросов, релевантности, разнообразию, безопасности и качеству диалога Оптимизировать latency, стоимость и использование вычислительных ресурсов при обучении и инференсе Готовить компоненты к промышленной эксплуатации: интеграция, нагрузочное тестирование, мониторинг, обработка ошибок и контроль регрессий Участвовать в offline- и online-экспериментах, подготовке A/B-тестов и интерпретации продуктовых метрик Проводить code review, документировать эксперименты и участвовать в обсуждении архитектуры и исследовательских результатов Требования Сильная теоретическая база и опыт работы в рекомендательных системах, информационном поиске, NLP/LLM; готовность работать на их пересечении Понимание устройства retrieval и ranking: embeddings, candidate generation, negative sampling, cross-encoders, reranking Знание основных offline-метрик поиска и рекомендаций: Recall@K, Precision@K, NDCG, MRR и их ограничений Опыт обучения, валидации и внедрения ML-моделей; доведённые до production либо production-like среды самостоятельно разработанные компоненты Навыки постановки воспроизводимых экспериментов, анализа ошибок и статистической интерпретации результатов Понимание жизненного цикла ML-системы: данные, обучение, inference, мониторинг, деградации и переобучение Опыт работы с большими объёмами данных и пайплайнами обработки; YT, Spark или аналогичные инструменты Базовые навыки Linux, Git, контейнеризации и работы с сервисами Будет плюсом Опыт создания LLM-приложений: tool calling, agentic workflows, RAG, structured generation Дообучение LLM или encoder-моделей: SFT, LoRA/adapters, RL Построение lexical, semantic или hybrid retrieval LLM-as-a-judge, human evaluation, построение golden datasets и калибровка автоматических оценок Оптимизация GPU-инференса, batching, quantization, model serving Опыт с распределённым обучением и промышленной ML-инфраструктурой Практика A/B-тестирования рекомендательных или поисковых моделей Мультимодальные модели, VLM, понимание видео или рекомендательные системы для медиаконтента Наличие публикаций по тематике LLM, NLP, multimodal models

Location: Москва Workplace: Офисный Дзен — сложная рекомендательная система и блог-платформа, которая помогает людям находить интересный контент, а авторам, медиа и брендам — свою аудиторию и единомышленников. Служба рекомендаций Дзена совершенствует алгоритмы ранжирования на платформе, чтобы пользователи видели самое актуальное для себя. Вам предстоит разрабатывать и улучшать рекомендательную систему, которая будет анализировать поведение пользователей, предсказывать их предпочтения и предлагать персонализированный контент. Вы будете участвовать во всех этапах — от сбора и обработки данных до обучения моделей (collaborative filtering, content-based, нейросетевые подходы) и их внедрения в production. Ваша работа напрямую повлияет на ключевые метрики бизнеса: увеличение конверсии, удержание пользователей и рост вовлечённости. Кроме того, вы сможете экспериментировать с новыми алгоритмами, проводить A/B-тесты и оптимизировать систему, чтобы рекомендации становились точнее и полезнее для миллионов пользователей. Задачи Реализовывать контентные и коллаборативные виды рекомендаций Генерировать и реализовывать новые идеи по улучшению наших алгоритмов Разрабатывать ML-алгоритмы — от базовой обработки и подсчёта подокументных факторов до ранжирования, рекомендаций и NLP Встраивать ML-решения в живой продовый код Коммуницировать с продакт-менеджерами и трансформировать продуктовые требования в техническую постановку задачи Требования Вы в ML больше двух лет Уверенно пишете и читаете продакшен-код Глубоко понимаете алгоритмы классического ML Будет плюсом Вы готовы участвовать в командных брейнштормах и постоянно искать альтернативные решения Уже разрабатывали продакшен-системы на Java Знаете алгоритмы рекомендаций

Location: Москва Workplace: Комбинированный VK Видео — крупнейший российский видеосервис: ежедневно им пользуются десятки миллионов человек. Перед нами стоит амбициозная задача — развивать видеосервис № 1 в России и внедрять новые технологии. Нашим продуктом пользуются на разных устройствах (мобильные, телевизоры, веб), а ещё у нас есть несколько различных приложений (выделенные приложения VK Видео, приложения соцсети ВКонтакте). Мы ищем сильных ML-инженеров, которые помогут сделать наш продукт ещё более приятным и увлекательным для пользователей. Сейчас наша команда работает над улучшением качества в разных компонентах продукта: Рекомендации в персональной ленте Ранжирование в блоке «Смотреть позже» Рекомендации в тематических витринах, например Кино, Детское, Спорт и др. Ранжирование табов тематик и блоков видео Умные пуши и др. Задачи Улучшать базовое качество рекомендаций и ранжирования Анализировать потребление контента, выдвигать и проверять гипотезы, проводить А/B-тесты Тесно взаимодействовать с командами разработки, продуктовой аналитики и продуктовыми менеджерами Разбираться в незнакомых технологиях Принимать участие в разработке сервисов (внедрять алгоритмы в бэкенд на Java) Требования Совокупный опыт работы в ML от трёх лет Знание классических алгоритмов и принципов ML Знание алгоритмов и структур данных Уверенное владение Python, базовые знания SQL Открытость, самостоятельность и проактивность Будет плюсом Опыт в сфере рекомендаций или смежных областях (поиск, реклама, маркетинг и др.) на позиции уровня Middle и выше Опыт разработки сервисов на объектно ориентированном языке (C++, C#, Java, Python и др.) или Go Опыт работы с технологиями обработки больших данных (Hadoop, Hive, Spark, YT и др.)

Location: Москва Workplace: Офисный Мы — отдел экспериментальных технологий в AI VK, который решает широкий спектр ML- и DL-задач. Наша команда анализирует, как наши разработки можно переиспользовать и где применить, а затем масштабировать. Мы строим LLM-команду, ищем людей с опытом алаймента, RAG-сценариями, ресёрч-бэкграундом в RL, умеющих рассуждать, быстро ставить эксперименты и проверять гипотезы. Позиция на стыке ресёрча и инженерии. У нашего отдела есть огромный накопленный опыт обучения и релизов Frontier мультимодальных моделей, VLM/MMLM. Стек: YT (YTsaurus), YQL NVIDIA Triton Inference Server, TensorRT, vLLM PyTorch, verl Python, C++, Go Задачи Разработка новых и улучшение существующих RAG-сценариев Оценка качества моделей и интеграция в продуктовые механики Деплой и оптимизация инференса моделей Сопровождение релизов: A/B-тесты, мониторинг Постоянный разбор свежих статей и идей в индустрии Настройка пайплайнов разметки, работа с асессорами и синтой: инструкция, контроль качества, калибровки Требования Опыт внедрения и сопровождения DL-моделей в продакшен Уверенное знание теории DL, алгоритмов и структур данных, линейной алгебры, теории вероятности и статистики Навык написания чистого кода, глубокое понимание принципов проектирования (SOLID, coupling & cohesion, etc...) Умение рассуждать, быстро ставить эксперименты и проверять гипотезы Открытость, ответственность, самостоятельность и проактивность Будет плюсом Опыт в построении поисковых или рекомендательных систем в индустриальном масштабе, бэкграунд разработки или кванты Публикации в научной среде Опыт профилирования DL-моделей, квантизация, дистилляция Опыт работы с распределённым обучением Опыт алаймента LLM, SFT, DPO/RLHF/GRPO, scaling laws, работа с агентами, синтетическими данными

Location: Москва Workplace: гибкий Направление фильмов и сериалов в VK Видео отвечает за развитие одних из ключевых сценариев потребления: фильмы, сериалы, детский контент, ТВ-шоу и тематические подборки. Мы хотим сделать эти сценарии удобнее и персональнее для пользователя: помогать находить хороший фильм на вечер, выбирать следующую серию любимого сериала, продолжать просмотр с нужного места и получать релевантные рекомендации без дублей. Мы ищем старшего ML-разработчика, который будет развивать киносериальные рекомендации: анализировать пользовательское поведение, формулировать и проверять гипотезы, развивать матчинг и дедупликацию контента, обучать модели, обеспечивать стабильную работу рантайма, проводить A/B-эксперименты и развивать систему метрик. Об одном из наших релизов можно прочитать здесь: https://vk.company/ru/press/releases/12243/ Что предлагаем: Большой масштаб — десятки миллионов пользователей, высоконагруженный рантайм и большие данные Значимую продуктовую зону — фильмы и сериалы являются одним из ключевых драйверов роста вовлечения и TVT Сильную техническую среду — Discovery-платформа, ML-инфраструктура, Java, YTsaurus, быстрый цикл экспериментов Нетривиальные задачи — матчинг тайтлов, дедупликация копий, рекомендации сериалов, подборки, работа с плейлистами и кластерными сущностями Реальное влияние на продукт — возможность влиять не только на модели, но и на качество пользовательских сценариев Задачи Развивать рекомендации для фильмов, сериалов, детского контента, ТВ-шоу и тематических подборок, а также разрабатывать механизмы матчинга и дедупликации контента Обеспечивать стабильную работу ML-решений в высоконагруженном рантайме Проводить A/B-эксперименты и принимать решения на основе данных Взаимодействовать с продуктом, аналитиками, бэкендом и смежными ML-командами Находить точки роста и формулировать продуктовые и ML-гипотезы Требования Вы имеете от трёх лет опыта разработки ML-решений Уверенно пишете код на Python, Java или C++ Работали с ML-системами в условиях высокой нагрузки Умеете работать с продуктовыми метриками и A/B-тестами Готовы брать на себя сложные технические задачи и доводить решения до продакшена Будет плюсом Работали с рекомендательными, поисковыми или рекламными системами Работали с видео, медиа, UGC или стриминговыми продуктами Сталкивались с задачами матчинга и дедупликации контента Имеете опыт оптимизации ML-рантайма и production-инфраструктуры

Location: Москва Workplace: Офисный Направление фильмов и сериалов в VK Видео отвечает за развитие одних из ключевых сценариев потребления: фильмы, сериалы, детский контент, ТВ-шоу и тематические подборки. Мы хотим сделать эти сценарии более удобными и персональными для пользователя: помогать находить хороший фильм на вечер, правильно выбирать следующую серию любимого сериала, продолжать просмотр с нужного места и получать релевантные рекомендации без дублей. Мы ищем руководителя команды, которая будет заниматься end-to-end развитием киносериальных рекомендаций: анализировать пользовательское поведение, формулировать и проверять гипотезы, развивать матчинг и дедупликацию контента, обучать модели, обеспечивать стабильную работу рантайма, проводить A/B-эксперименты и развивать систему метрик. Об одном из наших релизов можно прочитать здесь: https://vk.company/ru/press/releases/12243/ Что предлагаем: Большой масштаб — десятки миллионов пользователей, высоконагруженный рантайм и большие данные Значимую продуктовую зону — фильмы и сериалы являются одним из ключевых драйверов роста вовлечения и TVT Сильную техническую среду — Discovery-платформа, ML-инфраструктура, Java, YTsaurus, быстрый цикл экспериментов Нетривиальные задачи — матчинг тайтлов, дедупликация копий, рекомендации сериалов, подборки, работа с плейлистами и кластерными сущностями Реальное влияние на продукт — команда будет отвечать не только за модели, но и за качество пользовательских сценариев Задачи Руководить командой ML-инженеров и бэкенд-разработчиков: нанимать, развивать людей и выстраивать процессы Быть техническим владельцем направления и отвечать за качество рекомендаций фильмов и сериалов Формировать цели команды и декомпозировать их в понятные, достижимые задачи Проводить A/B-эксперименты, анализировать метрики и пользовательское поведение Выстраивать эффективное взаимодействие с продуктом, аналитиками, бэкендом и смежными ML-командами Требования Руководили ML-командой не менее двух лет Обладаете хорошими знаниями алгоритмов, структур данных и машинного обучения Имеете практический опыт разработки на Python, Java или C++ Работали с ML-решениями в условиях высокой нагрузки Умеете работать с продуктовыми метриками, A/B-тестами и пользовательскими гипотезами Будет плюсом Работали с рекомендательными, поисковыми или рекламными системами Имеете опыт работы с большими данными Работали с видео, медиа, UGC или стриминговыми продуктами Сталкивались с задачами матчинга или дедупликации

Location: Санкт-Петербург Workplace: гибкий Мы работаем над самой масштабной контентной платформой в рунете: по объёму, форматам, времени потребления и аудитории. Видеовитрина с различными категориями, высоконагруженные трансляции, аналитика и десятки миллионов пользователей — это всё про нас. Мы — Авторский блок VK Видео. Создаём и развиваем инструменты, которыми авторы пользуются каждый день: от загрузки и публикации видео до управления контентом, оформления канала и анализа статистики потребления контента авторов. Наши задачи — это сочетание разработки продуктовых фич, работы с высоконагруженными сервисами и решения сложных технических задач. Мы работаем с большими объёмами данных, развиваем аналитику потребления контента, обеспечиваем стабильность загрузок и создаём удобный авторский опыт на десктопе и в мобильных браузерах и приложениях. Почему у нас интересно: Ты будешь работать над продуктом с большой аудиторией, решать разнообразные инженерные задачи и видеть реальное влияние своей работы на опыт авторов У нас есть место как для запуска новых фич с нуля, так и для архитектурных улучшений, оптимизации производительности и развития технической платформы Задачи Заниматься продуктовым и техническим развитием видеосервисов и системы аналитики для них Развивать API-сервис видео Интегрировать технологии работы с видео в существующую инфраструктуру Улучшать платформу видео с нагрузкой в миллиард ежедневных просмотров Работать над платформой трансляций, которая выдерживает трафик до 3 Тбит/сек и 1,8 млн онлайн-просмотров Требования Вы разбираетесь в классических алгоритмах и структурах данных Работали с JS и React Понимаете, что такое настоящий highload, и готовы драться за каждую миллисекунду Представляете принцип работы с масштабируемыми нагруженными системами — вам знакомы слова балансировка, шардирование и репликация Можете разобраться в том, что написали другие разработчики (да-да, старого кода у нас много) Командный игрок — с вами комфортно общаться, вы умеете договариваться с коллегами из своей и других команд

Location: Москва Workplace: гибкий Мы разрабатываем крупнейший мессенджер в России, чтобы соединять людей, сервисы и компании. Создаём простые и удобные инструменты коммуникации. Задачи Чем предстоит заниматься: Разрабатывать и поддерживать frontend-приложения на React и TypeScript Реализовывать адаптивные интерфейсы для desktop- и mobile-сценариев Интегрироваться с backend API, внешними сервисами и при необходимости с возможностями мобильного приложения через bridge/API хоста Поддерживать и улучшать существующую кодовую базу: рефакторинг, устранение технического долга, повышение стабильности и читаемости кода Писать unit- и интеграционные тесты Участвовать в декомпозиции, оценке и планировании задач Участвовать в код-ревью и обмене знаниями внутри команды Взаимодействовать с backend-разработчиками, дизайнерами, аналитиками, QA и продуктовой командой Участвовать в проектировании frontend-приложений и выборе технических решений Разрабатывать и поддерживать веб-мини-приложения, работающие внутри мобильного приложения / WebView Разрабатывать и поддерживать переиспользуемые UI-компоненты и дизайн-систему Работать с производительностью: оптимизировать загрузку, размер бандла, рендеринг, Core Web Vitals, Lighthouse-метрики Участвовать в улучшении инструментов и процессов разработки: сборки, CI/CD, проверок качества и автоматизации Писать техническую документацию, гайды и инструкции для команды Требования Что ожидаем от кандидата: Коммерческий опыт frontend-разработки на JavaScript/TypeScript от трёх лет Уверенный опыт коммерческой разработки на React Уверенное знание TypeScript, React, компонентного подхода, хуков, управления состоянием и жизненного цикла приложения Умение самостоятельно разрабатывать и поддерживать frontend-функциональность в рамках поставленных задач Умение декомпозировать задачи на понятные технические шаги Способность предлагать технические решения и обсуждать их с командой Опыт работы с библиотеками управления состоянием: Redux или аналогичными Уверенное знание HTML, CSS, адаптивной и кросс-браузерной вёрстки Опыт интеграции с REST API, WebSocket и асинхронными сценариями взаимодействия с backend Опыт написания тестов: Jest, React Testing Library или похожий стек Уверенное владение Git: ветки, merge/rebase, pull/merge request, code review Понимание принципов frontend-производительности: lazy loading, code splitting, tree shaking, оптимизация ассетов, Web Vitals Опыт работы с CSS Modules, CSS-in-JS, PostCSS, Sass или аналогичными инструментами Понимание особенностей разработки под mobile web: адаптивность, touch-сценарии, ограничения браузеров и WebView Опыт работы с инструментами сборки: Webpack, Vite, Rspack или аналогичными Будет плюсом Опыт разработки веб-приложений внутри WebView или мобильных mini app-сценариев Опыт настройки или поддержки инструментов сборки: Webpack, Vite, Rspack или аналогичных Умение работать с задачами высокой неопределённости Готовность общаться напрямую с бизнес-заказчиками и помогать уточнять требования Способность и готовность разобраться в смежных областях при необходимости, например в CI/CD Английский язык на уровне чтения технической документации

Location: Санкт-Петербург Workplace: Комбинированный VK с самого основания соцсети стала точкой сближения пользователей друг с другом, а авторов — с их аудиторией. Здесь рождаются локальные мемы и вырастают известные на всю платформу блогеры; здесь можно делиться творчеством на многомиллионную аудиторию и не оставаться незамеченным благодаря умным алгоритмам рекомендаций. Наша команда развивает ML-механики авторов: помогаем пользователям находить действительно интересный контент, а авторам — быстрее набирать охваты и стабильно расти на платформе. Мы работаем на стыке хайлоадного бэкенда и продуктовых экспериментов: строим и улучшаем пайплайны данных, разрабатываем модели подбора релевантного контента и ранжирования, запускаем A/B‑эксперименты и доводим решения до стабильного продакшен-рантайма. Мы ищем ML‑разработчика, который вместе с нами будет развивать механики роста авторов и создавать новые модели подбора заинтересованной аудитории под конкретных авторов и их контент — от формулировки гипотез и обучения моделей до внедрения и измеримого влияния на ключевые метрики продукта. Задачи Улучшать базовое качество рекомендаций и ранжирования Анализировать поведение пользователей и потребление контента, выдвигать и проверять продуктовые гипотезы Строить и поддерживать end‑to‑end пайплайны моделей: от данных и обучения до продакшен‑внедрения и мониторинга метрик Принимать участие в разработке сервисов, внедрять алгоритмы в бэкенд на Java Проводить A/B-тестирование и принимать решения с влиянием на огромную аудиторию пользователей ВК Требования Знание классических алгоритмов и принципов ML Понимание основных принципов работы рекомендательных систем Знание математической статистики и методики проведения A/B-тестирования Уверенное владение Python/Java и SQL Открытость, самостоятельность, проактивность

Location: Москва Workplace: гибкий ML Media — продукт ML R&D: единый gateway для различных AI-технологий. Продуктовые команды VK интегрируются с платформой один раз и получают доступ ко всему спектру речевых и мультимедийных ML-моделей: ASR — распознавание речи: синхронное, асинхронное (длинные аудио) и realtime-стриминг TTS — синтез речи CV — компьютерное зрение: детекция лиц, оценка качества видео, deepfake-детекция, OCR VQE — улучшение качества речи: шумоподавление, определение голосовой активности Диаризация — разметка аудио по спикерам Суммаризация — краткое содержание аудио и видео на базе LLM: главные тезисы длинных записей за секунды, а не часы прослушивания За единым API платформа скрывает всю инженерную обвязку: маршрутизацию и балансировку нагрузки на GPU-парк с моделями на NVIDIA Triton Inference Server и vLLM, квоты и рейт-лимиты, асинхронную обработку длинных медиа, защиту GPU-парка от перегрузки и наблюдаемость всего контура. ML Media уже интегрирована с ключевыми продуктами VK: MAX, VK Мессенджер, VK ID, VK Звонки и VK Видео. Наши пользователи — миллионы людей, которые каждый день распознают и синтезируют речь, общаются с голосовыми ассистентами и смотрят видео. Сейчас мы проходим трек платформизации существующих технологий: ASR, TTS, CV и другие сервисы уже работают в production по отдельности — мы объединяем их в единую платформу с общим API, единой плоскостью управления и общей инфраструктурой. Отдельная инженерная задача — сделать так, чтобы подключение новой технологии к платформе занимало дни, а не месяцы. Команда интеграции технологий разрабатывает компоненты платформы — API-шлюз (gRPC, REST и MCP для LLM-агентов), плоскость управления (пользователи, токены, квоты), асинхронный контур обработки задач и клиентский инструментарий (CLI, MCP) — и отвечает за то, чтобы research-модели становились надёжными production-API. Задачи Разработка платформы: API-шлюз (gRPC, REST, MCP), плоскость управления (пользователи, токены, квоты), асинхронный контур обработки задач, клиентский инструментарий (CLI, MCP) Поддержка существующих интеграций: сопровождение интеграций продуктовых команд (MAX, VK Мессенджер, VK ID, VK Звонки, VK Видео), помощь в подключении, разбор инцидентов Балансировка и роутинг запросов к ML-бэкендам: кастомные gRPC balancer'ы, health-probing реальными inference-запросами, теговый роутинг моделей Admission control на основе утилизации GPU: метрики throughput, гистерезис throttle/reject, сигналы автоскейлеру Асинхронная обработка длинных медиа: Kafka-воркеры, outbox, ретраи и восстановление задач, партиционирование таблиц PostgreSQL Наблюдаемость и эксплуатация: Prometheus-метрики, Sentry, структурированные логи, поиск узких мест Взаимодействие с ML-командами и продуктовыми заказчиками, участие в проработке архитектуры Требования Опыт коммерческой разработки на Go Уверенное владение конкурентностью: goroutines, context, errgroup, graceful shutdown Опыт проектирования отказоустойчивых высоконагруженных систем Опыт с gRPC (streaming, interceptors), PostgreSQL, Redis, Kafka или другими брокерами сообщений Навыки диагностики production-проблем: метрики, логи, профилирование Системное мышление Будет плюсом Опыт с NVIDIA Triton Inference Server, vLLM или другими платформами ML-сервинга Понимание метрик ML-инференса: real-time factor, throughput, latency, утилизация GPU Опыт разработки кастомных gRPC balancer'ов или resolver'ов Опыт с admission control, capacity planning, автоскейлингом Понимание agentic AI: MCP, tool calling Опыт с sqlc, testcontainers, codegen-пайплайнами Знание Python — для взаимодействия с ML-кодом бэкендов

Location: Москва Workplace: Комбинированный Мы строим фундамент для работы с базами данных внутри VK. Наша команда отвечает за инфраструктуру, автоматизацию и внутренние сервисы. Мы создаём платформенные компоненты, которые позволяют эффективно управлять кластерами БД, автоматизируем процессы их эксплуатации и разрабатываем общие инструменты для всей экосистемы. Задачи Мы команда инфраструктуры в платформе управляемых баз данных (Managed Databases). Это высоконагруженная платформа, предоставляющая всему VK тысячи кластеров баз данных самых разных технологий. Среди основных: PostgreSQL, Redis, Kafka, Temporal, Cassandra, OpenSearch, ClickHouse, MongoDB, ZooKeeper, Qdrant. У нас микросервисная архитектура, наша команда занимается развитием сервисов и отвечает за архитектуру, на которой строится платформа MDB Мы занимаемся автоматизацией операций и обслуживания кластеров баз данных Отслеживаем и улучшаем качество и состояние инфраструктуры в облаке Это не CRUD-продукт. Большая часть задач — про распределённые системы, отказоустойчивость, репликацию, обновления, резервное копирование, масштабирование и эксплуатацию высоконагруженных кластеров. Мы проектируем архитектуру новых возможностей платформы, прорабатываем и решаем технически сложные задачи. При этом мы совмещаем качества и продуктовой, и инфраструктурной разработки. Несмотря на техническую сложность, у нас есть прямые каналы связи с пользователями и результаты работы практически сразу получают реакцию от потребителей. Мы не делаем задачи в стол, а идём от проблематики пользователей и улучшаем их опыт использования платформы. Требования Умение самостоятельно вести разработку: от проработки идеи, проектирования и технической декомпозиции до вывода решения в продакшен Понимание принципов разработки отказоустойчивых распределённых систем и асинхронной микросервисной архитектуры Уверенное владение Java + Spring, опыт работы с Kubernetes или подобной системой оркестрации Готовность погружаться в специфику базы данных изнутри и разбираться в нюансах обеспечения высокой доступности Будет плюсом Опыт разработки инфраструктурных или платформенных продуктов Понимание репликации, консенсуса, резервного копирования, восстановления и обновления баз данных Опыт эксплуатации высоконагруженных систем Опыт работы с облачной инфраструктурой или Managed-сервисами

Location: Санкт-Петербург Workplace: гибкий ВКонтакте — один из самых высоконагруженных проектов рунета. В сутки у нас бывает до 30 релизов и 125 миллиардов запросов к API. Всё это вытягивает небольшая команда разработчиков, где каждый — суперпрофессионал, который нашёл интересные для себя задачи. Мы находимся в поисках руководителя команды разработки в Ленту. У нас интересно, потому что: Наши разделы посещают десятки миллионов пользователей ВКонтакте Мы обсуждаем и прорабатываем фичи всей командой как с продуктовой, так и с технической точки зрения Заботимся о надёжности — мониторим ошибки и производительность Проводим A/B-эксперименты и принимаем решения на основе полученных данных У нас быстрые циклы разработки, частые релизы и минимум бюрократии Стек: Go/PHP, SQL/KV, grpc, http. Задачи Руководить сильной командой, которая отвечает за ключевые части ВКонтакте: новостные ленты, постинг, социальный граф и многое другое Участвовать в распиле монолита ВКонтакте, писать новые микросервисы на Go Прорабатывать новые сервисы с учётом настоящего highload: у нас десятки тысяч QPS Нанимать новых разработчиков Требования Опыт руководства командой от двух лет Вы — командный игрок, с вами комфортно общаться, вы умеете договариваться со смежниками и стейкхолдерами Разбираетесь в классических алгоритмах и структурах данных Понимаете, что такое настоящий highload и умеете его «готовить» Умеете работать с масштабируемыми нагруженными системами, вам знакомы слова «балансировка», «шардирование» и «репликация» Знаете Go и готовы разбираться в Legacy PHP коде

Location: Москва Workplace: гибкий Календарь — это 365 дней, 12 месяцев, тут за нас уже всё разработали, еще в 16 веке. Мы же разрабатываем инструменты для удобного управления календарём: встречи, повторяемые встречи, переговорные комнаты, учёт занятости, десктоп и мобильные клиенты. В нашей зоне ответственности SaaS c мощными нагрузками и OnPremise инсталляции с требовательными заказчиками. Нам нужен инженер, готовый вносить свой вклад в инженерную культуру команды и делать так, чтобы Календарь работал как часы, но как календарь. Задачи Поддержка 10 микросервисов на Go: написание и ревью кода, подготовка и сопровождение релизов Проработка, оценка и разработка фич по продуктовым требованиям Дежурства: контроль метрик, устранение аварий, разбор баг-репортов Покрытие системы интеграционными тестами Требования Опыт разработки на Go Опыт работы с Docker и PostgreSQL Навыки проектирования высоконагруженных распределённых систем