Вакансии

— Опыт управления аналитикой или работы ведущим веб-аналитиком, желательно в e-commerce. — Выстраивать сквозную аналитику на основе данных сайта, CRM и других источников.

• Управлять командой Key Account Managers: ставить задачи, развивать сотрудников и формировать единые стандарты работы. • Выстраивать долгосрочные партнерские отношения с B2B-клиентами.

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: 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: 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: 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: 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 Наша команда отвечает за обеспечение выплат пользователям за различные монетизации ВКонтакте. Мы работаем с деньгами, и для нас важна стабильность и отказоустойчивость с соблюдением требований налоговой и юридической сторон. Задачи Руководство командой разработки backend (5 человек) Развитие людей и команды (1to1, ИПР и другие) Контроль архитектурных решений команды Постановка технических задач команде (исходя из продуктовой загрузки) Обеспечение технического качества Ответственность за наём и увольнение персонала Мониторинг бизнес-метрик команды и реагирование на изменения Итеративное улучшение процессов в команде Управление очередью задач (backlog) Требования Опыт управления командой разработки от двух лет Опыт коммерческой разработки на Go от трёх лет Умение доносить технические ограничения до бизнеса Умение разбираться в чужом коде Понимание ключевых технологий и инструментов разработки Будет плюсом Опыт в высоконагруженных системах Опыт проектирования микросервисных архитектур Работа в финтехе или других сферах с высокими требованиями к безопасности и надёжности Опыт распила монолита

Location: Санкт-Петербург Workplace: Комбинированный Наша команда занимается внедрением AI в разработку на уровне всей компании VK. Наши клиенты — продуктовые команды из разных бизнес-юнитов компании. Сейчас мы активно развиваем свою платформу для создания автономных AI агентов-разработчиков, а также внедряем общие AI-решения для автономизации различных этапов цикла разработки. Ищем талантливого разработчика, которому интересны Agentic AI-системы, чтобы усилить нашу команду. Примеры задач: Улучшение облачной системы Sandbox'ов, предоставляющих безопасное изолированное окружение для работы автономных AI-агентов Разработка, улучшение и внедрение различных мультиагентных пайплайнов для автономизации SDLC Создание системы бенчмарков для оценивания эффективности автономных AI-агентов для разработки Улучшение качества работы автономных AI-агентов для разработки У нас интересно: Наша команда участвует в ключевых проектах компании Внутренние пользователи всегда рядом, сами приносят обратную связь и открыты к общению Разнообразные задачи и отсутствие рутины Широкие зоны ответственности и простор для творчества Нет лишней бюрократии Задачи Разработка платформы для создания автономных AI-агентов разработчиков Разработка и внедрение мультиагентных пайплайнов для автономизации SDLC Улучшение качества работы автономных AI-агентов разработчиков Требования Опыт коммерческой разработки production ready AI-систем Опыт или интерес к созданию инструментов для разработчиков: анализаторы кода, компиляторы, IDE-плагины, SWE AI-агенты и так далее Уверенные навыки по работе с AI-агентами в разработке и их применению в реальных задачах Понимание внутреннего устройства AI-агентов и базовых принципов agentic AI: prompt и context engineering для современных LLM, MCP, tool calling, etc. Опыт разработки и поддержки кода на Go (основной язык), Python или переход на них за испытательный срок Понимание принципов разработки ПО: подходы к тестированию и его виды, модели работы с Git, современные практики в CI/CD и всё остальное, с чем разработчики разных специализаций сталкиваются каждый день

Location: Москва Workplace: гибкий Наша команда отвечает за базу знаний и агентов — это ядро платформы, с которым напрямую работают клиенты. Мы строим RAG-системы для корпоративных данных: от загрузки и индексации документов до поиска и генерации ответа. Мы также разрабатываем самих агентов, которые используют эти знания в рабочих сценариях. Задачи Руководить командой разработки направления RAG: отвечать за delivery, качество и стабильность сервисов команды Совмещать управление командой с разработкой — ориентировочно 50% времени работать hands-on Планировать работу команды, декомпозировать и оценивать задачи, управлять выполнением roadmap, багами и техническим долгом Осуществлять техническое лидерство команды: проводить технические проработки, определять архитектуру и технические решения внутри сервисов RAG, проводить code review Участвовать в проработке архитектурных решений на уровне платформы совместно с главным архитектором Разрабатывать и развивать сервисы на Python в области RAG и баз знаний Провести декомпозицию существующих компонентов RAG, реализованных на Ray.io, на отдельные сервисы и участвовать в переходе от текущей архитектуры на Ray к целевой сервисной архитектуре Развивать контур работы с данными и знаниями: загрузку и индексацию данных, парсинг и разбиение документов, embeddings, retrieval, reranking, vector DB, базы знаний и evaluation Отвечать за инженерное качество сервисов команды: тестирование, наблюдаемость, производительность, отказоустойчивость и стабильность в production Участвовать в L4-поддержке сервисов команды и инцидент-менеджменте Проводить people management команды: 1:1, performance review, развитие сотрудников, наём, проведение испытательных сроков Синхронизироваться с продуктовыми и техническими командами платформы по зависимостям и совместным задачам Требования Сильный опыт backend-разработки на Python и опыт самостоятельной разработки production-сервисов Опыт управления командой разработки и ответственность за её delivery Опыт технического лидерства: проектирование сервисов, проведение технических проработок, принятие архитектурных решений, code review Готовность совмещать роль Team Lead с активной разработкой руками Уверенное знание Python, asyncio и FastAPI Опыт работы с PostgreSQL и проектирования схем хранения данных Понимание принципов построения распределённых backend-систем, асинхронной обработки и взаимодействия сервисов Опыт проектирования и декомпозиции сервисной архитектуры, выделения отдельных сервисов из существующих крупных компонентов Опыт работы с брокерами сообщений, желательно NATS Опыт эксплуатации и развития production-сервисов, понимание требований к качеству, стабильности, наблюдаемости и производительности Умение организовывать работу команды: планирование, декомпозиция, оценка задач, управление техническим долгом и багами Опыт people management: развитие сотрудников, обратная связь, performance review и наём Будет плюсом Практический опыт разработки RAG-систем и сервисов баз знаний Опыт работы с retrieval, reranking, embeddings, индексацией, chunking и оценкой качества RAG Опыт работы с Ray/Ray.io и системами, построенными на нём Опыт работы с Qdrant или другими векторными базами данных Опыт работы с Elasticsearch/OpenSearch Опыт работы с Kubernetes Знание Go, опыт разработки сервисов на Go или желание его получить в будущем

Location: Москва Workplace: гибкий VK Музыка — стриминговый сервис, который объединил музыкальную платформу ВКонтакте и отдельное приложение VK Музыка. Миллионы пользователей слушают здесь любимые песни, а тысячи артистов находят свою аудиторию. Мы разрабатываем, улучшаем и поддерживаем один из крупнейших сервисов в России: выпускаем приложения для iOS и Android, открываем новые имена и собираем лучшую музыку. А ещё — обучаем наши рекомендательные системы, чтобы пользователи находили треки по своим интересам, а музыканты — больше преданных слушателей. Задачи Разработка высоконагруженного бэкенда и API для сервисов VK Музыки Реализация продуктовых и технических задач Проектирование новых фич и улучшение текущих Сотрудничество с другими командами при разработке крупных обновлений Требования На продвинутом уровне владеете Go (1.19 и выше) Отлично понимаете особенности работы баз данных (SQL/NoSQL) Разбираетесь в алгоритмах и структурах данных Владеете паттернами проектирования и принципами программирования Пишете unit и интеграционные тесты Имеете широкий кругозор в области современных веб-технологий Знакомы с практиками командной разработки Плюсом будет, если знаете Temporal или другие аналогичные workflow engine

Location: Москва Workplace: Комбинированный Мы создаём платформу персонализации для всех продуктов VK. На нашей инфраструктуре работают рекомендательные системы, поиск и реклама крупнейших продуктов компании, масштаб которых достигает 300 млн пользователей и почти миллиарда единиц контента. Немного о нашем масштабе: 1 млн vCPU вычислительных мощностей Сотни тысяч персональных подборок в секунду Более 300 инженеров из продуктовых команд используют нашу платформу, большинство из них — ML-инженеры Tier A, доступность более 99,99%. Мы умеем строить отказоустойчивые real-time системы и обеспечивать их работу под огромной нагрузкой Наша миссия — сделать платформу, на которой продуктовые команды могут быстро воплощать идеи, экспериментировать и растить метрики, не задумываясь о сложности инфраструктуры. При этом платформа должна эффективно работать даже в масштабах крупнейших интернет-продуктов. Наш технологический стек: Java (99% кодовой базы), C++ и Python для GPU-сервисов. Активно используем экосистему распределённых вычислений YTsaurus и разрабатываем собственные инфраструктурные решения. Задачи Мы ищем Team Lead в одну из команд платформы персонализации, которая отвечает за инфраструктуру поисковых сценариев. Один из главных инженерных вызовов в поиске — найти оптимальный баланс между потреблением RAM и CPU. Поисковые системы предъявляют особенно высокие требования к полноте данных, скорости их доставки и эффективности индексации. При этом важно обеспечивать предсказуемую производительность и эффективно использовать вычислительные ресурсы. В команде мы разрабатываем собственное реплицированное in-memory хранилище, технологии индексации контента и инфраструктуру для поисковых сценариев. Вам предстоит: Руководить командой инженеров: развивать сотрудников, участвовать в найме и отвечать за результаты команды Определять техническое развитие команды и принимать архитектурные решения Развивать технологии хранения и индексации данных, оптимизировать производительность и использование ресурсов Пример задачи, над которой работаем прямо сейчас: Реализовать персонализированное ранжирование поисковой выдачи, используя возможности платформы персонализации Почему у нас интересно: Масштаб, который редко встречается. Здесь даже небольшое архитектурное решение может влиять на миллионы пользователей и потребление тысяч CPU Сложные инженерные задачи. Мы не просто интегрируем готовые технологии, а создаём собственные решения для хранения, обработки и доставки данных в реальном времени Влияние на продукты. Результатами нашей работы пользуются более 300 инженеров продуктовых команд, а сама платформа лежит в основе ключевых продуктов VK Сильная инженерная экспертиза. Мы умеем строить системы с доступностью более четырёх девяток и постоянно работаем над тем, чтобы делать их быстрее, надёжнее и эффективнее Требования Опыт руководства инженерной командой, включая people management Уверенное знание Java или опыт разработки на другом современном языке с готовностью перейти на Java Хорошее понимание алгоритмов и структур данных Интерес к распределённым системам, большим данным и высоконагруженным сервисам. Опыт работы с ними будет преимуществом Любовь к технически сложным задачам, оптимизации кода и поиску эффективных решений Будет плюсом Опыт разработки поисковых или рекомендательных систем Знакомство с машинным обучением и инфраструктурой для ML

Location: Москва Workplace: гибкий Мы работаем над самой масштабной контентной платформой в рунете — по объёму, форматам, времени потребления и аудитории. Миллионы RPS и петабайты данных — главные вызовы для бэкенда ВКонтакте.Core Backend — это слой продуктовой инфраструктуры, который лежит в основе и позволяет разным командам двигаться вперёд, не решая одни и те же задачи.Мы ищем инженера, который хочет решать сложные задачи и напрямую влиять на архитектуру ВКонтакте. Задачи проектирование и реализация новых Go-сервисов для распила монолита; оптимизация нагрузки и потребления ресурсов существующих сервисов; переход на современные open-source базы данных; повышение надёжности ВКонтакте. Примеры конкретных задач в работе: сервис статистики для авторов. Единая точка входа для работы со статистикой. Обрабатывает около миллиона событий в секунду, связанных с взаимодействием с контентом, и отображает её в личных кабинетах авторов практически в реальном времени; Лайки и реакции. Единый сервис для простановки лайков и реакций для любых сущностей. Архив объёмом в триллион лайков, миллионы чтений и тысячи записей в секунду; Комментарии. Единый сервис для работы с комментариями к любым сущностям — посты/видео/клипы. Унифицированная и настраиваемая логика для лёгкой интеграции в любой продукт; редизайн платформы сообщений: миграция триллионов сообщений с специфичных, сильно кастомизированных движков на современный open-source стек с выделением переиспользуемого core backend-слоя. Требования владение Go уверенное; опыт работы с высоконагруженными сервисами и проектирования отказоустойчивых решений; опыт работы с несколькими популярными open-source решениями: PostgreSQL, MongoDB, Redis, Cassandra, ClickHouse, Kafka или аналогами. Будет плюсом знание PHP; опыт оптимизации вычислений и хранения данных; опыт работы с YTsaurus.

Location: Москва Workplace: Дистанционный Мы в поисках руководителя SRE-команды, цель которой построить все core-компоненты облака в единую надёжную систему и прорабатывать улучшения в инфраструктуре. Подсистемы в зоне ответственности команды DNS хранилище секретов балансировщики L4/L7 хранилище настроек приложений система сборки и деплоя клиентские библиотеки инструментарий работы с железом всё, что работает на стыках управляющего слоя облака, Linux и железа Ожидаемые результаты Снижение числа инцидентов Снижение числа ручных вмешательств Рост удовлетворённости пользователей и коллег Задачи Управление командой SRE из 5 человек Управление надёжностью внутреннего облака (SLO/SLA/SLI) Инцидент-менеджмент Работа с потребностями пользователей Удовлетворение текущих и будущих потребностей бизнеса Требования Опыт работы на аналогичной позиции от 5 лет Опыт разработки Go/Java - на уровне Senior Понимание основ работы сети и сетевых протоколов Уверенные знания Linux Продуктовый подход в достижении целей

Location: Москва Workplace: гибкий Наша команда занимается разработкой и поддержкой мини-приложений внутри ВКонтакте. Среди наших приложений: VK Чекбэк, сервис для выгодных покупок (купоны, кешбэк за покупки, карты лояльности), и SuperUP — сервис, в котором пользователи могут выполнять различные задания, получать в награду баллы и обменивать их на призы. А ещё приложения-розыгрыши, приуроченные к событиям VK, — пользователи выполняют задания в наших продуктах и продуктах партнёров и получают за это моментальные призы или валюту спецпроекта, аудитория также может участвовать в этом приложении в розыгрыше крупных призов. Задачи Проектирование и реализация новых Go-сервисов Выполнение небольших задач из технического долга, позволяющих глубже погрузиться в изученные процессы и технологии Разработка API-методов на стороне бэкенда ВКонтакте Перенос существующих асинхронных задач в новый кластер (аналог Redis) Ознакомление с существующим бэкендом спецпроекта, с уже созданной админкой и её функциональностью, доработка старой админки Ознакомление с технической и продуктовой документацией новой админки, участие в грумингах и процессе планирования задач Помощь в разработке новой админки Требования Опыт разработки на Go от 5ти лет Будет плюсом Опыт работы с php будем плюсом