Вакансии

Location: Санкт-Петербург Workplace: Дистанционный Команда занимается Developer Experience (DX) и Developer Productivity Engineering (DPE). В её задачи входит: Поддержание архитектуры продукта, устойчивой к непрерывным изменениям (DI, MVI, API, IDEA Plugin, AI Harness и тому подобное) Разработка повторно используемых решений Разработка инфраструктурных сервисов Повышение отказоустойчивости приложений Совершенствование инструментов предотвращения проблем Задачи Разработка повторно используемых SDK и инструментов для разработчиков Улучшение Developer Experience Разработка своих фреймворков DI, MVI, API Требования Опыт коммерческой разработки под Android от пяти лет Опыт управления командой от года Уверенное знание Kotlin + Java Опыт работы с разными архитектурами: Clean Architecture / MVI / MVVM (и понимание их применимости) Опыт работы с большими кодовыми базами и современным стеком (Coroutines, Compose) Понимание многопоточности и жизненного цикла Android Опыт оптимизации производительности и дебага сложных кейсов Знание классических алгоритмов и структур данных Будет плюсом Опыт работы в Core-команде.

Location: Москва Workplace: Комбинированный Мы разрабатываем end-to-end рекомендательные сервисы в социальной сети «Одноклассники»: от генерации идей до реализации факторов, обучения моделей и A/B-тестирования. Уже сейчас наши модели рекомендуют пользователям друзей и определяют, какие пуш-уведомления об интересных людях и постах будут отправлены им. Наша цель — улучшать пользовательский опыт и растить метрики социальных взаимодействий, чтобы пользователи чаще возвращались к нам. Задачи Разработка и оптимизация ML-моделей для рекомендаций Участие в переносе рекомендательных сервисов на ЕКП (единую контентную платформу) Построение пайплайнов обработки больших объёмов данных Эксперименты: проверка гипотез, анализ A/B-тестов, улучшение метрик Генерация идей по улучшению качества работы рекомендаций и участие в проектировании рекомендательных сервисов Требования Опыт в ML от двух лет Опыт работы с большими данными (Hadoop, Spark) Опыт работы с realtime-сервисами Будет плюсом Опыт с рекомендательными и поисковыми системами Опыт проведения и анализа A/B-экспериментов Опыт работы с ООП-языками (Java, С++)

Location: Москва Workplace: Комбинированный 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. Ядро рекламной системы — аукцион, обеспечивающий эффективную реализацию выбранных рекламодателями стратегий ставок и подбор рекламы для пользователей. Мы ищем ML-специалиста, которому интересно глубоко погрузиться в механику аукциона, растить эффективность рекламных продуктов и стратегий ставок с помощью методов машинного обучения. Что предлагаем: Возможность внедрять решения, влияющие на ~100 млн пользователей ежедневно Интересную предметную область - реклама сочетает в себе рекомендательную систему и аукцион со множеством дополнительных механизмов Технологические платформы компании, упрощающие внедрения в рантайм Задачи Разрабатывать и улучшать ML-модели ранжирования в аукционе Проводить AБ эксперименты с моделями в высоконагруженной системе Оптимизировать производительность существующих алгоритмов Требования Знание классических методов машинного обучения (линейные модели, градиентный бустинг, матричные факторизации, методы NLP) и DL Понимание принципов и методов предобработки данных, feature engineering и оценки моделей Практический опыт разработки на Java, Python или C++ Знание алгоритмов и структур данных Уверенное владение SQL Будет плюсом Опыт разработки рекомендательных систем Опыт работы с большими данными (Spark, Hadoop, YTsaurus)

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: гибкий Мы разрабатываем end-to-end рекомендательную систему для рекомендаций VK Клипов от генерации идей до реализации факторов, обучения моделей и A/B-тестирования. Наша цель — помогать авторам быстрее расти на платформе, а для пользователей показывать более релевантный контент. Задачи Разработка и оптимизация ML-моделей для рекомендаций Построение пайплайнов обработки больших объёмов данных Эксперименты: проверка гипотез, анализ A/B-тестов, улучшение метрик Генерация идей по улучшению качества работы рекомендаций и участие в проектировании рекомендательных сервисов Требования Опыт в ML от трёх лет Опыт работы с большими данными (Hadoop, Spark, YT) Опыт работы с realtime-сервисами Будет плюсом Опыт с рекомендательными и поисковыми системами Опыт проведения и анализа A/B-экспериментов Опыт работы с ООП-языками (Java, С++)

Location: Москва Workplace: Комбинированный Мы ищем ML-инженера в команду рекомендаций Ленты социальной сети Одноклассники. Команда развивает персонализацию постов, фотографий и видео, повышает вовлечённость пользователей, помогает авторам находить свою аудиторию и делает Ленту более разнообразной. Задачи Разработка факторов и моделей ранжирования Обучение и внедрение ML-моделей в production Развитие высоконагруженных сервисов рекомендаций Проведение и анализ A/B-тестов Требования Опыт работы ML-инженером от двух лет Знание алгоритмов машинного обучения и принципов построения рекомендательных систем Опыт промышленной разработки на Java Понимание принципов работы высоконагруженных систем Будет плюсом Опыт разработки рекомендательных систем и моделей ранжирования Опыт проведения и анализа A/B-тестов Опыт работы с YTsaurus, CatBoost, Spring и Java

Location: Москва Workplace: гибкий 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. Ядро рекламной системы — аукцион, обеспечивающий эффективную реализацию выбранных рекламодателями стратегий ставок и подбор рекламы для пользователей. Мы ищем руководителя в команду вертикалей рекламы, которому интересно глубоко погрузиться в механику аукциона, растить эффективность рекламных продуктов и стратегий ставок с помощью методов машинного обучения. Что предлагаем: Возможность внедрять решения, влияющие на ~100 млн пользователей ежедневно Интересную предметную область — реклама сочетает в себе рекомендательную систему и аукцион со множеством дополнительных механизмов Технологические платформы компании, упрощающие внедрения в рантайм Задачи Руководить командой: наём, развитие, performance review Декомпозировать бизнес-цели и проекты до уровня задач для команды Повышать эффективность рекламы при помощи ML-алгоритмов Предлагать новые решения и проводить A/B-эксперименты для оценки гипотез Обеспечивать стабильность ML-решений в высоконагруженном рантайме Требования Опыт руководства командой ML или разработки от двух лет Опыт развития команды, проведения code review Практический опыт разработки на Java, Python или C++ Знание классических методов машинного обучения (линейные модели, градиентный бустинг, матричные факторизации, методы NLP) и DL Понимание принципов и методов предобработки данных, feature engineering и оценки моделей Знание алгоритмов и структур данных Будет плюсом Опыт разработки рекомендательных систем Опыт работы с большими данными (Spark, Hadoop, YTsaurus)

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: 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: Офисный Команда контекстных рекомендаций в VK Клипах отвечает за персонализацию коротких видео с учётом интересов пользователя в других продуктах VK. Сейчас наш основной фокус — клипы в VK Видео: мы используем информацию о просмотре длинных видео, чтобы лучше понимать предпочтения зрителя и рекомендовать ему интересные клипы. Наша задача — учитывать контекст продукта, в котором человек смотрит клипы, и помогать ему находить подходящий контент. Мы ищем руководителя команды, которая будет заниматься полным циклом развития контекстных рекомендаций: анализировать пользовательское поведение, находить полезные сигналы из других продуктов, формулировать и проверять гипотезы, обучать и внедрять модели, проводить A/B-эксперименты. Предстоит определять техническое развитие направления, развивать команду и вместе со смежными командами улучшать качество рекомендаций. Задачи Руководить командой: наём, развитие, performance review Декомпозировать бизнес-цели и проекты до уровня задач для команды Предлагать новые решения и проводить A/B-эксперименты для оценки гипотез Обеспечивать стабильность ML-решений в высоконагруженном рантайме Требования Опыт руководства командой ML или разработки от двух лет Опыт развития команды, проведения code review Практический опыт разработки на Java, Python или C++ Знание классических методов машинного обучения и DL Понимание принципов и методов предобработки данных, feature engineering и оценки моделей Знание алгоритмов и структур данных Опыт разработки рекомендательных или поисковых систем

Location: Москва Workplace: гибкий В рекомендациях, поиске и рекламе ключевую роль играют эмбеддинги — векторные представления контента. Их нужно считать в поточном режиме для всех новых объектов (видео, изображений, постов, рекламных объявлений) и быстро доставить в систему ранжирования Discovery Runtime. Feature Flow предоставляет ML-командам возможность самостоятельно управлять графами поточного обогащения данных и расчёта моделей. Платформа реализует материализацию таких графов в пайплайны стриминговой обработки данных, используя фреймворк Stream Flow. Результаты расчётов записываются в распределённое хранилище YTSaurus. Наша команда пишет на Java 21, использует Spring Boot, YTSaurus, Postgres, Gradle, GitLab CI, Grafana и множество внутренних инструментов. Задачи Улучшение UX, снижение TTM Интеграция новых сценариев Оптимизация ресурсов Обеспечение надёжности Миграция пайплайнов из неплатформенных решений Требования Опыт разработки на Java от пяти лет Опыт в проектировании отказоустойчивых сервисов Уже управляли командой разработки из 5+ человек Желание быстро осваивать новые технологии и подходы

Location: Москва Workplace: гибкий Мы — одна из немногих команд в стране, которая разрабатывает ядро распределённой базы данных, а не просто эксплуатирует её. У нас собственный форк Apache Cassandra, поверх которого реализовано то, чего нет в ванильной версии: транзакции, глобальные индексы, генератор последовательностей. С чем предстоит иметь дело: Распределённые системы на практике: репликация, кворумы, консистентность — в продакшене из кластеров на сотни узлов в нескольких дата-центрах, обслуживающем сервисы с многомиллионной аудиторией Живая миграция между мажорными версиями базы без downtime продуктов Производительность на уровне движка хранения: стратегии компакшена, тюнинг GC, работа с off-heap, профилирование под продакшен-нагрузкой Отказоустойчивость: сценарии потери целого дата-центра, расчётные модели доступности, разбор реальных инцидентов до первопричины Работа с апстримом: наш форк регулярно синхронизируется с ванильной Apache Cassandra — вы будете читать и понимать код одной из самых известных open-source баз на уровне контрибьютора Баги, которые не воспроизвести на ноутбуке: часть проблем существует только на больших данных и больших кластерах. Реальный пример из нашей практики — переполнение int32 при компакции SSTable, у которых файл метаданных сжатия перерос 2 ГБ: код работал годами, пока данные не доросли до граничного значения Задачи Разработка и поддержка собственного форка Apache Cassandra Развитие ядра форка: транзакционный слой (ACID поверх Cassandra), глобальные индексы, слияние с апстримом Apache Cassandra Миграция продуктовых сервисов на использование последней версии форка Разработка и поддержка интеграции Cassandra во внутреннюю систему managed database Работа с нагрузочными тестами Работа с метриками, алертами, написание ранбуков, совершенствование инструментов диагностики Дежурство по своим сервисам, разбор инцидентов и устранение их причин Техническое ревью изменений и менторинг в команде Работа с командами-потребителями: разбор их проблем с производительностью, схемой данных и конфигурацией Требования Практический опыт разработки на Java от пяти лет. Core, многопоточность, работа с памятью и сборщиком мусора, профилирование Понимание того, как база данных устроена внутри: хранение на диске, индексы, журнал записи, слияние файлов данных, транзакции и уровни изоляции. На примере любой СУБД Опыт чтения и доработки исходного кода инфраструктурного open-source: баз данных, брокеров сообщений, распределённых систем Опыт работы в большой чужой кодовой базе: умение разобраться в незнакомом коде и вносить изменения, не ломая смежную функциональность Понимание распределённых систем: репликация, консистентность, кворумы, поведение при отказе узлов и сетевых разделениях Готовность участвовать в дежурстве по своим сервисам и разбирать инциденты Будет плюсом Опыт работы с Apache Cassandra любой версии Опыт с другими NoSQL-хранилищами: HBase, ScyllaDB, MongoDB, Redis Опыт эксплуатации баз под нагрузкой: диагностика по метрикам и логам, разбор инцидентов на продакшене

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, ведь ВКонтакте ежемесячно пользуются 97 миллионов человек. Создаём технологичные продукты в области обработки и передачи видео, алгоритмы машинного обучения и компьютерного зрения, а также видео-конференц-связь для пользователей VK. Ищем специалиста, который вместе с нами будет развивать высоконагруженный сервис и помогать с управлением серверными мощностями. У нас интересно, потому что вы сможете поработать над развитием высоконагруженной видеоплатформы, у которой: Миллиард ежедневных просмотров видео Скорость раздачи видеоконтента достигает 8 Тбит/с Объём хранимого видео — более 1,3 Эбайт Поддерживается качество видео до 4К Ultra HD, в том числе для трансляций Раздача видео производится с помощью технологий адаптивного стриминга, протоколов DASH/HLS Видео раздаётся в различных кодеках, в том числе в AV1 Широкая сеть CDN Задачи Развивать платформу хранения и раздачи видео Разрабатывать сервис видеотрансляций Интегрировать новые технологии работы с видео в существующую инфраструктуру Заниматься совершенствованием системы аналитики видеоплатформы Выполнять доработки видеоплатформы в рамках поддержки партнёров Требования Опыт управления небольшой командой в качестве технического лидера Знание backend-разработки на Java, опыт коммерческой разработки более шести лет Глубокие знания JVM и GC Опыт работы со Spring, Cassandra, Zookeeper Опыт разработки многопоточных приложений, понимание JMM Понимание компьютерных сетей и протоколов передачи данных Умение собрать требования к задачам, способность самостоятельно принимать решения при разработке

Location: Москва Workplace: гибкий Группа разработки YDB отвечает за одну из самых нагруженных СУБД в инфраструктуре VK. YDB — распределённая отказоустойчивая SQL-СУБД с горизонтальным масштабированием, строгой консистентностью и ACID-транзакциями. На её инфраструктуре работают Дзен (подписки, комментарии, лайки и другое), VK Streams (самобалансирующийся межрегиональный аналог Kafka от VK), Маруся и многие другие системы VK. Через наши кластеры ежедневно проходят терабайты в секунду входящих запросов. Мы являемся частью облачных технологий VK и предоставляем YDB как database as a service: разрабатываем сервисы вокруг неё, поддерживаем платформу, от создания базы и до алертинга и мониторинга инцидентов, и отвечаем за то, чтобы ничего не деградировало под нагрузкой. Задачи Проектирование и разработка инфраструктурных сервисов вокруг YDB Поддержка и настройка кластеров платформы, дежурства и разбор инцидентов Мониторинг и алертинг критичных компонентов: сбор, поставка и визуализация метрик Работа под реальной высокой нагрузкой (терабайты в секунду in/out) Требования Опыт разработки от трёх лет Уверенное владение хотя бы одним языком (Java или Go) Готовность писать на разных языках — на проекте их много (Java, Go, Python, Bash), от полноценных сервисов до скриптов, и переключаться между ними придётся постоянно Понимание внутреннего устройства баз данных и различий между ними Самостоятельность, проактивность, умение договариваться с людьми Будет плюсом Опыт с облачными технологиями Опыт с распределёнными или высоконагруженными СУБД Опыт в инфраструктурных задачах

Location: Санкт-Петербург Workplace: гибкий Команда Trust&Safety разрабатывает платформу для построения пайплайнов обработки данных в self-service формате. На базе этой платформы строятся высоконагруженные пайплайны обработки данных, которые ежедневно обрабатывают миллионы текстов и видео. Платформа позволяет применять ML-модели к контенту, агрегировать данные из разных источников и доставлять их потребителям с минимальной задержкой. Задачи Разработка пайплайнов обработки данных: создание и вывод в прод новых процессов обработки для поиска, модерации и рекомендаций Интеграция с ML: внедрение готовых ML-моделей в пайплайны обработки данных Оптимизация производительности: обеспечение минимальных задержек при доставке контента в сервисы дистрибуции Работа с Big Data: обработка больших объёмов данных в батч-режиме и поточно (streaming) Архитектура: построение функциональности в новой платформе с учётом строгих нефункциональных требований Требования Опыт промышленной разработки на Java 5+ лет Опыт работы с распределёнными системами и базами данных (Postgres, YTsaurus будет плюсом) Понимание ограничений и возможностей распределённых и высоконагруженных систем, принятие решений с учётом данного контекста Практический опыт в работе с метриками приложений — отправка метрик, построение дашбордов и алертов Проактивность, умение работать в команде и решать сложные архитектурные задачи, закрывать задачу под ключ Будет плюсом Навыки работы с Big Data: опыт обработки больших объёмов данных в батч-режиме и потоково.