О компании Voodoo

Основанная в 2013 году, компания Voodoo — это технологическая компания, которая создает мобильные игры и приложения с миссией развлекать весь мир. Собрав 800 сотрудников, 7 миллиардов загрузок и более 200 миллионов активных пользователей, Voodoo занимает третье место среди мобильных издателей в мире по количеству загрузок после Google и Meta. В нашем портфолио есть игры, возглавляющие чарты, такие как Mob Control и Block Jam, а также популярные приложения, такие как BeReal и Wizz.

Команда

Команда Engineering & Data создает инновационные технологические продукты и платформы для поддержки впечатляющего роста их игровых и потребительских приложений, что позволяет Voodoo оставаться на переднем крае индустрии мобильных игр.

Рекламная сеть Voodoo — это автономная продуктовая группа из примерно 60 высокомотивированных профессионалов с амбициозной миссией: создание первоклассных сервисов рекламной сети. Наша основная цель — использовать огромную экосистему первичных данных Voodoo для оптимизации и масштабирования монетизации. Мы находимся в фазе быстрого роста, расширяясь в новые направления, такие как открытие внешнего инвентаря, проникновение на рынок внешних рекламодателей и развитие монетизации социальных сетей после недавнего приобретения BeReal. Чтобы поддержать эту невероятную траекторию и многообещающие ранние результаты, мы расширяем нашу команду.

Команда Models является ключевым элементом эффективности таргетинга. Она использует машинное обучение и глубокое понимание бизнеса для прямого влияния на финансовые показатели продукта. В её состав входят в основном старшие аналитики данных, инженеры аналитики, инженеры данных и специалисты по данным/инженеры машинного обучения, которые совместно работают над поиском и созданием следующей эффективной итерации.

Эта роль может быть как в Париже, так и в Хельсинки и выполняться в гибридном формате.

Роль

Мы ищем старшего инженера машинного обучения (Senior ML Engineer) для присоединения к нашей команде Models. Вы войдете в специализированный отряд инженеров данных, специалистов по данным и инженеров машинного обучения, сосредоточенных на создании и поддержке инфраструктуры обучения моделей машинного обучения, которая обеспечивает работу наших моделей таргетинга рекламы — от предварительной обработки данных до развертывания моделей и мониторинга в продакшене.

В этой роли вы будете руководить следующими направлениями:

• Архитектурная ответственность: Полное владение проектами с высокой видимостью от идеи до выпуска в продакшен. Это включает определение функций, оценку сроков, проектирование архитектуры и тестирование новых технологий.

• Инженерия пайплайнов: Создание и поддержка качественных данных и ML-пайплайнов в соответствии с постоянно меняющимися бизнес- и машинно-обучающимися требованиями. Оптимизация обучающих пайплайнов по производительности, эффективности использования памяти и стоимости (например, стратегии использования spot-инстансов, эффективная загрузка данных, повторное использование предварительно обработанных артефактов).

• Поддержка специалистов по данным: Обеспечение специалистов по данным возможностью быстрее итеративно работать, предоставляя переиспользуемые, хорошо протестированные компоненты пайплайна (трансформеры, загрузчики данных, утилиты для обучения) и проверяя их вклад в общий код. Расширение возможностей датасетов: интеграция новых источников данных, масштабирование окон признаков и увеличение объема обучающих данных без нарушения ограничений пайплайна.

• Разработка глубокого обучения: Вклад в разработку глубокого обучения: оркестрация нагрузки на GPU, кастомные циклы обучения PyTorch и поддержка архитектуры моделей.

• Жизненный цикл ML и воспроизводимость: Поддержание воспроизводимости и согласованности на протяжении всего жизненного цикла ML: версионирование конфигураций, отслеживание экспериментов и инструменты для обеспечения согласованности онлайн и офлайн.

• Масштабируемость и надежность: Сотрудничество с инфраструктурными командами по вопросам масштабируемости — пулы узлов, мониторинг ресурсов, миграции CI/CD. Участие в еженедельном дежурстве по обработке и решению оповещений из Airflow, dbt и связанных систем.

• Гибкое сотрудничество: Успешная работа в быстро меняющейся agile-среде с быстрыми процессами принятия решений. Вы будете ежедневно взаимодействовать с бэкенд-разработчиками, специалистами по данным, инженерами инфраструктуры и менеджерами продуктов.

• Наставничество и культура команды: Активное участие в формировании инженерной культуры, обмен знаниями и обеспечение того, чтобы каждый член команды чувствовал себя комфортно, поддержанным и имел возможности для роста в своей роли.

Профиль

Мы ищем старшего инженера машинного обучения, который глубоко понимает как жизненный цикл обучения ML, так и специфические задачи внедрения моделей машинного обучения в продакшен в масштабах.

• Минимум 5 лет опыта работы инженером машинного обучения или на аналогичной должности

• Полное владение ML: формулирование задач, базовые модели, эксперименты, развертывание и итерации

• Профессиональное владение Python: обширные знания для написания кода ML-пайплайнов: предварительная обработка, рабочие процессы обучения/оценки, утилиты для экспериментов и воспроизводимые конфигурации

• Механика обучения: уверенное внедрение механик обучения там, где это необходимо (кастомные шаги/метрики, паттерны загрузки данных, производительная предварительная обработка), а не только прототипирование на уровне ноутбуков

• Фреймворки ML: практический опыт обучения и оценки моделей с использованием scikit-learn, LightGBM, PyTorch для глубокого обучения

• Оптимизация производительности: опыт оптимизации использования памяти при предварительной обработке данных и обучении моделей

• Управление экспериментами: настройка гиперпараметров, отслеживание экспериментов и воспроизводимое обучение (конфигурации, сиды, версионирование)

• Облако и инфраструктура: опыт работы с Amazon Web Services. Знакомство с вопросами масштабируемости, надежности и безопасности

• Осведомленность о ML в продакшене: понимание проблем, связанных с эксплуатацией ML-моделей в продакшене (знакомство с такими темами, как feature store, смещение между обучением и обслуживанием и т.д.)

• Обслуживание моделей: опыт работы с инфраструктурой обслуживания моделей (инференс в реальном времени или пакетный, оптимизация задержек/пропускной способности) будет плюсом

• Отличные коммуникативные навыки на английском языке

Наш стек

Python · Scikit-learn · LightGBM · PyTorch · DBT · Spark · MLflow · Prometheus · Terraform · Airflow · Kubernetes · Amazon Web Services

Преимущества

• Отличные льготы, которые зависят от страны вашего проживания