Voodoo — технологическая компания, основанная в 2013 году и создающая мобильные игры и приложения с миссией развлекать весь мир. В компании работают 800 сотрудников; продукты Voodoo скачали 7 миллиардов раз, а активная аудитория превышает 200 миллионов пользователей. По количеству загрузок Voodoo — мобильный издатель №3 в мире после Google и Meta. В портфеле есть лидирующие игры Mob Control и Block Jam, а также популярные приложения BeReal и Wizz.
КОМАНДА
Команда Engineering & Data создаёт инновационные технологические продукты и платформы, поддерживающие впечатляющий рост игровых и consumer-приложений Voodoo и позволяющие компании оставаться на переднем крае mobile gaming.
Voodoo Ad Network — автономная product group примерно из 60 высокомотивированных специалистов с амбициозной миссией строить ad network services высшего уровня. Главная цель — использовать огромную first-party data ecosystem Voodoo для оптимизации и масштабирования monetization. Мы быстро растём и выходим в новые направления: external inventory, external advertiser market и monetization социальных сетей после приобретения BeReal. Для поддержки этой траектории и перспективных результатов мы масштабируем команду.
Models team — ключевой элемент targeting performance. Она использует machine learning и глубокое business understanding для прямого влияния на финансовые показатели продукта. Команда состоит преимущественно из senior Data Analysts, Analytics Engineers, Data Engineers и Data Scientists/ML Engineers, которые вместе ищут и создают следующую более эффективную итерацию.
Роль может базироваться в Париже или Хельсинки в гибридном формате.
РОЛЬ
Мы ищем Senior ML Engineer в Models team. Вы присоединитесь к squad Data Engineers, Data Scientists и ML Engineers, которая строит и поддерживает ML training infrastructure для ad-targeting models — от preprocessing данных через deployment моделей до production monitoring.
На этой роли вы будете вести следующие направления
Architectural Ownership: полностью вести заметные проекты от ideation до production release, включая feature scoping, timeline estimation, architecture design и benchmarking новых technologies.
Pipeline Engineering: создавать и поддерживать качественные data и ML pipelines в соответствии с меняющимися business и ML needs. Оптимизировать training pipelines по performance, memory efficiency и cost — spot instance strategies, efficient data loading, reuse preprocessed artifacts.
Enablement Data Scientists: ускорять итерации Data Scientists через переиспользуемые и хорошо протестированные pipeline components — transformers, dataloaders, training utilities — и review их вклада в shared code. Расширять dataset capabilities: интегрировать новые источники, масштабировать feature windows и увеличивать объёмы training data без нарушения pipeline constraints.
Deep Learning Development: участвовать в deep learning development — GPU workload orchestration, custom PyTorch training loops и поддержке model architecture.
ML Lifecycle & Reproducibility: поддерживать воспроизводимость и consistency всего ML lifecycle через versioned configs, experiment tracking и online-offline consistency tooling.
Scalability & Reliability: сотрудничать с infrastructure teams по scalability — node pools, resource monitoring, CI/CD migrations. Участвовать в еженедельной ротации по triage и устранению alerts Airflow, dbt и связанных систем.
Agile Collaboration: эффективно работать в быстрой agile-среде с оперативными решениями и ежедневно сотрудничать с backend developers, data scientists, infrastructure engineers и product managers.
Mentorship & Team Culture: активно развивать engineering culture, делиться знаниями и помогать каждому члену команды чувствовать поддержку и возможности для роста.
ПРОФИЛЬ
Мы ищем Senior ML Engineer, глубоко понимающего как ML training lifecycle, так и специфические сложности production deployment machine learning models в масштабе.
Не менее 5 лет опыта ML Engineer или аналогичной роли.
End-to-End ML Ownership: problem framing, baselines, experimentation, deployment и iteration.
Python Proficiency: глубокое знание Python для ML pipeline code — preprocessing, training/evaluation workflows, experiment utilities и reproducible configs.
Training Mechanics: способность при необходимости реализовывать training mechanics — custom steps/metrics, dataloading patterns, performance-conscious preprocessing — а не только notebook prototyping.
ML Frameworks: практический опыт training и evaluation моделей с scikit-learn, LightGBM и PyTorch для deep learning.
Performance Optimization: опыт оптимизации memory usage при preprocessing данных и model training.
Experiment Management: hyperparameter tuning, experiment tracking и reproducible training — configs, seeds, versioning.
Cloud & Infrastructure: опыт Amazon Web Services и понимание scalability, reliability и security.
ML Production Awareness: понимание сложностей production ML, включая feature store, training-serving skew и другие темы.
Model Serving: опыт model serving infrastructure — real-time или batch inference, latency/throughput optimization — будет плюсом.