logo

Apprentissage automatique @ Snap

Les ingénieurs d’apprentissage automatique chez Snap travaillent de bout en bout et sont propriétaires de l’ensemble du système d’apprentissage automatique.

Open Roles

Our engineers utilize state of the art models and continually push the boundaries of what’s possible in Snapchat's content, monetization, infrastructure, features, and more!

AI Lenses

Unified Recommendations

Dynamic Ads


Machine Learning Engineering at Snap

As a Machine Learning Engineer at Snap you’ll drive Snapchat’s dynamic experience through the full lifecycle of advanced state-of-the-art models -  from data preprocessing, feature engineering, and model training, to deployment and ongoing optimizations. You’ll leverage cutting-edge techniques, ranking algorithms for ad relevance, recommendation engines for personalized content and NLP for enhanced interactions - all while processing petabytes of data for over 850 million users. 

Through both classic and deep learning models, you’ll create precise, responsive experiences that empower users to express themselves, connect and discover the world in real-time.


“The real benefit that Snap has is the size of our scale, and the breadth of influence and impact that people will have. You can run fast, have broad influence and actually see your work hit production with the right experimentation tools and infrastructure to be productive.”

Équipes d'apprentissage automatique

Our machine learning engineers solve real world ML problems.

Monétisation

En tant qu'ingénieur en apprentissage automatique au sein de l'équipe de monétisation, vous créerez et optimiserez l'ensemble de l'écosystème publicitaire. Vous favoriserez une communication très pertinente et à fort impact non seulement pour les annonceurs et les utilisateurs·rices, mais pour l'ensemble de Snap. De la conception de systèmes hautes performances pour les enchères en temps réel ou la diffusion publicitaire et les enchères, à la personnalisation des classements légers et lourds, à la création de solutions pour le ciblage et la diffusion publicitaire, vous continuerez à assurer une intégration transparente des publicités sur la plateforme. Vous formerez des modèles sur des milliards d'exemples, en utilisant l'apprentissage multitâche, la modélisation de séquence et la modélisation de l'interaction utilisateur·rice avec la publicité. Nos modèles prédisent les catégories démographiques des utilisateurs·rices pour améliorer le ciblage de l'audience avec des réseaux neuronaux graphiques et du contenu, pour comprendre comment notre travail façonne l'avenir de la plateforme publicitaire de Snapchat.

Sur quoi vous travaillerez :

  • Publicité axée sur l'IA

  • Nouveaux produits et expériences publicitaires personnalisés

  • Propriétaire du principal moteur de revenus de Snap

  • Développement de produits publicitaires de pointe

Locations

Our RTO (Return to Office) policy is 4 times per week hiring in these office locations

ML @ Snap

Écoutez l’équipe au sujet de la vie chez Snap dans l’apprentissage automatique

We're Hiring!

Our interview process covers engineering, foundational, and applied ML.

Coding

Expect to solve algorithmic problems that test your proficiency in data structures, algorithms, and problem-solving skills. Focus on your ability to write clean, efficient, and well-documented code.

ML Fundamentals

You’ll be assessed on ML theory and core machine learning models, concepts, techniques and applications. Be prepared to discuss supervised and unsupervised learning, recommendation systems, ranking, model evaluation metrics, and optimization techniques.

ML Applied Design

Evaluates your ability to design and apply machine learning solutions to real-world problems. You may be asked to walk through the end-to-end process of selecting models, feature engineering, and evaluating performance. At times this can test your ability to problem solve in an ambiguous environment.

ML System Design

The focus will be on designing scalable and robust ML systems that can handle large-scale data and production environments. Expect to discuss the infrastructure and trade offs in architecture, model deployment strategies and system monitoring.

Our Interview Process