Middle Machine Learning Engineer

О нас
Мы строим ML-решения, которые напрямую влияют на ключевые бизнес-показатели — от рекомендательных систем и прогнозных моделей до LLM-продуктов, мультиагентных систем и сложной аналитики. Работаем в тесной связке с продактами и разработчиками, активно внедряем модели в production и следим за их качеством на всём жизненном цикле.

Чем предстоит заниматься

Разрабатывать, обучать и внедрять ML-модели (классические и нейросетевые)
Проводить анализ данных, визуализацию, построение признаков и экспериментирование с подходами
Работать с задачами NLP, RecSys, Time Series, CV (в зависимости от проекта)
Проверять качество моделей с использованием offline-метрик (AUC, NDCG, uplift и др.) и запускать A/B/ABC тесты
Контейнеризировать и выкатывать решения в прод (Docker, FastAPI, CI/CD)
Развивать и автоматизировать пайплайны MLOps (Airflow, MLflow, DVC)
Работать с big data-инфраструктурой (Spark/Hadoop), SQL-хранилищами и продвинутыми аналитическими запросами
Наш технологический стек
Python (NumPy, Pandas, Scikit-learn, PyTorch, TensorFlow, LightGBM, CatBoost, XGBoost)
SQL (PostgreSQL, ClickHouse, MS SQL), PySpark
Docker, Airflow, MLflow, DVC
FastAPI, GitLab CI/CD
LangChain, LlamaIndex, Hugging Face, OpenAI API (для LLM-проектов)
Grafana, Prometheus

Что мы ожидаем

2+ года опыта в роли ML Engineer / Data Scientist
Отличные знания Python и ML-инструментов
Опыт построения, внедрения и мониторинга моделей в продакшене
Глубокие знания в области машинного обучения: бустинги, регрессия, классификация, ранжирование
Понимание основ Deep Learning, опыт с нейросетями на PyTorch или TensorFlow
Уверенное владение SQL, понимание СУБД и оптимизации запросов
Владение Git, умение писать чистый, воспроизводимый код
Навыки статистической оценки качества моделей: бутстрэп, доверительные интервалы, A/B-тестирование