Middle Machine Learning Engineer

О компании

Мы создаём ML-решения, которые напрямую влияют на ключевые бизнес-процессы. Работаем с широким спектром задач — от рекомендательных и прогнозных моделей до решений на базе LLM, мультиагентных систем и продвинутой аналитики. Тесно взаимодействуем с продуктовой и технической командами, активно внедряем модели в продакшн и контролируем их эффективность на всём жизненном цикле.

Обязанности

• Разработка и внедрение моделей машинного обучения — от классических алгоритмов до нейросетевых архитектур

• Проведение анализа данных, визуализация, генерация признаков, подбор и тестирование гипотез

• Решение прикладных задач в сферах NLP, рекомендательных систем, временных рядов и CV (в зависимости от проекта)

• Оценка качества моделей с помощью offline-метрик (AUC, NDCG, uplift и др.) и запуск A/B/ABC тестов

• Подготовка решений к продакшну: контейнеризация, деплой, CI/CD (Docker, FastAPI)

• Автоматизация ML-пайплайнов с использованием Airflow, MLflow, DVC

• Работа с big data-инфраструктурой (Spark/Hadoop), SQL-хранилищами и написание сложных аналитических запросов

Технологический стек

• Языки и библиотеки: Python (NumPy, Pandas, Scikit-learn, PyTorch, TensorFlow, LightGBM, CatBoost, XGBoost)

• Хранилища и big data: SQL (PostgreSQL, ClickHouse, MS SQL), PySpark

• MLOps и инфраструктура: Docker, Airflow, MLflow, DVC, FastAPI, GitLab CI/CD

• LLM и агенты: LangChain, LlamaIndex, Hugging Face, OpenAI API

• Мониторинг: Grafana, Prometheus

Требования

• 2+ года опыта в роли ML Engineer или Data Scientist

• Отличные знания Python и опыт работы с инструментами анализа и моделирования

• Успешный опыт внедрения и сопровождения ML-моделей в продакшне

• Глубокое понимание методов машинного обучения: бустинги, классификация, регрессия, ранжирование

• Понимание принципов глубокого обучения, опыт с PyTorch или TensorFlow

• Уверенные навыки работы с SQL, понимание принципов оптимизации запросов

• Владение Git и умение писать чистый, воспроизводимый код

• Навыки оценки моделей с использованием статистических методов: бутстрэп, доверительные интервалы, A/B-тесты