ML / DS Engineer (Classic ML)

СтранаРоссия
ОтрасльИТ, интернет, телеком
СпециализацияМашинное обучение и ИИ
Формат работыУдалённо
Опубликовано 2 ноября 2026 г.

Наши ожидания - Коммерческий опыт разработки в Data Science / ML. - Глубокое знание Python и стека: pandas, numpy, scikit‑learn, а также одного из фреймворков для градиентного бустинга (LightGBM, XGBoost, CatBoost). - Уверенное владение SQL — написание сложных запросов, работа с большими данными (ClickHouse, PostgreSQL, Greenplum или аналоги). - Понимание метрик качества для классификации, регрессии, ранжирования: precision/recall, ROC‑AUC, lift, MAP, NDCG. - Опыт построения end‑to‑end ML‑пайплайнов: от выгрузки данных до деплоя и мониторинга. - Знание MLOps‑инструментов: MLflow, DVC, опыт работы с CI/CD для ML‑проектов. Основные обязанности - Разработка и внедрение моделей классического машинного обучения: градиентный бустинг (LightGBM, XGBoost, CatBoost), логистическая регрессия, случайный лес, линейные модели. - Решение бизнес‑задач: кредитный скоринг, прогнозирование оттока, оценка рисков, рекомендательные системы на основе коллаборативной фильтрации, прогнозирование временных рядов. - Feature engineering — создание и отбор признаков, работа с большими объёмами структурированных данных (SQL, Spark, Pandas). - Построение пайплайнов обучения и валидации с учётом требований к интерпретируемости (SHAP, LIME, Feature Importance). - Разработка пайплайнов для A/B‑тестирования и пост‑релизного мониторинга моделей (дрейф данных, дрейф целевой переменной). - Интеграция моделей в продуктовую среду через API (FastAPI, Flask) и orchestration (Docker, Kubernetes). - Взаимодействие с заказчиком: уточнение бизнес‑метрик, презентация результатов, написание технической документации. Будет плюсом - Опыт с uplift‑моделированием (методы оценки индивидуального эффекта воздействия: causal models, Meta‑learners, модели на основе деревьев решений для uplift). - Опыт в кредитном скоринге — построение скоринговых карт, работа с бюро кредитных историй, требования регуляторов к интерпретируемости. - Опыт практического применения AI-инструментов (Claude Code, OpenAI Codex, OpenCode и аналоги) в коммерческой разработке — для работы с кодом, тестами, ревью и документацией — с обязательной проверкой результата и соблюдением конфиденциальности.

⚠️ Уважаемые соискатели, будьте внимательны при откликах на вакансии.

Зарплата

Не указано