AI/ML Engineer

Təsvir

• Klassik ML (təsnifat, reqressiya, anomaliya, zaman sıraları) və Deep Learning modelləri qurmaq, baseline ilə müqayisədə qiymətləndirmək.
• LLM əsaslı həllər qurmaq: prompting, RAG, structured output, tool calling, agentic workflow-lar; lazım olduqda fine-tuning (LoRA/QLoRA).
• ML sistemlərinin end-to-end arxitekturasını (batch və real-time inference, miqyaslanma) layihələndirmək; modelləri API/servis şəklində hazırlayıb bank sistemlərinə inteqrasiya etmək.
• Həlləri on-premise / private cloud mühitə çıxarmaq; CI/CD, model registry, drift və keyfiyyət monitorinqi qurmaq; modelləri yeniləmək və istismarını dəstəkləmək.
• Model qərarlarının izah oluna bilməsini (explainability) və ədalətliliyini (bias) yoxlamaq; həlləri sənədləşdirmək (model kartı, audit izi) və Risk/Compliance ilə requlyativ uyğunluğu təmin etmək.

Tələblər

• ML/AI və ya Data Science sahəsində ən azı 2 il praktiki təcrübə; ML və ya GenAI həllini end-to-end production-a çatdırmaq təcrübəsi (yalnız PoC deyil).
• Süni intellekt, kompüter elmləri, riyaziyyat, statistika və ya oxşar sahədə ali təhsil, yaxud ekvivalent təcrübə.
• Klassik ML: supervised (logistik reqressiya, qərar ağacları, gradient boosting - XGBoost/LightGBM/CatBoost) və unsupervised (klasterləşdirmə, PCA, anomaliya) metodlar; feature engineering, cross-validation, hiperparametr optimallaşdırması, biznesə uyğun metrik və threshold seçimi; A/B testləri və statistika əsasları.
• Deep Learning: PyTorch ilə model qurma və təlim; MLP, CNN, RNN/LSTM, Transformer arxitekturaları; klassik ML və DL arasında əsaslandırılmış seçim, inference optimallaşdırması.
• GenAI/LLM: prompting, embeddings, RAG, Vector DB və hybrid search, reranking; structured output, tool calling və agent çərçivələri; PEFT fine-tuning (LoRA/QLoRA); LLM nəticələrinin qiymətləndirilməsi və təhlükəsizliyi.
• ML System Design və MLOps: batch/real-time inference, mikroservis və event-driven arxitektura, API dizaynı, model versiyalaşdırılması; latency-dəqiqlik-xərc kompromisləri; MLflow (və ya oxşar), eksperiment izləmə, drift monitorinqi, CI/CD.
• Mühəndislik: yüksək keyfiyyətli Python, böyük həcmli məlumatla SQL; Git, REST API (FastAPI), Docker, unit/integration testlər.
• Məxfi və tənzimlənən məlumatla izolyasiya olunmuş / on-premise mühitdə işləmə prinsiplərini anlamaq.
• Texniki mövzuları qeyri-texniki auditoriyaya aydın izah etmək bacarığı.

Üstünlüklər

• Bank və maliyyə domeni: fraud, tranzaksiya təsnifatı, churn, sənəd emalı (OCR + LLM).
• Lokal LLM serving (vLLM, Ollama, llama.cpp) və GPU optimallaşdırması.
• Data mühəndisliyi: Spark, Airflow, Kafka; Oracle / MS SQL; core banking inteqrasiyası; feature store.