ML-инженер
Мы ищем ML-инженера, который будет разрабатывать и внедрять модели машинного обучения для задач прогнозирования. Вы присоединитесь к команде, которая строит системы, помогающие бизнесу принимать решения на основе данных, а не интуиции.
Чем предстоит заниматься:
-
Разрабатывать и обучать модели прогнозирования временных рядов - спрос, продажи, остатки, поведение пользователей и другие бизнес-метрики. Использовать как классические подходы (XGBoost, LightGBM, Prophet, ARIMA/SARIMA), так и методы глубокого обучения (LSTM, GRU, Transformer, TFT).
-
Проектировать и оптимизировать пайплайны подготовки данных для временных рядов: feature engineering, генерация лагов, работа с внешними факторами, обработка пропусков и аномалий.
-
Настраивать ML-эксперименты, логировать метрики и управлять жизненным циклом моделей с помощью MLflow или аналогичных инструментов.
-
Внедрять модели в production - развертывание, настройка API для инференса, A/B-тестирование, мониторинг качества и обнаружение дрифта моделей.
-
Проводить оценку качества моделей, выбирать и анализировать метрики прогнозирования, оптимизировать модели с точки зрения производительности и масштабируемости.
-
Взаимодействовать с бизнес-командами и аналитиками - формализовать задачи прогнозирования, оценивать бизнес-эффект моделей.
Что мы ожидаем:
Обязательно:
-
Опыт коммерческой разработки в ML/Data Science - от 1 года
-
Отличное владение Python и основными библиотеками: pandas, numpy, scikit-learn, PyTorch или TensorFlow.
-
Практический опыт в прогнозировании и анализе временных рядов - уверенное понимание моделей (Prophet, ARIMA/SARIMA, LSTM, XGBoost, LightGBM).
-
Опыт работы с production ML-системами - деплой, мониторинг, переобучение моделей.
-
Уверенное владение SQL - умение писать оптимальные запросы для работы с большими объёмами данных.
-
Понимание принципов подготовки данных для временных рядов (feature engineering, обработка пропусков, нормализация).
-
Опыт работы с Git, понимание CI/CD-пайплайнов и контейнеризации (Docker).
Будет плюсом:
-
Опыт с инструментами MLOps: MLflow, DVC, AirFlow.
-
Знание методов интерпретируемости моделей (SHAP, permutation importance, attention-based методы).
-
Опыт работы с foundation-моделями временных рядов (Amazon Chronos, TimeGPT).
-
Понимание байесовских методов и вероятностного прогнозирования.
-
Опыт в ритейле, e-commerce, логистике или других областях с задачами прогнозирования.
Мы предлагаем:
- работу над enterprise-решениями без избыточной бюрократии,
- свободу выбора инструментов, включая любые AI-сервисы,
- ламповую, уважительную атмосферу в команде,
- конкурентную заработную плату,
- минимум формальных митингов и регламентов.