data scientist для продуктовых ML-решений

DS/ML-стрим разрабатывает платформенные ML-решения для сегментации, рекомендаций, LTV-моделирования, Look-alike-портретирования, мультимодальных эмбеддингов и AI-ассистентов. Модели и функции используются в клиентской персонализации, скоринге и антифрод-мониторинге.

• Разрабатывать и обучать модели машинного обучения для сегментации, рекомендаций, скоринга и персонализации;
• Применять методы регрессии, классификации, кластеризации и глубокого обучения для продуктовых задач;
• Строить воспроизводимые пайплайны подготовки данных, обучения, оценки и инференса, обеспечивать их стабильность и эффективность на больших объёмах;
• Настраивать мониторинг качества данных и моделей, стабильности и производительности ML-пайплайнов;
• Проводить IDA и EDA: нормализовать и очищать данные, оценивать их бизнес-ценность и применимость;
• Устранять проблемы качества данных: leakage, noise, drift и деградацию признаков;
• Версионировать и документировать датасеты и ассеты для обучения моделей;
• Организовывать расчёт и поставку эмбеддингов и модельных признаков в векторные хранилища и мастер-системы-потребители;
• Документировать модели, эксперименты и методологии разработки;
• Поддерживать и развивать базу знаний команды;
• Делиться практиками и участвовать в ИИ-зации команды;
• Вести полный цикл разработки и развития сложных ML-моделей — от исследования архитектуры до внедрения в продуктовые процессы.

• Опыт в Data Science или машинном обучении от 3 лет;
• Продвинутый SQL (DML, DDL), подготовка обучающих выборок, разработка ETL/SSETL, интеграция систем, работа с витринами и BI;
• Глубокое понимание машинного обучения и глубокого обучения: регрессия, классификация, кластеризация, архитектура трансформеров и механизмов attention;
• Уверенное владение Python и ML-инструментами PyTorch, scikit-learn, XGBoost, CatBoost;
• Опыт построения ML-пайплайнов и процессов MLOps: обучение, оценка, развёртывание и мониторинг;
• Опыт работы с инструментами Big Data и платформами данных: Spark, Databricks, MPP;
• Будет плюсом опыт в финтехе, электронной коммерции или Big Tech, масштабирования инференса и оптимизации GPU и памяти, предобучения или дообучения трансформеров на последовательностях событий, участия в сложных межкомандных инициативах, работы с нейросетевыми моделями распознавания текста, голоса или лиц.

• Доступ к современной инфраструктуре данных и машинного обучения;
• Возможность работать с ML-задачами в масштабных продуктах;
• Свобода предлагать и проверять ML-гипотезы, влияющие на клиентов Т;
• Конкурентная зарплата, компенсация «плюшек» и прозрачные договорённости по росту.