<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>Аркадия &#8212; TalentMove</title>
	<atom:link href="https://talent-move.ru/company/arkadiya/feed/" rel="self" type="application/rss+xml" />
	<link>https://talent-move.ru</link>
	<description>Автоматический аггрегатор вакансий в маркетинге, дизайне, продукте и привлечении пользователей.</description>
	<lastBuildDate>Tue, 17 Nov 2026 02:01:00 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	

<image>
	<url>https://talent-move.ru/wp-content/uploads/2024/11/cropped-tm-logo-32x32-optimized.png</url>
	<title>Аркадия &#8212; TalentMove</title>
	<link>https://talent-move.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Senior Applied ML Engineer по Python</title>
		<link>https://talent-move.ru/jobs/senior-applied-ml-engineer-python-arkadiya-remote-161126-298732/</link>
		
		<dc:creator><![CDATA[earshot_chihuahua]]></dc:creator>
		<pubDate>Tue, 17 Nov 2026 02:00:59 +0000</pubDate>
				<guid isPermaLink="false">https://talent-move.ru/jobs/senior-applied-ml-engineer-po-python/</guid>

					<description><![CDATA[Senior ML-инженер для ценовых экспериментов: модели прогнозирования покупок, controlled exploration и полный цикл внедрения ML.]]></description>
										<content:encoded><![CDATA[<h3>Что за роль</h3>
<p>Senior Applied ML Engineer будет разрабатывать модели и экспериментальную систему для оптимизации ценовых решений. В фокусе — прогнозирование вероятности покупки дополнительных услуг при разных ценах, контролируемые ценовые эксперименты и полный жизненный цикл ML-моделей: от обучения до применения результатов в последующих решениях.</p>
<h4>Что предстоит делать</h4>
<ul>
<ul>
<li>Разрабатывать модели прогнозирования вероятности покупки дополнительных услуг и нейросетевые модели для оптимизации цен.</li>
<li>Проектировать controlled exploration: диапазоны цен, правила рандомизации, вероятности назначения вариантов и ограничения безопасности.</li>
<li>Проводить A/B-тесты новой политики ценообразования относительно текущей, выбирать primary и guardrail-метрики, задавать критерии остановки и условия rollout.</li>
<li>Организовывать полный ML lifecycle: обучение и валидацию моделей, инференс, периодическое переобучение, версионирование и обратную связь по фактическим результатам.</li>
<li>Собирать сквозной ML-прототип с минимальным HTTP API, хранением данных и имитацией внешней системы бронирования.</li>
<li>Настраивать логирование назначенных цен, вариантов эксперимента и вероятностей их назначения, а также фактов покупки и бизнес-метрик.</li>
</ul>
</ul>
<h3>Что потребуется</h3>
<ul>
<ul>
<li>Более 6 лет опыта работы и уверенное владение Python, NumPy, pandas, scikit-learn и одним из фреймворков: PyTorch или TensorFlow.</li>
<li>Опыт разработки, обучения и применения ML-моделей, включая нейронные сети, feature engineering и работу с табличными данными.</li>
<li>Знание основ машинного обучения, теории вероятностей, статистики, методов оптимизации и принципов A/B-тестирования.</li>
<li>Умение проектировать контролируемые исследования, рандомизацию и систему основных и защитных метрик для ценовых экспериментов.</li>
<li>Практический опыт организации жизненного цикла ML-моделей, включая обучение, валидацию, инференс, переобучение, версионирование и обратную связь.</li>
<li>Уверенное владение SQL, PostgreSQL, Git и Docker; навыки разработки Python-приложений с автотестами. Для интеграции с бэкендом потребуется C#.</li>
</ul>
</ul>
<h3>Что важно знать</h3>
<p>Опыт в динамическом ценообразовании, оптимизации выручки, прогнозировании спроса и оценке ценовой эластичности будет преимуществом. Также полезны знания causal inference и sequential decision making, включая contextual bandits, off-policy evaluation, IPW и doubly robust estimation. Среди дополнительных плюсов — MLOps, MLflow, оркестрация и мониторинг моделей, эксплуатация ML-сервисов, а также опыт в авиации, электронной коммерции или revenue management.</p>
]]></content:encoded>
					
		
		
			</item>
	</channel>
</rss>
