Applied ML Engineer

Описание роли

На позиции Applied ML Engineer вы будете отвечать за повышение качества и точности предиктивных моделей, влияющих на стратегические решения профессиональных команд и игроков в киберспорте. Ваша основная задача – проводить глубокий анализ исторических данных турниров, команд и индивидуальных показателей игроков для построения стабильных и надёжных алгоритмов прогнозирования исходов матчей. Вы будете:
* Разрабатывать и настраивать модели CatBoost, LightGBM и Random Forest, оптимизировать гиперпараметры и подходы к фичеинжинирингу;
* Оценивать ключевые метрики точности (logloss, Brier score, calibration) и формировать confidence score для финальных прогнозов;
* Строить и поддерживать сквозные data pipelines для загрузки, очистки и агрегации данных из API, открытых источников и внутренних баз;
* Взаимодействовать с backend-командой на Node.js для интеграции моделей в продакшн и обеспечения непрерывного развёртывания;
* Проводить валидацию фичей и тестирование датасетов, следить за качеством данных и предотвращать дрейф моделей.

Уникальность вакансии

Работая в Scoresight, вы получите возможность экспериментировать с большими объёмами реальных данных киберспорта и внедрять современные методы машинного обучения на стике AI и гейминга. Среди ключевых преимуществ:
* Полностью удалённый формат с гибким графиком и опцией офлайн-встреч в Москве по договорённости;
* Конкурентный оклад от $2000 с готовностью повысить вилку для лучших кандидатов;
* Performance-бонусы за сильные гипотезы и решения, давшие значимый прирост точности моделей;
* Перспективы релокации в Дубай/ОАЭ после успешного завершения испытательного срока;
* Яркая и дружная команда профессионалов, регулярные технические митапы и поддержка исследований.

О компании Scoresight

Scoresight – инновационный стартап в сфере аналитики киберспорта, создающий платформу для прогноза исходов матчей в играх уровня чемпионатов. Наша миссия – дать командам и игрокам мощный инструмент принятия решений на основе данных. Мы ценим эксперименты, открытые исследования и обмен знаниями: сотрудники участвуют в отраслевых конференциях, публикуют внутренние отчёты и развивают собственные ML-исследования.