ML / DS Engineer по классическому машинному обучению

Что за роль

Инженер будет разрабатывать и внедрять модели классического машинного обучения для бизнес-задач: от скоринга и оценки рисков до рекомендаций и прогнозирования временных рядов. Работа охватывает полный цикл ML-разработки — подготовку данных, обучение и валидацию, интеграцию моделей в продуктовую среду и мониторинг после релиза. Для развертывания упомянуты API на FastAPI или Flask, Docker и Kubernetes.

Что предстоит делать

• Разрабатывать модели градиентного бустинга, логистической регрессии, случайного леса и линейные модели.
• Решать задачи кредитного скоринга, прогнозирования оттока и рисков, рекомендаций на основе коллаборативной фильтрации и прогнозирования временных рядов.
• Создавать и отбирать признаки, обрабатывать структурированные данные с помощью SQL, Spark и Pandas.
• Строить пайплайны обучения и валидации, учитывая требования к интерпретируемости; применять SHAP, LIME и Feature Importance.
• Разрабатывать процессы A/B-тестирования и пострелизного мониторинга, включая отслеживание дрейфа данных и целевой переменной.
• Интегрировать модели через API и настраивать их оркестрацию с использованием Docker и Kubernetes.
• Уточнять у заказчика бизнес-метрики, представлять результаты и готовить техническую документацию.

Что потребуется

• Коммерческий опыт в Data Science или машинном обучении.
• Глубокое знание Python, pandas, NumPy и scikit-learn, а также одного из инструментов градиентного бустинга: LightGBM, XGBoost или CatBoost.
• Уверенное владение SQL и опыт сложных запросов; знакомство с ClickHouse, PostgreSQL, Greenplum или аналогами для работы с большими данными.
• Понимание метрик классификации, регрессии и ранжирования, включая precision/recall, ROC-AUC, lift, MAP и NDCG.
• Опыт построения ML-пайплайнов от выгрузки данных до деплоя и мониторинга; знание MLflow, DVC и CI/CD для ML-проектов.
• Будут преимуществом опыт uplift-моделирования, кредитного скоринга и практическое применение AI-инструментов в разработке с проверкой результатов и соблюдением конфиденциальности.

Что важно знать

В описании объединены моделирование, инженерная часть ML-пайплайнов и коммуникация с заказчиком. Помимо качества предсказаний, важны интерпретируемость моделей, корректная оценка бизнес-метрик и наблюдение за изменениями данных после внедрения.