Руководитель центра ML-инжиниринга

Описание роли

Руководитель центра ML-инжиниринга в Газпромнефть-Региональные продажи отвечает за техническое руководство и полный цикл разработки ML-решений, направленных на оптимизацию бизнес-процессов и решение ключевых задач компании. Вы будете формулировать гипотезы, проводить PoC-исследования, обеспечивать промышленное внедрение (production deployment) и поддержку моделей, контролировать мониторинг и качество сервисов. Акцент ставится на применение MLOps-практик: тестирование и логирование моделей, мониторинг, версионирование данных и артефактов (MLFlow, DVC, ClearML).

Ваши ключевые задачи:
• Построение и развитие команды ML-инженеров: постановка задач, менторинг, код-ревью.
• Проектирование и внедрение микросервисных архитектур для ML-систем с высокой нагрузкой.
• Решение задач компьютерного зрения, NLP/LLM и оптимизации логистических процессов.
• Взаимодействие с бизнес-заказчиками, формирование требований и управление ожиданиями.
• Координация работы со смежными командами (BI, DWH/Data Lake, Data Quality, DevOps).

Уникальность вакансии

Газпромнефть — один из лидеров отрасли, внедряющий передовые AI-решения для повышения эффективности региональных продаж и логистики. В роли руководителя ML-центра вы получите:
• Возможность влиять на стратегию развития технологий и масштабировать успешные PoC по всей сети.
• Доступ к большим данным: историческим рядам, текстам заявок и транзакций.
• Конкурентную заработную плату и годовые премии по результатам команды и компании.
• Гибридный формат: работа в офисе в Санкт-Петербурге до 5 дней в месяц и свободный график внутри бизнес-часов.

О компании

Газпромнефть-Региональные продажи — дочернее подразделение крупнейшей нефтегазовой компании России. Специализируется на оптовых и розничных поставках топлива на территории страны. Компания активно инвестирует в цифровизацию и автоматизацию бизнес-процессов, внедряя AI и MLOps-решения для повышения качества сервиса и оптимизации цепочек поставок. За последние три года реализация ML-проектов позволила снизить операционные затраты на 15% и улучшить прогнозирование спроса на 20%.