Senior Applied ML Engineer по Python

Что за роль

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.

Что предстоит делать

    • Разрабатывать модели прогнозирования вероятности покупки дополнительных услуг и нейросетевые модели для оптимизации цен.
    • Проектировать controlled exploration: диапазоны цен, правила рандомизации, вероятности назначения вариантов и ограничения безопасности.
    • Проводить A/B-тесты новой политики ценообразования относительно текущей, выбирать primary и guardrail-метрики, задавать критерии остановки и условия rollout.
    • Организовывать полный ML lifecycle: обучение и валидацию моделей, инференс, периодическое переобучение, версионирование и обратную связь по фактическим результатам.
    • Собирать сквозной ML-прототип с минимальным HTTP API, хранением данных и имитацией внешней системы бронирования.
    • Настраивать логирование назначенных цен, вариантов эксперимента и вероятностей их назначения, а также фактов покупки и бизнес-метрик.

Что потребуется

    • Более 6 лет опыта работы и уверенное владение Python, NumPy, pandas, scikit-learn и одним из фреймворков: PyTorch или TensorFlow.
    • Опыт разработки, обучения и применения ML-моделей, включая нейронные сети, feature engineering и работу с табличными данными.
    • Знание основ машинного обучения, теории вероятностей, статистики, методов оптимизации и принципов A/B-тестирования.
    • Умение проектировать контролируемые исследования, рандомизацию и систему основных и защитных метрик для ценовых экспериментов.
    • Практический опыт организации жизненного цикла ML-моделей, включая обучение, валидацию, инференс, переобучение, версионирование и обратную связь.
    • Уверенное владение SQL, PostgreSQL, Git и Docker; навыки разработки Python-приложений с автотестами. Для интеграции с бэкендом потребуется C#.

Что важно знать

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.

Оценка вакансии
7.4 / 10
Вакансия подробно описывает задачи, стек и требования, включая экспериментальный дизайн и полный цикл ML-моделей. Не указаны зарплата и подробности о продукте или компании; формат работы и занятость обозначены.
Опубликовано:

Будьте в курсе новых вакансий

Подпишитесь на наш Telegram-канал

TalentMove стал Жабкой

Встречайте
TalentMove 2.0

Удобнее искать. Проще выбирать.

Открыть Жабку