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.
Подписка TalentMove
Больше,
чем вакансии
→ TalentScanAI
Узнайте стоимость вашего опыта на рынке
→ Закрытое сообщество
Нетворкинг и инсайды рынка труда
→ Топ вакансии
Лучшие вакансии с доставкой в Telegram