ML-инженер
Описание
Мы ищем ML-инженера, который будет разрабатывать и внедрять модели машинного обучения для задач прогнозирования. Вы присоединитесь к команде, которая строит системы, помогающие бизнесу принимать решения на основе данных, а не интуиции. Чем предстоит заниматься: Разрабатывать и обучать модели прогнозирования временных рядов — спрос, продажи, остатки, поведение пользователей и другие бизнес-метрики. Использовать как классические подходы (XGBoost, LightGBM, Prophet, ARIMA/SARIMA), так и методы глубокого обучения (LSTM, GRU, Transformer, TFT). Проектировать и оптимизировать пайплайны подготовки данных для временных рядов: feature engineering, генерация лагов, работа с внешними факторами, обработка пропусков и аномалий. Настраивать ML-эксперименты, логировать метрики и управлять жизненным циклом моделей с помощью MLflow или аналогичных инструментов. Внедрять модели в production — развертывание, настройка API для инференса, A/B-тестирование, мониторинг качества и обнаружение дрифта моделей. Проводить оценку качества моделей, выбирать и анализировать метрики прогнозирования, оптимизировать модели с точки зрения производительности и масштабируемости. Взаимодействовать с бизнес-командами и аналитиками — формализовать задачи прогнозирования, оценивать бизнес-эффект моделей. Что мы ожидаем: Обязательно: Опыт коммерческой разработки в ML/Data Science - от 1 года Отличное владение Python и основными библиотеками: pandas, numpy, scikit-learn, PyTorch или TensorFlow. Практический опыт в прогнозировании и анализе временных рядов — уверенное понимание моделей (Prophet, ARIMA/SARIMA, LSTM, XGBoost, LightGBM). Опыт работы с production ML-системами — деплой, мониторинг, переобучение моделей. Уверенное владение SQL — умение писать оптимальные запросы для работы с большими объёмами данных. Понимание принципов подготовки данных для временных рядов (feature engineering, обработка пропусков, нормализация). Опыт работы с Git, понимание CI/CD-пайплайнов и контейнеризации (Docker). Будет плюсом: Опыт с инструментами MLOps: MLflow, DVC, AirFlow. Знание методов интерпретируемости моделей (SHAP, permutation importance, attention-based методы). Опыт работы с foundation-моделями временных рядов (Amazon Chronos, TimeGPT). Понимание байесовских методов и вероятностного прогнозирования. Опыт в ритейле, e-commerce, логистике или других областях с задачами прогнозирования. Мы предлагаем: работу над enterprise‑решениями без избыточной бюрократии, свободу выбора инструментов, включая любые AI‑сервисы, ламповую, уважительную атмосферу в команде, конкурентную заработную плату, минимум формальных митингов и регламентов.