Data Scientist / ML Engineer

Ориентир по рынку≈ 4 200 – 4 600 $наша приблизительная оценка по 13 вакансиям этой роли и грейда, у работодателя вилка не указана

ГибридMiddleПолная занятостьопубликовано 1 дн назад

≈ 4 200 – 4 600 $наша приблизительная оценка

Описание

Разбор

Подготовить откликОтклик

История

Чем предстоит заниматься

Разработка и поддержка общих ML-компонентов для команды: пайплайнов подготовки данных, расчёта признаков (Feature Engineering), стандартных метрик и отчётов по моделям

Создание и развитие внутренней AutoML-платформы для автоматизации разработки и обучения риск-моделей

Построение и развитие Feature Store, обеспечение контроля качества данных и корректности расчёта признаков

Автоматизация процессов разработки, обучения, тестирования и мониторинга ML-моделей

Внедрение LLM-агентов в рабочие процессы команды для помощи в построении моделей, анализа результатов и подготовки технической документации

Участие в развитии инженерных практик команды: проведение Code Review, внедрение тестирования, CI/CD и повышение качества разрабатываемых решений

Наши требования

Опыт работы в Data Science или ML-разработке от 2 лет

Уверенное владение Python: знание ООП, разработка модулей и пакетов, умение читать и анализировать чужой код

Хорошее знание SQL: сложные JOIN, оконные функции, работа с большими объёмами данных

Понимание классических алгоритмов машинного обучения: бустинги, логистическая регрессия, метрики качества моделей (Gini, ROC-AUC), методы кросс-валидации и предотвращения переобучения

Практический опыт работы с Git: ветки, Merge Request, разрешение конфликтов и участие в Code Review

Опыт работы с оркестраторами (Airflow или аналоги), написания и отладки DAG, а также разработки воспроизводимого кода с фиксацией зависимостей, тестированием ключевой логики и логированием

Опыт работы в банковской сфере, в частности с риск-моделями, скорингом, PD и валидацией моделей

Опыт использования AutoML-инструментов (LightAutoML, Optuna, H2O) или автоматизации процессов обучения моделей

Понимание архитектуры Feature Store и опыт работы с Feast или собственными решениями

Опыт работы с MLflow или DVC для трекинга экспериментов и версионирования моделей

Практический опыт настройки CI/CD (GitLab CI, GitHub Actions)

Опыт работы с LLM: RAG, агенты, Function Calling и структурированный вывод; понимание особенностей разработки в закрытом IT-контуре с ограниченным доступом к внешним ресурсам