Machine Learning Engineer (Python / FastAPI / XGBoost)

В сопроводительном письме, пожалуйста, укажите город в котором сейчас находитесь.

💡 Контекст

Ты создашь ядро платформы — модель, которая на основе площади, года постройки, климат-зоны и истории ремонтов дома предсказывает стоимость HVAC / Water Heater / Panel upgrade, включая диапазоны и confidence.

Fuse имеет богатую эмпирическую базу (тысячи инвойсов и смет из ServiceTitan и Housecall Pro), а также публичные данные (permits, assessor).
Тебе нужно построить data-pipeline и обучающую модель, которая ляжет в основу API /v1/estimate/predict.

🎯 Твоя миссия

Создать ML-модуль, который выдаёт точный диапазон CAPEX-оценки с объяснимыми фичами и confidence.
Подключить данные из CRM (через ETL) и внешних источников, построить фичи, обучить XGBoost/LightGBM модель и обернуть в FastAPI-сервис.

🧩 Твои задачи

• Подготовить и очистить исторические данные Fuse (jobs, estimates, invoices, equipment, pricebook).

• Построить пайплайн feature engineering (по гео, дому, утилити, сезонности, типу системы и т.д.).

• Обучить и протестировать ML-модель (XGBoost/LightGBM/CatBoost).

• Реализовать FastAPI-endpoint /v1/estimate/predict.

• Сохранять метаданные моделей (версия, MAPE, R², фичи).

• Настроить мониторинг качества и переобучение (1 раз в месяц).

• Работать в паре с Full-Stack Lead (интеграция API → UI).

⚙️ Технологии

• Python, FastAPI, Pandas, NumPy

• XGBoost, CatBoost, LightGBM

• PostgreSQL, S3, Prefect/Airflow (для ETL)

• MLflow / Weights&Biases (мониторинг)

• Docker, AWS / EC2 / Lambda

🔍 Требования

• 3+ лет опыта как Data Scientist / ML Engineer

• Опыт в регрессионных задачах (pricing / forecasting / cost modeling)

• Умение работать с табличными данными и категориями

• Опыт построения API (FastAPI/Flask)

• Понимание фичей: гео, сезонность, инженерные параметры

• Владение Git, Docker, базовым CI/CD

⭐ Будет плюсом

• Опыт работы с данными ServiceTitan / Housecall Pro или аналогичных CRM

• Опыт обучения explainable моделей (feature importances, SHAP)

• Знание архитектуры MLOps (pipelines, monitoring, retraining)

💰 Условия

• Формат: remote / contractor

• Оплата: $3000-4000 в месяц

• Прямая работа с CEO и Full-Stack Lead

• Возможность перейти в ML-core команду Fuse (в дальнейшем прогнозирование спроса/рентабельности)