ML Engineer (Machine Learning / AI / Data Pipelines / Real-time Analytics)

О проекте:

Мы создаём интеллектуальный модуль анализа и прогнозирования данных в составе системы автоматизации портовой инфраструктуры. Модуль обрабатывает миллионы событий в реальном времени, обучает модели, выявляет аномалии, оптимизирует процессы и помогает системе принимать решения автоматически.

Основные задачи:

• Разработка и обучение ML-моделей для классификации, прогнозирования и детекции аномалий.
• Построение end-to-end ML-пайплайнов: сбор → обработка → feature engineering → обучение → деплой.
• Работа с потоковыми данными (Kafka / MQTT) и реализация моделей в real-time режиме.
• Интеграция ML-модулей с backend-микросервисами (REST / gRPC).
• Оптимизация производительности моделей и inference.
• Настройка мониторинга моделей (MLOps, drifts, метрики качества).
• Разработка сервисов предиктивной аналитики и автоматизации планирования.
• Подготовка датасетов, валидация данных, контроль качества.
• Взаимодействие с backend-командой для внедрения вычислительных модулей в инфраструктуру.

Технический стек:

• Python 3.10+, FastAPI
• pandas, numpy, scikit-learn, PyTorch / TensorFlow
• Airflow / Prefect / Dagster
• Kafka / RabbitMQ, Redis
• Docker, Kubernetes, CI/CD
• Grafana, Prometheus, ELK для мониторинга
• MLflow / Weights & Biases для экспериментов и трекинга моделей

Требования:

• Опыт коммерческой работы с ML от 2–3 лет.
• Уверенные навыки Python и ML-библиотек (sklearn, PyTorch/TensorFlow).
• Опыт построения полноценного ML-пайплайна.
• Опыт работы с потоковыми данными или большими датасетами.
• Понимание MLOps-подходов: деплой моделей, мониторинг, обновление.
• Понимание алгоритмов машинного обучения, статистики и feature engineering.
• Умение документировать решения, писать чистый и структурированный код.

Будет плюсом:

• Опыт с системами реального времени (Kafka/MQTT).
• Работа с компьютерным зрением или обработкой видео.
• Опыт предиктивной аналитики в промышленности / логистике.
• Работа с BI-инструментами (Grafana, PowerBI).
• Опыт оптимизации inference (ONNX, TensorRT, quantization).

Условия:

• Уровень — Middle / Middle+ / Senior.
• Формат — оффлайн.
• Занятость — полная.