ML-инженер

Основные обязанности:

- Разработка, обучение и внедрение моделей машинного обучения и/или глубокого обучения;

- Анализ и подготовка данных: сбор, очистка, предобработка, feature engineering;

- Выбор и обоснование архитектур моделей (ML / DL) под задачи бизнеса;

- Обучение, валидация и оптимизация моделей (оценка качества, переобучение, метрики);

- Работа с большими объёмами данных и различными источниками данных;

- Оптимизация производительности моделей и времени инференса;

- Поддержка и обновление моделей в продуктивной среде (ML lifecycle);

- Взаимодействие с backend-разработчиками, аналитиками, продуктовой командой;

- Подготовка технической документации и описание решений.

Опционально:

- Интеграция ML-моделей в продукты и сервисы (API, backend, мобильные приложения).

Ключевые требования.

1. Программирование и инструменты:

- Python на уровне глубоких знаний и библиотек обработки данных, в том числе: Pandas, NumPy, Scikit-learn, SQL и подобные;

- ML-фреймворки PyTorch и/или TensorFlow/Keras, имея опыт работы с ними;

- Базы данных, работа с различными форматами (Табличные, YAML, JSON, Текстовые и подобные) и уметь работать с инструментами Big Data;

- Инженерные навыки (Опционально): Git, Docker, понимание работы API (REST, FastAPI) и SOAP.

- умение извлекать данные из различных источников (файлы, API, базы данных)

- Уметь проводить EDA и визуализировать его результаты.

2. Математическая база:

- Линейная алгебра и матанализ, чтобы понимать, как работают алгоритмы;

- Теория вероятностей и статистика для оценок достоверности результатов и проверки гипотез.

3. Специальные знания в ML:

- Классическое машинное обучение, включающее: Деревья решений, Случайные леса, Градиентный бустинг (XGBoost, CatBoost) и не только;

- Глубокое обучение (Deep Learning). Архитектуры нейронных сетей (CNN для изображений, RNN/Transformers для текстов);

- NLP и/или Computer Vision и обработки временных рядов. Специализация на обработке естественного языка или компьютерного зрения (в зависимости от профиля компании).

- Важно умение строить архитектуры ML-кластеров и высокоскоростных сетей (10–400 Гбит/с).

- уметь замерять качество работы алгоритмов с помощью модельных метрик и проводить их тестирование.

- Работать с NLP/CV-задачами с помощью классических методов ML и Deep Learning.