RnD ML Engineer

Направление работы:

Мы — ML команда финтеха Wildberries, одного из крупнейших маркетплейсов Европы с более чем 30 млн активных пользователей в день. Мы строим масштабные исследовательские и продуктовые ML-решения и ищем RnD ML Engineer, который хочет глубоко погружаться в исследования, проверять гипотезы и превращать их в работающие модели. Если тебе интересно изучать поведенческие паттерны в финансовых данных, экспериментировать с архитектурами нейросетей и напрямую влиять на продуктовые метрики финтеха

Стань частью команды!

Вам предстоит:

• Разрабатывать и обучать нейросетевые модели для получения эмбеддингов транзакций: обработка последовательностей операций, агрегации, temporal-признаки, multi-task подходы;

• Исследовать и внедрять современные архитектуры для работы с финансовыми временными рядами: трансформеры, sequence models (LSTM/GRU), contrastive learning, masked autoencoders;

• Формулировать и проверять гипотезы: участвовать в планировании исследовательской повестки, предлагать и приоритизировать идеи совместно с командой;

• Проводить полноценный цикл эксперимента: от формулировки гипотезы и подготовки данных до оценки результатов и выводов;

• Оценивать качество эмбеддингов — downstream-задачи (классификация, ранжирование), модельные метрики, A/B-тесты;

• Работать с большими объёмами транзакционных данных: feature engineering, анализ распределений, работа с дисбалансом и шумом в данных;

• Участие в публикации статей, конференциях и митапах;

• Участвовать в переносе успешных исследований в прод совместно с ML-инженерами и командой инфраструктуры.

Формат работы - гибридный или удаленный по договоренности с руководителем.

Вы нам подходите, если :

• Ваш опыт в области Deep Learning / ML не менее 2–3 лет, желательно с акцентом на RnD или исследовательскую роль;
• Уверенно владеете Python, ML, SQL стеком: PyTorch, HuggingFace transformers, scikit-learn, pandas, numpy, Spark, Clickhouse, Iceberg;
• Понимаете архитектуру для работы с последовательностями и временными рядами (Transformer, BERT-like, RNN/LSTM, TCN и т.д.);
• Имеете опыт обучения эмбеддинговых моделей: metric learning, contrastive loss, self-supervised подходы будет большим плюсом;
• Умеете структурировать гипотезы, фиксировать результаты, делать выводы из отрицательных экспериментов;
• Умеете читать академические статьи и воспроизводить/адаптировать подходы из них.

Будет плюсом:

• Опыт работы с реальными финансовыми или транзакционными данными;
• Опыт с Airflow/Kubeflow, MLflow или другими инструментами управления экспериментами;
• Знакомство с векторными БД (Milvus, Qdrant) и практикой хранения/поиска эмбеддингов в продакшене.