Ведущий специалист по машинному обучению

Москва, Верейская улица, 29с34

Метро: Давыдково

Показать контакты

Описание вакансии

Чем предстоит заниматься:

Сопровождение и поддержка действующих ML-решений — мониторинг качества работы цифровых советчиков и систем предиктивной диагностики в промышленной эксплуатации, отслеживание деградации моделей, дообучение и доработка признаков при снижении точности прогнозов.
Разработка новых прогнозных моделей под бизнес-задачи: прогнозирование цен, объёмов производства и сбыта, спроса — с применением методов классического ML (регрессия, классификация, анализ временных рядов) и, при необходимости, глубокого обучения.
Полный цикл работы с данными — сбор и подготовка данных из различных источников (производственные системы, ERP, IoT-датчики), разведочный анализ (EDA), очистка от выбросов и пропусков, инжиниринг признаков.
Проектирование и внедрение алгоритмов машинного обучения для систем предиктивной диагностики оборудования и NLP/диалоговых компонентов цифровых помощников оператора, включая выбор архитектуры моделей и подбор гиперпараметров.
Оценка и валидация качества моделей — подбор метрик под конкретную бизнес-задачу, кросс-валидация (в том числе для временных рядов), бэктестинг прогнозных моделей перед вводом в эксплуатацию
Вывод моделей в промышленную эксплуатацию — упаковка кода в воспроизводимые пайплайны, участие в настройке процессов автоматического переобучения и мониторинга моделей в production совместно с инженерами по данным/DevOps.tbank.

Сопровождение и поддержка действующих ML-решений — мониторинг качества работы цифровых советчиков и систем предиктивной диагностики в промышленной эксплуатации, отслеживание деградации моделей, дообучение и доработка признаков при снижении точности прогнозов.
Взаимодействие с бизнес-заказчиками и техническими командами — перевод запросов операционных и производственных подразделений в формализованную постановку ML-задачи, интерпретация результатов моделей, подготовка выводов и рекомендаций для внедрения.

Что мы ждем от кандидатов:

Обязательно:

• Python и стек ML-библиотек: уверенное владение pandas, NumPy, scikit-learn для обработки данных и построения классических моделей; опыт применения градиентного бустинга и регрессионных методов для задач прогнозирования.

• Работа с временными рядами и предиктивной аналитикой: построение моделей прогнозирования цен, объёмов и остаточного ресурса оборудования, кросс-валидация на временных рядах, учёт сезонности и трендов.

• Разработка backend-сервисов на FastAPI: проектирование REST API, асинхронное программирование (asyncio/await), интеграция с PostgreSQL через SQLAlchemy.

• Контейнеризация и системная архитектура (Docker): упаковка ML-моделей и сервисов в контейнеры, понимание принципов микросервисной архитектуры.

• Работа с базами данных и очередями сообщений: SQL/PostgreSQL для хранения признаков и результатов прогнозов, опыт с Redis/Kafka для потоковой обработки данных с производственных датчиков.

Желательно:

• Базовые навыки frontend/интеграции: сборка минимального UI/дашборда для демонстрации моделей (Streamlit, HTMX и аналоги).

• Управление жизненным циклом ML-моделей (MLOps): версионирование экспериментов и моделей (MLflow), настройка пайплайнов переобучения и мониторинга в production, знакомство с оркестраторами (Airflow).

Что мы предлагаем:

Официальное трудоустройство в штат;
Привлекательная заработная плата;
Сильная и дружная команда профессионалов, готовых делиться опытом;
Демократичное общение с руководителями, которые поощряют твою инициативу;
Насыщенная корпоративная жизнь;
ДМС широкого спектра со стоматологией после испытательного срока;
Возможность выбрать начало дня с 8/9/10 утра;
Комфортабельный офис класса А на территории которого находятся фитнес-клуб/аптеки/магазины/столовые/кафе/парковые зоны.
Гибридный формат работы после испытательного срока (2 дня в офисе, 3 из дома).
ЛОКАЦИЯ И ТРАНСПОРТНАЯ ДОСТУПНОСТЬ:
Офис м. Славянский бульвар/ БКЛ Давыдково БЦ "Верейская Плаза 4";
От м.Славянский бульвар доставка корпоративным транспортом – 10 минут;
От БКЛ Давыдково общественным транспортом - 10 минут.