Программист-исследователь

Продукт заключается в разработке пользовательских эмбеддингов из разных источников данных с целью использования в предиктивных моделях.

Задачи

• применять и адаптировать существующие ML-модели и сервисы под новые бизнес-задачи;
• проектировать и обучать модели на новых и разнородных данных;
• собирать, очищать, обогащать и эмбеддировать данные из разных источников;
• запускать регулярный расчёт новых признаков и улучшать контроль качества данных;
• генерировать и проверять гипотезы, направленные на рост качества текущих и новых моделей;
• развивать инфраструктуру и ML-сервисы, повышая их надёжность, масштабируемость и удобство поддержки;
• писать production-ready пайплайны и сервисный код для внедрения моделей, признаков и новых продуктов;
• обеспечивать воспроизводимость экспериментов, прозрачность расчётов и стабильность работы решений.

Требования

• релевантный опыт работы от 2 лет в задачах Data Science, Machine Learning, ML Engineering или смежных направлениях;
• опыт самостоятельной работы над ML-проектами end-to-end: от постановки задачи и анализа данных до внедрения и поддержки решения;
• уверенное владение Python и SQL;
• практический опыт разработки пайплайнов для эффективной обработки данных на Python и PySpark;
• опыт работы с эмбеддингами, feature engineering и данными из различных источников;
• глубокое понимание классического ML, а также умение выбирать и применять подходящие алгоритмы под задачу;
• навык писать читаемый поддерживаемый код, пригодный для промышленной эксплуатации;
• сильная математическая подготовка, особенно в теории вероятностей и статистике;
• интерес и желание развиваться как в классических задачах ML/DS, так и в нейросетевых методах обработки данных; понимание production ML, MLOps, data quality и мониторинга моделей;
• умение быстро разбираться в новых доменах и формулировать проверяемые гипотезы;
• высшее техническое образование, желательно с IT-профилем;
• готовность брать ответственность за результат, качество и развитие решения.

Будет плюсом

• профильное повышение квалификации, например VK Education, ШАД и аналогичные программы;
• опыт работы с большими и сложными данными;
• опыт в задачах Data Engineering и/или MLOps;
• умение строить не только модели, но и продуктовую инфраструктуру вокруг них;
• навыки написания Bash-скриптов и понимание возможностей командной строки Unix-подобных систем.