Novera занимается разработкой программного обеспечения в форматах аутстаффинга и аутсорсинга. Мы работаем на рынках России, Азии и Европы. В команде на данный момент около 50 специалистов из разных инженерных направлений.

Наши ожидания

  • Коммерческий опыт разработки в Data Science / ML.

  • Глубокое знание Python и стека: pandas, numpy, scikit‑learn, а также одного из фреймворков для градиентного бустинга (LightGBM, XGBoost, CatBoost).

  • Уверенное владение SQL — написание сложных запросов, работа с большими данными (ClickHouse, PostgreSQL, Greenplum или аналоги).

  • Понимание метрик качества для классификации, регрессии, ранжирования: precision/recall, ROC‑AUC, lift, MAP, NDCG.

  • Опыт построения end‑to‑end ML‑пайплайнов: от выгрузки данных до деплоя и мониторинга.

  • Знание MLOps‑инструментов: MLflow, DVC, опыт работы с CI/CD для ML‑проектов.


Основные обязанности

  • Разработка и внедрение моделей классического машинного обучения: градиентный бустинг (LightGBM, XGBoost, CatBoost), логистическая регрессия, случайный лес, линейные модели.

  • Решение бизнес‑задач: кредитный скоринг, прогнозирование оттока, оценка рисков, рекомендательные системы на основе коллаборативной фильтрации, прогнозирование временных рядов.

  • Feature engineering — создание и отбор признаков, работа с большими объёмами структурированных данных (SQL, Spark, Pandas).

  • Построение пайплайнов обучения и валидации с учётом требований к интерпретируемости (SHAP, LIME, Feature Importance).

  • Разработка пайплайнов для A/B‑тестирования и пост‑релизного мониторинга моделей (дрейф данных, дрейф целевой переменной).

  • Интеграция моделей в продуктовую среду через API (FastAPI, Flask) и orchestration (Docker, Kubernetes).

  • Взаимодействие с заказчиком: уточнение бизнес‑метрик, презентация результатов, написание технической документации.


Будет плюсом

  • Опыт с uplift‑моделированием (методы оценки индивидуального эффекта воздействия: causal models, Meta‑learners, модели на основе деревьев решений для uplift).

  • Опыт в кредитном скоринге — построение скоринговых карт, работа с бюро кредитных историй, требования регуляторов к интерпретируемости.

  • Навыки работы с временными рядами (prophet, statsmodels, feature engineering на основе лагов и скользящих окон).

  • Знание распределённых вычислений: PySpark, Dask, Hadoop.

  • Понимание экспериментальной платформы: дизайн A/B‑тестов, стратификация, расчёт длительности эксперимента

  • Опыт практического применения AI-инструментов (Claude Code, OpenAI Codex, OpenCode и аналоги) в коммерческой разработке — для работы с кодом, тестами, ревью и документацией — с обязательной проверкой результата и соблюдением конфиденциальности.