ML / DS Engineer (Classic ML)

Разработка и внедрение моделей классического машинного обучения: градиентный бустинг, логистическая регрессия, случайный лес и линейные модели.

Задачи:

• Решать бизнес-задачи в области кредитного скоринга, прогнозирования оттока, оценки рисков, рекомендательных систем и прогнозирования временных рядов.
• Создавать и отбирать признаки, работать с большими объёмами структурированных данных.
• Строить пайплайны обучения и валидации с учётом требований к интерпретируемости.
• Разрабатывать пайплайны A/B-тестирования и пост-релизного мониторинга моделей, включая мониторинг дрейфа данных и целевой переменной.
• Интегрировать модели в продуктовую среду через API и orchestration-инструменты.
• Взаимодействовать с заказчиком: уточнять бизнес-метрики, презентовать результаты и готовить техническую документацию.

Ожидания:

• Коммерческий опыт разработки в Data Science / ML.
• Глубокое знание Python, pandas, numpy, scikit-learn и одного из фреймворков градиентного бустинга: LightGBM, XGBoost или CatBoost.
• Уверенное владение SQL: написание сложных запросов и работа с большими данными.
• Знание метрик классификации, регрессии и 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 и DVC, опыт CI/CD для ML-проектов.

Будет плюсом:

• Опыт uplift-моделирования, включая causal models, Meta-learners и методы на основе деревьев решений.
• Опыт в кредитном скоринге: скоринговые карты, бюро кредитных историй и требования регуляторов к интерпретируемости.
• Практический опыт применения Claude Code, OpenAI Codex, OpenCode и аналогов в коммерческой разработке с проверкой результатов и соблюдением конфиденциальности.