ML / DS Engineer (Classic ML)
Оценка ИИИнтересная вакансия в сервисной компании с широким стеком технологий и серьезными задачами (скоринг, uplift). Удаленный формат и работа с современными инструментами (MLOps, AI-ассистенты) делают предложение привлекательным для опытных инженеров.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИРоль требует не только отличного знания классического ML и SQL, но и навыков MLOps, а также понимания специфических бизнес-метрик (LIFT, NDCG). Дополнительную сложность придает необходимость опыта в кредитном скоринге и uplift-моделировании.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана. Для позиции ML Engineer уровня Middle/Senior на российском рынке и в СНГ медиана составляет около 250 000 - 350 000 рублей после вычета налогов. Специалисты с опытом в кредитном скоринге и MLOps могут претендовать на верхнюю границу рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Вакансия: ML / DS Engineer (Classic ML)
Формат: удаленно
Сайт компании: https://noveradev.com/
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.
- 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.
Контакт для отклика: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- Pandas
- NumPy
- Scikit-learn
- LightGBM
- XGBoost
- CatBoost
- SQL
- ClickHouse
- PostgreSQL
- Greenplum
- MLflow
- DVC
- CI/CD
- Spark
- SHAP
- LIME
- FastAPI
- Flask
- Docker
- Kubernetes
- A/B Testing
Возможные вопросы на собеседовании
Проверка понимания специфики работы с дисбалансом классов и выбора метрик для бизнеса.
В задачах кредитного скоринга или прогнозирования оттока мы часто сталкиваемся с сильным дисбалансом классов. Какие методы борьбы с этим вы используете и почему в таких задачах Precision-Recall AUC может быть информативнее, чем ROC-AUC?
Оценка навыков интерпретации моделей, что критично для финтеха.
Как вы объясните бизнес-заказчику влияние конкретного признака на решение модели, используя SHAP values? В чем преимущество SHAP перед обычным Feature Importance в CatBoost?
Проверка знаний в области MLOps и жизненного цикла модели.
Опишите ваш опыт работы с MLflow и DVC. Как вы организуете версионирование данных и моделей, чтобы обеспечить воспроизводимость экспериментов в команде?
Проверка продвинутых навыков (Uplift).
В чем принципиальное отличие Uplift-моделирования от обычной модели склонности (propensity model)? Какие подходы (например, S-learner или T-learner) вы бы выбрали для оценки эффекта маркетинговой кампании?
Оценка навыков мониторинга моделей в продакшене.
Как вы выявляете Data Drift и Concept Drift после деплоя модели? Какие действия вы предпримете, если метрики качества модели на продакшене начали падать?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
