ML Engineer
Хорошее предложение для ML-инженера в стабильном секторе энергетики с четко прописанным стеком технологий. Уровень зарплаты соответствует рыночному для Казахстана, а работа в офисе в Астане может быть как плюсом, так и минусом в зависимости от предпочтений.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Позиция требует уверенного владения стеком для работы с временными рядами и опытом деплоя моделей в продакшн. Основная сложность заключается в специфике энергетической отрасли и необходимости работы с ML-пайплайнами (Airflow, MLflow).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Предложенная зарплата (325k - 650k KZT) находится в пределах рыночной нормы для Middle ML-специалистов в Казахстане. Верхняя граница предложения соответствует уровню опытных специалистов в локальных технологических компаниях.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
ML Engineer
KCC Power Provider
325,000 to 650,000 KZT NET per month
Astana / Office
Develop machine-learning solutions for the electricity sector, including forecasting and electricity-market models.
Responsibilities:
• Forecast power-plant generation and industrial energy consumption.
• Develop electricity-market models and ML pipelines for training, versioning, and deployment.
• Monitor production models.
Requirements:
• 2+ years in machine learning or data science.
• Python, SQL/PostgreSQL, pandas, and scikit-learn.
• Knowledge of gradient boosting and time-series methods.
• Experience with Docker, MLflow, Airflow, or equivalent ML pipeline tools.
• Experience deploying models to production.
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Python
- Pandas
- SQL
- PostgreSQL
- Scikit-learn
- Docker
- Airflow
- MLflow
- Time Series
- Gradient Boosting
Возможные вопросы на собеседовании
Вакансия предполагает работу с прогнозированием генерации и потребления, что является классической задачей временных рядов.
Какие методы обработки признаков и валидации вы используете при работе с временными рядами для предотвращения утечки данных?
В требованиях указано знание градиентного бустинга.
В каких случаях вы предпочтете CatBoost или LightGBM для задач регрессии в энергетике и как вы боретесь с переобучением в этих моделях?
Роль включает мониторинг моделей в продакшне.
Как бы вы организовали систему мониторинга для модели прогнозирования энергопотребления, чтобы вовремя заметить концептуальный дрифт (concept drift)?
Упоминается использование Docker и MLflow.
Опишите ваш опыт настройки CI/CD пайплайнов для ML-моделей: от обучения до контейнеризации и деплоя.
Работа связана с рынком электроэнергии.
Как вы учитываете внешние факторы, такие как погодные условия или праздничные дни, при построении моделей прогнозирования нагрузки?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

