ML Engineer (FinTech)
Привлекательная вакансия в международном финтехе с четко описанными задачами и конкурентной зарплатой в долларах. Предлагается гибкий формат работы и хороший социальный пакет, включая ДМС и обучение.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Позиция требует глубокой экспертизы в классическом ML и специфического опыта в кредитном скоринге. Дополнительную сложность придает необходимость владения MLOps инструментами (K8s, Airflow) и опыт интеграции моделей через API.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Предлагаемая зарплата ($3000 - $3500) находится на уровне или чуть выше медианы для Middle+ ML-инженеров в регионе СНГ и Узбекистана. Для международного рынка это крепкое предложение для данного грейда, особенно с учетом возможности удаленной работы.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
Должность:ML Engineer (FinTech)
Тип занятости: full_time
Уровень: middle+
Страна: Ташкент
Локация: office\hybrid\remote
Компания: НааS Platform
Зарплата: от 3 000 USD до 3 500 USD
ML Engineer (FinTech) Middle+ / Strong Middle
Ищем опытного ML Engineer уровня Middle+ / Strong Middle для развитияML-решений в финтех-продуктах.
Основное направление работы разработка и внедрение моделей классического машинного обучения на табличных данных, в первую очередь для задач кредитного скоринга.
Среди продуктов - BNPL (Buy Now, Pay Later), Marketplace и другие цифровые финансовые сервисы.
Чем предстоит заниматься:
-Разрабатывать, обучать и оптимизировать модели классического Machine Learning на табличных данных.
-Разрабатывать и совершенствовать модели кредитного скоринга для финансовых продуктов.
-Самостоятельно вести полный цикл разработки ML-моделей: от исследования и подготовки данных до внедрения в production.
-Проводить исследовательский анализ данных (EDA), Feature Engineering и отбор признаков.
-Подбирать алгоритмы и метрики, оценивать качество моделей, проводить эксперименты и улучшать их результаты.
-Интегрировать ML-модели в онлайн-сервисы через API.
-Участвовать в выводе моделей в production, мониторинге и поддержке их работы.
-Подключаться к задачам рекомендательных систем и других ML-направлений.
-Взаимодействовать с командой и помогать развиваться менее опытным ML-специалистам.
Мы ожидаем:
-Имеете от 2+ лет релевантного коммерческого опыта в Data Science / Machine Learning.
-Имеете практический опыт разработки и внедрения моделей кредитного скоринга.
-Уверенно владеете алгоритмами классического машинного обучения и работой с табличными данными.
-Хорошо владеете Python и SQL.
-Имеете опыт полного цикла разработки ML-моделей от подготовки данных до production.
-Имеете обязательный практический опыт интеграции ML-моделей в онлайн-сервисы через API.
-Понимаете принципы оценки качества моделей, выбора метрик и проведения экспериментов.
-Способны самостоятельно брать ответственность за технические задачи и доводить их до результата.
Важно:
-Опыт разработки антифрод-моделей.
-Опыт работы с ML-инфраструктурой и инструментами автоматизации ML-процессов (MLOps).
-Знание Kubernetes, Airflow, ClickHouse, Grafana, Sentry или OpenSearch.
-Опыт работы с финансовыми продуктами: BNPL, Lending, Credit Risk, Digital Banking.
-Опыт менторства и помощи в развитии Junior ML Engineers.
-Хороший разговорный русский язык.
Что мы предлагаем:
-Работу над реальными ML-задачами в международном финтех-продукте.
-Возможность влиять на развитие ML-решений и техническую архитектуру.
-Сложные технические задачи и профессиональную команду.
-Возможности для обучения и профессионального роста.
-Компенсацию профильного обучения и участие в профессиональных мероприятиях.
-Уроки английского языка с носителем.
-ДМС после испытательного срока.
-Гибкий формат сотрудничества: офис Ташкент, гибрид или удалённая работа (по согласованию).
-График 5/2, с 9:00 до 18:00.
*📩* Для связи: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Python
- Machine Learning
- SQL
- Kubernetes
- Grafana
- MLOps
- API
- Feature Engineering
- Airflow
- ClickHouse
- Credit Scoring
- OpenSearch
- EDA
- Sentry
Возможные вопросы на собеседовании
Проверка понимания специфики кредитных рисков и умения работать с несбалансированными данными.
Какие методы борьбы с дисбалансом классов вы использовали в задачах кредитного скоринга и как это влияло на метрики бизнеса?
Оценка навыков Feature Engineering, критически важных для табличных данных.
Расскажите о самом эффективном признаке (feature), который вы создали для модели скоринга. Как вы проверяли его стабильность во времени?
Проверка практического опыта интеграции моделей.
Опишите ваш процесс деплоя ML-модели в production через API. Какие инструменты вы использовали для обеспечения низкой задержки (latency)?
Оценка знаний в области мониторинга моделей.
Как вы организуете мониторинг качества модели после её запуска? Как вы определяете, что модель начала деградировать (data drift)?
Проверка навыков работы с инфраструктурой.
Был ли у вас опыт работы с Airflow для автоматизации пайплайнов переобучения? С какими основными проблемами вы сталкивались?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

