ML Engineer (классический ML на табличных данных)
Оценка ИИAlif Tech — известный финтех-игрок в регионе с интересными задачами на реальных данных. Гибкий формат работы (удаленка/гибрид) и четкие требования к стеку делают вакансию привлекательной для Middle-специалистов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИПозиция требует уверенного владения классическим ML и умения писать качественный продакшн-код, а не просто строить модели в ноутбуках. Ожидается глубокое понимание специфики финтеха (скоринг, антифрод) и владение инструментами оркестрации (Airflow).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, однако для Middle ML-инженера в Ташкенте или при удаленной работе на СНГ рынок, медиана составляет около 250 000 - 350 000 рублей. Alif Tech обычно предлагает конкурентоспособные условия, соответствующие рыночным ожиданиям для опытных разработчиков.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Ташкент / офис, гибрид или удаленно
Компания: Alif Tech
Вакансия: ML Engineer (классический ML на табличных данных)
Грейд: Middle / Middle+
Обязанности: разработка ML-моделей под бизнес-задачи (кредитный скоринг, антифрод, рекомендательные системы), вывод моделей в продакшн и поддержка сервисов, улучшение существующих решений
Требования: опыт классического ML на табличных данных (скоринг, антифрод, рекомендательные системы, прогноз спроса или оттока, ценообразование и похожие задачи), Python (pandas, numpy), XGBoost / LightGBM / CatBoost, SQL, Airflow, понимание статистики, умение писать продакшн-код, базовые знания deep learning, свободный русский. Опыт только в LLM, NLP и агентных системах не рассматривается
Писать: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- Pandas
- NumPy
- XGBoost
- LightGBM
- CatBoost
- SQL
- Airflow
- Statistics
- Deep Learning
Возможные вопросы на собеседовании
Проверка понимания работы ключевых алгоритмов, указанных в требованиях.
В чем основные различия между XGBoost, LightGBM и CatBoost с точки зрения обработки категориальных признаков и скорости обучения?
Важно для финтеха, где данные часто несбалансированы.
Какие метрики вы выберете для оценки модели антифрода при сильном дисбалансе классов и почему?
Проверка навыков работы с данными и SQL.
Опишите процесс подготовки признаков (feature engineering) для модели кредитного скоринга на основе транзакционных данных.
Проверка инженерных навыков и опыта работы с Airflow.
Как вы организуете мониторинг качества модели после ее вывода в продакшн и как настроите процесс переобучения в Airflow?
Проверка понимания математической базы.
Как вы проверяете статистическую значимость улучшений при внедрении новой версии модели?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
