- Страна
- Россия
Ведущий ML-инженер
Привлекательная позиция Senior уровня в крупной компании с возможностью удаленной работы. Стек технологий современный, а задачи интеллектуально емкие и напрямую влияют на бизнес.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Высокая сложность обусловлена требованиями к глубоким знаниям в специфических областях: Causal Inference, ценовая эластичность и работа с intermittent demand. Также необходим опыт работы с Big Data стеком и умение менторить команду.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Зарплата в объявлении не указана, однако для позиции Senior/Lead ML-инженера в крупном российском ритейле или финтехе рыночный диапазон составляет от 350 000 до 550 000 рублей после вычета налогов. Предложение будет сильно зависеть от глубины экспертизы кандидата в Causal Inference и оптимизации.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
Ведущий ML-инженер в крупную компанию.
Компания рассматривает кандидатов только из России.
З/п: обсуждается индивидуально.
Формат работы: Удаленка, Гибрид, Офис(Москва, Краснодар)
Уровень позиции: Senior
Стек:
Machine Learning (OR ML и Data Science),Python,Airflow,PostgreSQL,ClickHouse,Kubernetes
*🔷*Задачи:
Развивать модели прогнозирования спроса и ценовой эластичности;
Исследовать подходы к causal inference, uplift-моделированию и оценки эффекта изменения цены;
Проектировать временную валидацию, backtesting и бизнес-метрики качества;
Работать с uncertainty, confidence, intermittent demand, cold start и long-tailSKU;
Разрабатывать логику выбора оптимальной цены с учётом бизнес-ограничений;
Организовать оценку plan/fact и мониторинг качества моделей;
Участвовать в проектировании feature engineering, batch training и batchinference на больших объёмах данных;
Проводить design review, code review и менторить ML-специалистов команды.
*🔷*Обязательные требования:
Опыт в классическом ML от 3 лет;
Сильная база в классическом ML, статистике и работе с табличными данными;
Опыт с forecasting, временными рядами и gradient boosting: LightGBM,CatBoost или XGBoost;
Понимание causal inference и экспериментального дизайна;
Опыт доведения ML-моделей до production;
Уверенное владение Python и SQL;
Понимание временной валидации, data leakage, calibration и uncertaintyestimation;
Опыт работы с Airflow или аналогичным оркестратором;
Понимание принципов распределённой обработки данных, партиционирования и оптимизации вычислений;
Умение связывать ML-метрики с измеримым бизнес-эффектом
Опыт в retail, e-commerce, pricing или demand forecasting;
Практический опыт с PySpark, Trino, Iceberg, S3, dbt или ClickHouse;
Опыт с price optimization, hierarchical forecasting или operations research;
Опыт построения ML-мониторинга и проведения A/B-тестов.
Отклики ждём Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Machine Learning
- Data Science
- Python
- Airflow
- PostgreSQL
- ClickHouse
- Kubernetes
- Causal Inference
- LightGBM
- CatBoost
- XGBoost
- SQL
- PySpark
- Trino
- dbt
- A/B Testing
Возможные вопросы на собеседовании
Проверка понимания специфики ценообразования и оценки причинно-следственных связей.
Как вы подходите к оценке ценовой эластичности, учитывая проблему эндогенности цен в исторических данных?
Важный аспект для ритейла, указанный в требованиях.
Какие методы вы используете для прогнозирования спроса на товары с редкими продажами (intermittent demand) и решения проблемы холодного старта?
Проверка навыков проектирования надежных систем оценки.
Расскажите о вашем опыте построения системы временной валидации (backtesting) для временных рядов: как вы избегаете data leakage?
Проверка инженерных навыков работы с данными.
В каких случаях вы предпочтете использовать PySpark вместо обычного Pandas/Scikit-learn при подготовке признаков для модели?
Оценка лидерских качеств и умения работать в команде.
Опишите ваш подход к проведению design review: на какие критические аспекты архитектуры ML-решения вы обращаете внимание в первую очередь?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

