6914 - Активный запрос: ML Engineer/Data Scientist, Middle+, Senior ❗️ — 27 августа 2026 г. в 09:40:05.798

6914 - Активный запрос: ML Engineer/Data Scientist, Middle+, Senior ❗️ 🔥 Важно! Срок подачи кандидатов до 01.09.2026 12:38 - Рейт: смотрим ваши ставки - Локация: Только РФ - Часовой пояс: МСК - Формат работы: Удаленно - Особые условия: - Требуется оформление к нам в штат на 0,01 ставки - У кандидата должны быть все российские документы - Обязательно наличие военного билета или приписного для кандидатов мужского пола - Проект: Построение контура персонализации офферов для клиентов. - Длительность: До 6 месяцев - Возможность пролонгации: Да 📌 Основные задачи: - Разработка Uplift-моделей: построение и валидация моделей оценки инкрементального эффекта (T-/X-learner, Uplift-деревья, CausalML) с расчетом Qini-кривой (AUUC) для отбора моделей. - Построение скорингов: разработка моделей склонности к отклику на базе градиентного бустинга (LightGBM/XGBoost) с калибровкой вероятностей; ранжирование офферов на уровне «клиент × оффер». - Решение оптимизационных задач: формализация и реализация задач линейного/целочисленного программирования (PuLP / CVXPY / OR-Tools) для распределения офферов с учетом бизнес-ограничений (бюджет, контактная политика). - Проектирование и подготовка данных: написание сложных SQL-запросов (оконные функции, CTE) для сборки feature-витрин на исторических данных; конструирование признаков для обучения моделей. - Вывод моделей в продуктив: управление жизненным циклом моделей через MLflow (регистрация, версионирование, продвижение стейджей); организация батч-скоринга (совместно с инженерами) на большие объемы клиентов с контролем качества предсказаний. - Аналитическая поддержка: дизайн A/B-тестов с выделением контрольных групп для оценки инкрементального эффекта; подготовка отчетности по фактическому ROI. ✅ Требования: - Коммерческий опыт в разработке ML-продуктов: от 3-х лет. - Работа в кросс-функциональной среде: опыт плотного взаимодействия с Product Owner, бэкенд-инженерами и аналитиками для формализации бизнес-гипотез в метрики ML и синхронизации сроков релиза моделей с релизным циклом продукта. - Python: продвинутое владение (ООП, написание модульных пайплайнов, векторизация вычислений, работа с Pandas/Polars). - SQL: уверенное владение оконными функциями, оптимизация запросов под большие таблицы (партиционирование, CTE), сбор витрин для обучения на исторических данных. - Uplift-моделирование: практическое применение мета-обучателей (T-learner, X-learner) и специализированных uplift-деревьев; работа с библиотекой CausalML; расчет и интерпретация Qini-кривой (AUUC) для отбора моделей. - Скоринговые модели склонности к отклику: построение градиентного бустинга (LightGBM/XGBoost) с обязательной калибровкой вероятностей (Platt / Isotonic) для получения корректных вероятностей, а не просто ранжирования. - Математическая оптимизация: навык формализации задачи распределения офферов (целевая функция на основе CATE + система жестких бизнес-ограничений). - Солверы: опыт работы с библиотеками линейного и целочисленного программирования — PuLP, CVXPY или OR-Tools (понимание компромиссов между скоростью LP и точностью MIP на больших данных). - Управление жизненным циклом моделей: опыт работы с MLflow (Model Registry, переход стейджей, версионирование артефактов и гиперпараметров). - Высоконагруженный батч-скоринг: опыт разработки пайплайнов для инференса моделей на десятки миллионов записей (Spark / Dask / GPU-пайплайны) с контролем времени выполнения и мониторингом дрейфа данных на выходе. 📩 Просьба предоставлять CV вместе с ФИО, рейтом, локацией (страна + город) и оценкой +/- по требованиям. ✉️ Писать в Max