ML / DS Engineer

Коммерческий опыт разработки в Data Science / ML. Глубокое знание Python и стека: pandas, numpy, scikit‑learn, а также одного из фреймворков для градиентного бустинга (LightGBM, XGBoost, CatBoost). Уверенное владение SQL — написание сложных запросов, работа с большими данными (ClickHouse, PostgreSQL, Greenplum или аналоги). Понимание метрик качества для классификации, регрессии, ранжирования: precision/recall, ROC‑AUC, lift, MAP, NDCG. Опыт построения end‑to‑end ML‑пайплайнов: от выгрузки данных до деплоя и мониторинга. Знание MLOps‑инструментов: MLflow, DVC, опыт работы с CI/CD для ML‑проектов. Основные обязанности: Разработка и внедрение моделей классического машинного обучения: градиентный бустинг (LightGBM, XGBoost, CatBoost), логистическая регрессия, случайный лес, линейные модели. Решение бизнес‑задач: кредитный скоринг, прогнозирование оттока, оценка рисков, рекомендательные системы на основе коллаборативной фильтрации, прогнозирование временных рядов. Feature engineering — создание и отбор признаков, работа с большими объёмами структурированных данных (SQL, Spark, Pandas). Построение пайплайнов обучения и валидации с учётом требований к интерпретируемости (SHAP, LIME, Feature Importance). Разработка пайплайнов для A/B‑тестирования и пост‑релизного мониторинга моделей (дрейф данных, дрейф целевой переменной). Интеграция моделей в продуктовую среду через API (FastAPI, Flask) и orchestration (Docker, Kubernetes). Взаимодействие с заказчиком: уточнение бизнес‑метрик, презентация результатов, написание технической документации.